| 摘要 | 第5-7页 |
| Abstract | 第7-9页 |
| 第一章 绪论 | 第13-27页 |
| 1.1 研究背景及意义 | 第13-15页 |
| 1.2 基于学习的图像超分辨率重建问题的提出 | 第15-18页 |
| 1.3 国内外研究现状及发展动态分析 | 第18-23页 |
| 1.3.1 国际上本研究方向的发展现状 | 第18-22页 |
| 1.3.2 国内本研究方向的发展现状 | 第22-23页 |
| 1.4 科学意义和应用前景 | 第23-24页 |
| 1.5 目前存在的问题和本文的研究任务 | 第24-25页 |
| 1.6 本文创新之处 | 第25-26页 |
| 1.7 章节结构和内容 | 第26-27页 |
| 第二章 基于学习的图像超分辨率重建原理和分类 | 第27-45页 |
| 2.1 成像模型和超分辨率复原的数学目的 | 第27-28页 |
| 2.2 超分辨率技术分类 | 第28-34页 |
| 2.2.1 基于重建的超分辨率重建方法 | 第29-31页 |
| 2.2.2 基于学习的超分辨率方法 | 第31-34页 |
| 2.3 基于学习的超分辨率理论的MAP框架 | 第34-36页 |
| 2.4 稀疏表示理论和超完备字典学习方法 | 第36-38页 |
| 2.4.1 信号稀疏分解 | 第36-37页 |
| 2.4.2 超完备字典学习方法 | 第37-38页 |
| 2.5 图像超分辨率方法的变换域方法 | 第38-39页 |
| 2.6 LLE算法 | 第39-40页 |
| 2.7 马尔科夫随机场模型 | 第40-41页 |
| 2.8 图像质量评价 | 第41-44页 |
| 2.9 本章小结 | 第44-45页 |
| 第三章 基于稀疏结构流形嵌入的图像超分辨率重建 | 第45-75页 |
| 3.1 流形学习的概念和本质 | 第45-46页 |
| 3.2 流形学习的研究背景和数据降维的意义 | 第46-47页 |
| 3.3 流形学习方法的正则化框架和主要算法 | 第47-49页 |
| 3.3.1 流形学习算法框架 | 第47-48页 |
| 3.3.2 流形学习主要算法 | 第48-49页 |
| 3.4 流形学习在图像超分辨率处理中的研究现状 | 第49-51页 |
| 3.5 基于NSCT和权重稀疏编码的SSME方法 | 第51-61页 |
| 3.5.1 非下采样轮廓波变换 | 第51-59页 |
| 3.5.2 基于权值矩阵稀疏编码结构的流形嵌入算法 | 第59-61页 |
| 3.5.3 算法复杂度 | 第61页 |
| 3.6 实验结果和分析 | 第61-73页 |
| 3.6.1 实验一：边缘效果重建对比 | 第63-66页 |
| 3.6.2 实验二：重建纹理效果对比 | 第66-69页 |
| 3.6.3 实验三：放大效果对比 | 第69-70页 |
| 3.6.4 实验四：更多图像的超分辨率结果实验以及评测量化指标对比 | 第70-72页 |
| 3.6.5 实验五：运行时间对比 | 第72-73页 |
| 3.7 本章小结 | 第73-75页 |
| 第四章 基于NSCT和MRF模型的图像超分辨率重建 | 第75-93页 |
| 4.1 多尺度几何分析MGA | 第75-78页 |
| 4.2 马尔科夫随机场模型MRF | 第78-80页 |
| 4.3 MRF在图像超分辨率处理中的研究现状 | 第80-81页 |
| 4.4 基于MRF模型和NSCT的超分辨率算法过程 | 第81-84页 |
| 4.4.1 训练过程 | 第81-82页 |
| 4.4.2 学习过程 | 第82-84页 |
| 4.5 实验结果与分析 | 第84-91页 |
| 4.5.1 实验一：超分辨率图像的几何特征重建有效性质量评价 | 第85页 |
| 4.5.2 实验二：边缘效果重建对比 | 第85-87页 |
| 4.5.3 实验三：纹理效果重建对比 | 第87-89页 |
| 4.5.4 实验四：标准测试图像的超分辨率结果实验以及评测量化指标对比 | 第89-90页 |
| 4.5.5 实验五：本章方法与论文第三章SSME算法的对比 | 第90-91页 |
| 4.6 本章小结 | 第91-93页 |
| 第五章 基于稀疏原子聚类字典学习的图像超分辨率重建 | 第93-117页 |
| 5.1 过完备字典和稀疏表示 | 第93-95页 |
| 5.2 稀疏冗余字典超分辨率重建方法研究现状 | 第95-97页 |
| 5.3 基于字典学习的单幅图像超分辨率算法 | 第97-102页 |
| 5.3.1 特征提取 | 第98页 |
| 5.3.2 数据降维和PCA方法 | 第98-100页 |
| 5.3.3 K-SVD字典算法 | 第100-101页 |
| 5.3.4 稀疏分解OMP算法 | 第101-102页 |
| 5.4 基于原子聚类的分类稀疏字典学习的图像超分辨率重建算法 | 第102-108页 |
| 5.4.1 K均值聚类 | 第102-103页 |
| 5.4.2 算法流程 | 第103-105页 |
| 5.4.3 算法分解过程 | 第105-107页 |
| 5.4.4 算法复杂度分析 | 第107-108页 |
| 5.5 实验结果与分析 | 第108-114页 |
| 5.5.1 训练过程及注意要点 | 第108-109页 |
| 5.5.2 K值及初始聚类中心 | 第109-110页 |
| 5.5.3 实验结果 | 第110-114页 |
| 5.6 本章小结 | 第114-117页 |
| 第六章 总结与展望 | 第117-120页 |
| 6.1 工作总结 | 第117-118页 |
| 6.2 展望 | 第118-120页 |
| 致谢 | 第120-121页 |
| 参考文献 | 第121-134页 |
| 攻读博士期间发表的文章 | 第134页 |
