| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第11-12页 |
| 缩略语对照表 | 第12-15页 |
| 第一章 绪论 | 第15-23页 |
| 1.1 研究背景及意义 | 第15-16页 |
| 1.2 图像超分辨率重建研究现状 | 第16-20页 |
| 1.2.1 基于插值的方法 | 第16-17页 |
| 1.2.2 基于重建的方法 | 第17-19页 |
| 1.2.3 基于学习方法 | 第19-20页 |
| 1.3 图像超分辨率质量评价指标 | 第20-21页 |
| 1.4 本文主要内容和章节安排 | 第21-23页 |
| 第二章 稀疏表示理论基础 | 第23-33页 |
| 2.1 稀疏表示模型 | 第23-26页 |
| 2.2 稀疏表示的分解算法 | 第26-29页 |
| 2.2.1 松弛的优化算法 | 第26-27页 |
| 2.2.2 贪婪的追踪算法 | 第27-28页 |
| 2.2.3 组合优化算法 | 第28页 |
| 2.2.4 算法对比 | 第28-29页 |
| 2.3 稀疏表示的字典构建理论 | 第29-31页 |
| 2.3.1 最佳方向方法(MOD) | 第29-30页 |
| 2.3.2 K-SVD方法 | 第30-31页 |
| 2.4 本章小结 | 第31-33页 |
| 第三章 基于稀疏表示的图像超分辨率算法改进 | 第33-55页 |
| 3.1 引言 | 第33-34页 |
| 3.2 基于稀疏表示的图像超分辨率重建算法 | 第34-38页 |
| 3.2.1 图像稀疏表示局部模型 | 第34-35页 |
| 3.2.2 联合字典的训练 | 第35-37页 |
| 3.2.3 低分辨率图像特征块的提取 | 第37-38页 |
| 3.3 基于稀疏表示图像超分辨率算法改进 | 第38-43页 |
| 3.3.1 利用自相似性获取先验粗略高分辨率图像 | 第39-42页 |
| 3.3.2 算法改进的具体实现 | 第42-43页 |
| 3.4 实验结果和分析 | 第43-53页 |
| 3.4.1 实验环境和参数设置 | 第43-45页 |
| 3.4.2 超分辨率图像重建 | 第45-51页 |
| 3.4.3 字典大小对超分辨图像重建结果的影响 | 第51-53页 |
| 3.5 本章小结 | 第53-55页 |
| 第四章 基于神经网络的快速稀疏表示算法设计与实现 | 第55-77页 |
| 4.1 引言 | 第55页 |
| 4.2 利用图像块方差减少需处理图像块方案设计 | 第55-57页 |
| 4.2.1 图像块方差 | 第55-56页 |
| 4.2.2 减少需处理图像块方案的实现 | 第56-57页 |
| 4.3 快速解决l_1范数的最小化问题的算法的优化 | 第57-61页 |
| 4.3.1 迭代收缩阈值算法 | 第58-59页 |
| 4.3.2 迭代收缩阈值算法的优化 | 第59-61页 |
| 4.4 基于神经网络的快速稀疏表示算法具体实现 | 第61-63页 |
| 4.5 实验结果和分析 | 第63-69页 |
| 4.5.1 减少需处理图像块方案的实验结果 | 第63-65页 |
| 4.5.2 迭代次数对算法时间复杂度的影响 | 第65-66页 |
| 4.5.3 基于神经网络的快速稀疏表示算法的实验结果 | 第66-69页 |
| 4.6 快速稀疏表示算法的应用 | 第69-75页 |
| 4.6.1 在PS软件中的应用 | 第69-71页 |
| 4.6.2 在视频监控系统中的应用 | 第71-74页 |
| 4.6.3 在医学图像上的应用 | 第74-75页 |
| 4.7 本章小结 | 第75-77页 |
| 第五章 总结与展望 | 第77-79页 |
| 5.1 工作总结 | 第77页 |
| 5.2 工作展望 | 第77-79页 |
| 参考文献 | 第79-83页 |
| 致谢 | 第83-85页 |
| 作者简介 | 第85-86页 |