| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| ABSTRACT | 第9-10页 |
| 第一章 绪论 | 第15-23页 |
| 1.1 课题研究背景及意义 | 第15-16页 |
| 1.2 图像超分辨率重建模型 | 第16-17页 |
| 1.3 超分辨率重建算法研究现状 | 第17-21页 |
| 1.3.1 基于插值的方法 | 第18页 |
| 1.3.2 基于重建的方法 | 第18-20页 |
| 1.3.3 基于学习的方法 | 第20-21页 |
| 1.4 论文研究内容和主要结构 | 第21-23页 |
| 第二章 图像稀疏表示技术基础 | 第23-29页 |
| 2.1 超完备稀疏表示理论 | 第23-24页 |
| 2.2 稀疏表示字典构建理论 | 第24-26页 |
| 2.2.1 MOD算法 | 第25页 |
| 2.2.2 广义PCA算法 | 第25-26页 |
| 2.2.3 K-SVD算法 | 第26页 |
| 2.3 稀疏表示求解算法 | 第26-28页 |
| 2.3.1 匹配追踪算法 | 第26-27页 |
| 2.3.2 正交匹配追踪算法 | 第27页 |
| 2.3.3 基追踪算法 | 第27-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第三章 图像特征提取及特征分类算法 | 第29-38页 |
| 3.1 基于梯度的图像特征提取及分类 | 第29-31页 |
| 3.1.1 微分算子 | 第30页 |
| 3.1.2 Sobel算子 | 第30-31页 |
| 3.1.3 Prewitt算子 | 第31页 |
| 3.2 图像的特征提取及分类在本文的应用 | 第31-37页 |
| 3.2.1 图像特征提取以及分类的意义 | 第31-32页 |
| 3.2.2 数据准备工作 | 第32页 |
| 3.2.3 图像分类特征的构造 | 第32-34页 |
| 3.2.4 图像块分类决策树算法的设计 | 第34-37页 |
| 3.3 本章小结 | 第37-38页 |
| 第四章 基于特征分类和字典映射的超分辨率重建 | 第38-49页 |
| 4.1 引言 | 第38-39页 |
| 4.2 字典训练方式 | 第39-41页 |
| 4.3 字典映射方式 | 第41-42页 |
| 4.4 图像重建算法 | 第42页 |
| 4.5 实验结果与分析 | 第42-47页 |
| 4.5.1 实验参数设置 | 第43-44页 |
| 4.5.2 图像重建质量评价与分析 | 第44-45页 |
| 4.5.3 不同放大倍数的实验 | 第45-46页 |
| 4.5.4 与Kmeans分类结果对比 | 第46-47页 |
| 4.6 本章小结 | 第47-49页 |
| 第五章 基于独立字典训练和MAP框架优化的超分辨率重建 | 第49-63页 |
| 5.1 引言 | 第49-50页 |
| 5.2 独立字典训练方式 | 第50-51页 |
| 5.3 多类别系数矩阵映射学习 | 第51-52页 |
| 5.4 图像重建算法 | 第52-53页 |
| 5.5 MAP框架优化算法 | 第53-54页 |
| 5.5.1 非局部自相似性模型 | 第53页 |
| 5.5.2 自回归模型 | 第53-54页 |
| 5.5.3 全局迭代算法 | 第54页 |
| 5.6 实验结果与分析 | 第54-61页 |
| 5.6.1 基于Set14的3倍重建实验 | 第55-57页 |
| 5.6.2 基于Set5的不同放大倍数的实验 | 第57-58页 |
| 5.6.3 不同字典原子个数的实验 | 第58-59页 |
| 5.6.4 重建结果主观视觉分析 | 第59-61页 |
| 5.7 本章小结 | 第61-63页 |
| 第六章 总结与展望 | 第63-65页 |
| 6.1 全文总结 | 第63-64页 |
| 6.2 进一步的工作和展望 | 第64-65页 |
| 参考文献 | 第65-69页 |
| 攻读硕士学位期间的学术活动及成果情况 | 第69-70页 |