基于稀疏表示的图像超分辨率重建算法研究
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题的研究背景及意义 | 第10-11页 |
| 1.2 课题研究现状 | 第11-14页 |
| 1.3 论文的主要研究内容 | 第14页 |
| 1.4 论文的结构安排 | 第14-16页 |
| 第2章 图像超分辨率重建算法基础 | 第16-27页 |
| 2.1 超分辨率重建算法模型 | 第16-17页 |
| 2.2 现有的图像超分辨率重建算法 | 第17-24页 |
| 2.2.1 基于插值的超分辨率重建算法 | 第17-19页 |
| 2.2.2 基于重建的超分辨率重建算法 | 第19-22页 |
| 2.2.3 基于学习的超分辨率重建算法 | 第22-24页 |
| 2.3 图像超分辨率重建算法评价性能指标 | 第24-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第3章 区域自适应的超分辨率重建算法研究 | 第27-38页 |
| 3.1 常见的图像先验模型 | 第28-31页 |
| 3.1.1 拉普拉斯先验模型 | 第28页 |
| 3.1.2 高斯马尔可夫先验模型 | 第28-29页 |
| 3.1.3 总变分先验模型 | 第29-30页 |
| 3.1.4 Huber马尔可夫先验模型 | 第30页 |
| 3.1.5 双边总变分先验模型 | 第30-31页 |
| 3.2 算法基本流程及实现 | 第31-35页 |
| 3.2.1 基于梯度信息的图像块分类 | 第31-33页 |
| 3.2.2 自适应选择先验模型 | 第33-34页 |
| 3.2.3 正则化参数自适应 | 第34-35页 |
| 3.3 实验结果分析 | 第35-37页 |
| 3.3.1 实验参数设置 | 第35-36页 |
| 3.3.2 客观评价分析 | 第36-37页 |
| 3.4 本章小结 | 第37-38页 |
| 第4章 基于自适应字典的超分辨率重建算法 | 第38-52页 |
| 4.1 图像稀疏表示模型与字典重建 | 第39-45页 |
| 4.1.1 稀疏表示理论模型 | 第39-40页 |
| 4.1.2 字典训练方法 | 第40-42页 |
| 4.1.3 稀疏重构方法 | 第42-45页 |
| 4.2 算法基本流程与实现 | 第45-46页 |
| 4.2.1 基于结构张量的图像块分类 | 第45-46页 |
| 4.2.2 字典训练与稀疏重构 | 第46页 |
| 4.3 仿真实验及分析 | 第46-50页 |
| 4.3.1 仿真结果分析 | 第46-48页 |
| 4.3.2 自适应选择字典优势对比 | 第48-50页 |
| 4.4 本章小结 | 第50-52页 |
| 第5章 基于岭回归的超分辨率重建算法研究 | 第52-63页 |
| 5.1 超分辨率重建模型与稀疏表示 | 第52-53页 |
| 5.2 样本集的选取 | 第53-55页 |
| 5.2.1 训练样本块提取 | 第54-55页 |
| 5.2.2 图像块特征提取 | 第55页 |
| 5.3 字典训练与图像重建 | 第55-57页 |
| 5.3.1 K-SVD算法联合训练高低分辨率字典 | 第55-56页 |
| 5.3.2 投影矩阵计算与图像重构 | 第56-57页 |
| 5.4 实验结果与分析 | 第57-62页 |
| 5.4.1 字典大小对结果的影响 | 第58-60页 |
| 5.4.2 图像块间重叠像素个数对结果的影响 | 第60-61页 |
| 5.4.3 正则化参数对结果的影响 | 第61-62页 |
| 5.5 本章小结 | 第62-63页 |
| 结论 | 第63-65页 |
| 参考文献 | 第65-70页 |
| 取得的科研成果 | 第70-71页 |
| 致谢 | 第71页 |
