| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 目录 | 第7-11页 |
| 第一章 绪论 | 第11-25页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-21页 |
| 1.2.1 基于插值的图像超分辨率重建 | 第13-14页 |
| 1.2.2 基于重构的图像超分辨率重建 | 第14-19页 |
| 1.2.3 基于学习的图像超分辨率重建 | 第19-21页 |
| 1.3 本文的主要研究内容 | 第21-22页 |
| 1.4 本文的章节安排 | 第22-25页 |
| 第二章 相关背景知识介绍 | 第25-35页 |
| 2.1 回归理论概述 | 第25-29页 |
| 2.1.1 回归模型 | 第26-27页 |
| 2.1.2 回归模型的估计方法 | 第27-29页 |
| 2.2 K-d tree | 第29-31页 |
| 2.3 训练库的构建 | 第31-32页 |
| 2.4 图像质量的评价标准 | 第32-34页 |
| 2.4.1 主观质量评价标准 | 第32页 |
| 2.4.2 客观质量评价标准 | 第32-34页 |
| 2.5 本章小结 | 第34-35页 |
| 第三章 基于组合优化的图像超分辨后处理 | 第35-45页 |
| 3.1 引言 | 第35页 |
| 3.2 高斯过程回归(Gaussian Processes Regression) | 第35-37页 |
| 3.3 基于局部高斯过程回归学习的图像超分辨算法 | 第37-38页 |
| 3.4 高斯回归值的组合优化 | 第38-40页 |
| 3.4.1 训练参数W | 第39页 |
| 3.4.2 计算权重w及图像重建 | 第39-40页 |
| 3.5 算法设计与分析 | 第40-41页 |
| 3.6 实验结果与分析 | 第41-43页 |
| 3.7 本章小结 | 第43-45页 |
| 第四章 基于边缘属性限制的图像超分辨后处理 | 第45-57页 |
| 4.1 引言 | 第45页 |
| 4.2 The Berkeley Segmentation Engine(BSE) | 第45-46页 |
| 4.3 基于图像边缘光滑限制的图像超分辨 | 第46-48页 |
| 4.4 算法设计与分析 | 第48页 |
| 4.5 实验结果与分析 | 第48-55页 |
| 4.6 本章小结 | 第55-57页 |
| 第五章 基于高斯过程回归稀疏求解的图像超分辨 | 第57-71页 |
| 5.1 引言 | 第57页 |
| 5.2 稀疏伪输入高斯过程(Sparse Pseudo-input Gaussian processes) | 第57-59页 |
| 5.3 算法设计与分析 | 第59-61页 |
| 5.4 实验结果与分析 | 第61-69页 |
| 5.4.1 实验环境及实验设置 | 第61页 |
| 5.4.2 图像重建质量比较 | 第61-69页 |
| 5.6 本章小结 | 第69-71页 |
| 第六章 总结和展望 | 第71-73页 |
| 6.1 总结 | 第71-72页 |
| 6.2 后续研究工作展望 | 第72-73页 |
| 参考文献 | 第73-79页 |
| 攻读硕士学位期间发表论文及科研情况 | 第79-81页 |
| 致谢 | 第81页 |
