| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 引言 | 第10-11页 |
| 1 绪论 | 第11-20页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 图像超分辨率研究现状 | 第12-16页 |
| 1.2.1 基于插值的超分辨率技术 | 第13-14页 |
| 1.2.2 基于重构的超分辨率技术 | 第14-15页 |
| 1.2.3 基于学习的超分辨率技术 | 第15-16页 |
| 1.3 图像重建质量评价 | 第16-17页 |
| 1.3.1 主观评价方法 | 第16页 |
| 1.3.2 客观评价方法 | 第16-17页 |
| 1.4 论文主要研究内容和组织结构 | 第17-20页 |
| 1.4.1 主要研究内容 | 第17-18页 |
| 1.4.2 组织结构 | 第18-20页 |
| 2 稀疏表示和字典学习理论 | 第20-31页 |
| 2.1 引言 | 第20页 |
| 2.2 稀疏表示理论 | 第20-26页 |
| 2.2.1 图像退化模型 | 第20-22页 |
| 2.2.2 图像的稀疏表示模型 | 第22-23页 |
| 2.2.3 稀疏表示优化算法 | 第23-26页 |
| 2.3 稀疏字典学习理论 | 第26-31页 |
| 2.3.1 学习字典 | 第26-27页 |
| 2.3.2 最优方向法 | 第27-28页 |
| 2.3.3 K-SVD方法 | 第28-31页 |
| 3 基于图像特征分类的超分辨率重建技术 | 第31-39页 |
| 3.1 引言 | 第31-32页 |
| 3.2 基于纹理特征的图像分类方法 | 第32-35页 |
| 3.2.1 边缘检测方法 | 第32-35页 |
| 3.2.2 形态学分量分析方法 | 第35页 |
| 3.3 基于特征聚类的图像分类方法 | 第35-39页 |
| 3.3.1 K-means聚类方法 | 第35-36页 |
| 3.3.2 主题学习方法 | 第36-37页 |
| 3.3.3 基于图像特征分类的超分辨率重建流程 | 第37-39页 |
| 4 基于形态学分量分析的云图超分辨率重建 | 第39-49页 |
| 4.1 引言 | 第39页 |
| 4.2 形态学分量分析原理 | 第39-41页 |
| 4.3 基于混合多分辨率分析的云图超分辨率重建 | 第41-45页 |
| 4.3.1 原始低分辨率云图的形态学分量分解 | 第42页 |
| 4.3.2 SWT实现平滑分量超分辨率重建 | 第42-43页 |
| 4.3.3 Contourlet变换实现纹理图像超分辨率重建 | 第43-45页 |
| 4.4 实验结果与分析 | 第45-48页 |
| 4.4.1 可见光云图试验 | 第45-47页 |
| 4.4.2 红外云图试验 | 第47-48页 |
| 4.5 结论 | 第48-49页 |
| 5 主题学习和稀疏表示的云图超分辨率重建 | 第49-62页 |
| 5.1 引言 | 第49-50页 |
| 5.2 基于主题学习和稀疏表示的云图超分辨率重建 | 第50-55页 |
| 5.2.1 双边滤波器获取纹理图像 | 第50-51页 |
| 5.2.2 主题模型 | 第51-53页 |
| 5.2.3 稀疏表示的字典学习 | 第53-54页 |
| 5.2.4 云图的超分辨率重建 | 第54-55页 |
| 5.3 本章算法步骤 | 第55-56页 |
| 5.4 试验结果与分析 | 第56-61页 |
| 5.4.1 可见光云图主客观评价试验 | 第57-59页 |
| 5.4.2 实际红外云图重建试验 | 第59-60页 |
| 5.4.3 噪声条件下超分辨率重建试验 | 第60-61页 |
| 5.5 结论 | 第61-62页 |
| 6 总结与展望 | 第62-64页 |
| 6.1 总结 | 第62页 |
| 6.2 展望 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 在学研究成果 | 第68-69页 |
| 致谢 | 第69页 |