| 摘要 | 第5-7页 |
| abstract | 第7-8页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.2.1 图像超分辨率算法的研究现状 | 第12-15页 |
| 1.2.2 循环神经网络的研究现状 | 第15-16页 |
| 1.3 论文研究内容及结构安排 | 第16-17页 |
| 第2章 超分辨率重建技术 | 第17-31页 |
| 2.1 图像退化模型 | 第17-18页 |
| 2.2 传统的超分辨率重建算法 | 第18-25页 |
| 2.2.1 基于插值的超分辨率算法 | 第18-21页 |
| 2.2.2 基于重建的超分辨率算法 | 第21-22页 |
| 2.2.3 基于学习的超分辨率算法 | 第22-25页 |
| 2.3 深度学习 | 第25-28页 |
| 2.3.1 深度学习的发展 | 第25-27页 |
| 2.3.2 深度学习在图像超分辨率重建领域中的应用 | 第27-28页 |
| 2.4 图像质量评价 | 第28-30页 |
| 2.4.1 峰值信噪比 | 第29页 |
| 2.4.2 结构相似度 | 第29-30页 |
| 2.5 本章小结 | 第30-31页 |
| 第3章 基于循环神经网络的图像超分辨率研究 | 第31-52页 |
| 3.1 算法的提出 | 第31页 |
| 3.2 多层前馈神经网络 | 第31-35页 |
| 3.2.1 多层前馈神经网络结构 | 第31-32页 |
| 3.2.2 bp算法的推导 | 第32-35页 |
| 3.3 循环神经网络 | 第35-38页 |
| 3.3.1 循环神经网络结构 | 第35-36页 |
| 3.3.2 bptt算法的推导 | 第36-38页 |
| 3.4 基于循环神经网络的图像超分辨率研究 | 第38-42页 |
| 3.4.1 算法的流程图 | 第38-39页 |
| 3.4.2 算法的步骤 | 第39-41页 |
| 3.4.3 全局重建约束 | 第41-42页 |
| 3.5 实验结果与分析 | 第42-51页 |
| 3.5.1 参数设置 | 第42-44页 |
| 3.5.2 实验结果 | 第44-51页 |
| 3.6 本章小结 | 第51-52页 |
| 第4章 基于两种改进循环神经网络的图像超分辨率研究 | 第52-66页 |
| 4.1 算法的提出 | 第52-53页 |
| 4.2 长短期记忆网络 | 第53-54页 |
| 4.3 门限循环单元网络 | 第54-56页 |
| 4.4 基于两种改进循环神经网络的图像超分辨率研究 | 第56-63页 |
| 4.4.1 算法流程图 | 第56-57页 |
| 4.4.2 基于lstm网络的图像超分辨率实验结果与分析 | 第57-60页 |
| 4.4.3 基于gru网络的图像超分辨率实验结果与分析 | 第60-63页 |
| 4.5 重建结果对比 | 第63-65页 |
| 4.6 本章小结 | 第65-66页 |
| 总结 | 第66-68页 |
| 参考文献 | 第68-73页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第73-74页 |
| 致谢 | 第74页 |
