| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第15-27页 |
| 1.1 图像超分辨率重建的研究背景 | 第15-18页 |
| 1.2 图像超分辨率重建的研究意义 | 第18-19页 |
| 1.3 图像超分辨率重建的理论依据 | 第19-21页 |
| 1.4 图像超分辨率重建的研究现状 | 第21-24页 |
| 1.4.1 国内外主要研究方向 | 第22-23页 |
| 1.4.2 国内外主要研究机构 | 第23-24页 |
| 1.5 论文的主要工作和内容安排 | 第24-27页 |
| 第二章 图像超分辨率重建 | 第27-48页 |
| 2.1 图像的数学模型 | 第27-33页 |
| 2.1.1 图像的分辨率 | 第27-28页 |
| 2.1.2 图像的特征 | 第28-29页 |
| 2.1.3 图像的类型 | 第29-30页 |
| 2.1.4 图像的退化模型 | 第30-33页 |
| 2.2 图像增强、图像复原和图像插值 | 第33-34页 |
| 2.3 影响图像超分辨率重建的因素 | 第34-37页 |
| 2.3.1 先验知识 | 第34-36页 |
| 2.3.2 心理学和生理学因素 | 第36-37页 |
| 2.4 图像超分辨率重建的常用算法 | 第37-43页 |
| 2.4.1 基于重构的超分辨率重建 | 第38-42页 |
| 2.4.2 基于学习的超分辨率重建 | 第42-43页 |
| 2.5 图像超分辨率重建质量评价标准 | 第43-47页 |
| 2.5.1 主观质量评价 | 第43-44页 |
| 2.5.2 客观质量评价 | 第44-46页 |
| 2.5.3 主观和客观质量评价相结合 | 第46-47页 |
| 2.6 本章小结 | 第47-48页 |
| 第三章 基于Cycle-Spinning的图像超分辨率重建 | 第48-76页 |
| 3.1 傅里叶分析和小波分析 | 第48-53页 |
| 3.1.1 傅里叶分析 | 第48-52页 |
| 3.1.2 小波分析与多分辨率分析 | 第52-53页 |
| 3.2 吉布斯现象 | 第53-58页 |
| 3.2.1 吉布斯现象的物理解释 | 第53-56页 |
| 3.2.2 吉布斯现象的数学分析 | 第56-58页 |
| 3.3 伪吉布斯现象 | 第58-62页 |
| 3.3.1 伪吉布斯现象的物理描述 | 第58-59页 |
| 3.3.2 伪吉布斯现象的数学分析 | 第59-62页 |
| 3.4 Cycle-Spinning方法 | 第62-64页 |
| 3.4.1 吉布斯现象的消除 | 第62页 |
| 3.4.2 Cycle-Spinning方法 | 第62-64页 |
| 3.5 基于Cycle-Spinning的图像超分辨率重建 | 第64-65页 |
| 3.6 CSSR算法的基本思想 | 第65-69页 |
| 3.6.1 逆平移运算 | 第66页 |
| 3.6.2 平移方向和平移量 | 第66-69页 |
| 3.6.3 取平均运算 | 第69页 |
| 3.7 CSSR算法的具体实现 | 第69-74页 |
| 3.7.1 仿真条件 | 第69-70页 |
| 3.7.2 实现过程 | 第70-72页 |
| 3.7.3 性能评估 | 第72-74页 |
| 3.8 本章小结 | 第74-76页 |
| 第四章 基于Lipschitz正则化的图像超分辨率重建 | 第76-94页 |
| 4.1 小波分解框架 | 第76-78页 |
| 4.1.1 小波变换模极大值 | 第76-77页 |
| 4.1.2 不同尺度间的相关性 | 第77-78页 |
| 4.2 Lipschitz正则化 | 第78-83页 |
| 4.2.1 Holder正则化 | 第79页 |
| 4.2.2 Lipschitz正则化 | 第79-81页 |
| 4.2.3 Lipschitz正则化的理论基础 | 第81-82页 |
| 4.2.4 Lipschitz正则化的应用实例 | 第82-83页 |
| 4.3 梯度先验 | 第83-86页 |
| 4.3.1 梯度先验的数学描述 | 第83-84页 |
| 4.3.2 梯度轮廓的参数表示 | 第84-86页 |
| 4.4 LLGP算法的基本思想 | 第86-87页 |
| 4.5 LLGP算法的具体实现 | 第87-93页 |
| 4.5.1 仿真条件 | 第88页 |
| 4.5.2 实现过程 | 第88-91页 |
| 4.5.3 性能评估 | 第91-93页 |
| 4.6 本章小结 | 第93-94页 |
| 第五章 基于ANN学习的图像超分辨率重建 | 第94-114页 |
| 5.1 学习样本库 | 第94-95页 |
| 5.2 自相似性原理 | 第95-99页 |
| 5.2.1 冗余图像块 | 第95-97页 |
| 5.2.2 自相似性 | 第97-99页 |
| 5.3 ANN | 第99-105页 |
| 5.3.1 ANN的描述 | 第99-100页 |
| 5.3.2 ANN模型的建立 | 第100-103页 |
| 5.3.3 ANN模型的研究 | 第103-105页 |
| 5.4 SS-ANN算法的基本思想 | 第105-106页 |
| 5.5 SS-ANN算法的具体实现 | 第106-113页 |
| 5.5.1 仿真条件 | 第106-107页 |
| 5.5.2 实验过程 | 第107-108页 |
| 5.5.3 性能评估 | 第108-113页 |
| 5.6 本章小结 | 第113-114页 |
| 第六章 总结与展望 | 第114-116页 |
| 6.1 主要贡献和创新点 | 第114页 |
| 6.2 工作展望 | 第114-116页 |
| 缩略语 | 第116-118页 |
| 参考文献 | 第118-130页 |
| 攻读博士学位期间的科研成果 | 第130-131页 |
| 致谢 | 第131页 |
