| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题背景及意义 | 第10页 |
| 1.2 国内外研究概况 | 第10-12页 |
| 1.3 主要技术发展趋势 | 第12-14页 |
| 1.3.1 数字全息技术 | 第12页 |
| 1.3.2 全息图像超分辨率重建技术 | 第12-13页 |
| 1.3.3 压缩感知理论 | 第13-14页 |
| 1.4 本课题的主要研究内容及结构安排 | 第14-16页 |
| 第2章 平台搭建及全息图像采集系统设计 | 第16-24页 |
| 2.1 全息图像采集 | 第16-18页 |
| 2.2 全息图像再现 | 第18-20页 |
| 2.3 再现像去噪处理 | 第20-22页 |
| 2.3.1 HRO算法消除零级项 | 第20-21页 |
| 2.3.2 TIE相位恢复 | 第21-22页 |
| 2.4 本章小结 | 第22-24页 |
| 第3章 全息图像超分辨率重建方法研究 | 第24-31页 |
| 3.1 频域法 | 第24-26页 |
| 3.2 空域法 | 第26-30页 |
| 3.2.1 迭代反向投影法（IBP） | 第26-27页 |
| 3.2.2 最大后验概率估计法（MAP） | 第27页 |
| 3.2.3 凸集投影法（POCS） | 第27-28页 |
| 3.2.4 正则化方法 | 第28-29页 |
| 3.2.5 图像质量评价 | 第29-30页 |
| 3.3 本章小结 | 第30-31页 |
| 第4章 基于CS和CNN的全息超分辨率重建算法 | 第31-46页 |
| 4.1 基于压缩感知理论的全息图像超分辨率重建算法 | 第31-39页 |
| 4.1.1 压缩感知理论（CS） | 第31-33页 |
| 4.1.2 稀疏字典训练过程 | 第33-34页 |
| 4.1.3 自相似块匹配 | 第34-36页 |
| 4.1.4 压缩感知重构过程 | 第36页 |
| 4.1.5 实验结果 | 第36-39页 |
| 4.2 基于卷积神经网络的全息图像超分辨率重建算法 | 第39-45页 |
| 4.2.1 像素超分辨率重构 | 第40-42页 |
| 4.2.2 CNN系统设计 | 第42-43页 |
| 4.2.3 CNN训练及参数设置 | 第43-45页 |
| 4.2.4 实验结果 | 第45页 |
| 4.3 本章小结 | 第45-46页 |
| 第5章 全息超分辨重建方法的应用 | 第46-49页 |
| 5.1 全息超分辨率应用于医学，生物学领域研究 | 第46-47页 |
| 5.2 全息超分辨率重建应用于信息安全领域研究 | 第47-48页 |
| 5.3 本章小结 | 第48-49页 |
| 结论 | 第49-50页 |
| 参考文献 | 第50-55页 |
| 攻读硕士学位期间所发表的学术论文 | 第55-56页 |
| 致谢 | 第56页 |