图像超分辨率技术及其应用

第1章 绪论
1.1 图像插值
1.2 图像超分辨率重建

第2章 多项式图像插值
2.1 引言
2.2 经典图像插值算法
2.3 B样条图像插值
2.3.1 多项式样条
2.3.2 B样条类型
2.3.3 B样条插值的数字滤波器实
2.4 O-MOMS插值法
2.5 Keys'（双三次）插值
2.6 多项式图像插值的问题
2.6.1 振铃效应
2.6.2 混叠效应
2.6.3 块效应
2.6.4 模糊效应

第3章 自适应多项式图像插值
3.1 引言
3.2 低分辨率图像降质模型
3.3 线性不变空间图像插值
3.4 有偏距离图像插值
3.5 权重图像插值
3.6 迭代图像插值
3.7 仿真实例

第4章 基于神经网络的多项式图像插值
4.1 引言
4.2 ANN基础知识
4.2.1 神经元
4.2.2 层
4.2.3 连接
4.2.4 权重
4.2.5 激励规则
4.2.6 激励函数
4.2.7 输出
4.2.8 学习规则
4.3 神经网络结构
4.3.1 多层感知网络
4.3.2 径向基函数网络
4.3.3 小波神经网络
4.3.4 循环神经网络
4.4 训练算法
4.5 神经网络图像插值
4.6 仿真试验

第5章 彩色图像插值
5.1 引言
5.2 色彩过滤阵列
5.2.1 白平衡
5.2.2 Beyer插值
5.3 拉普拉斯二阶矫正的线性插值
5.4 自适应彩色图像插值

第6章 图像插值在模式识别中的应用
6.1 引言
6.2 倒频谱模式识别技术
6.3 特征提取
6.3.1 MFCC系数计算
6.3.2 多项式系数
6.4 基于离散变换的特征提取
6.4.1 离散小波变换
6.4.2 离散余弦变换
6.4.3 离散正弦变换
6.5 基于人工神经网络的特征匹配
6.6 仿真实例

第7章 图像插值逆问题
7.1 引言
7.2 自适应*小二乘图像插值
7.3 LMMSE图像插值
7.4 *大熵图像插值
7.5 正则化图像插值
7.6 仿真试验
7.7 红外图像的插值

第8章 图像配准
8.1 引言
8.2 图像配准的应用
8.2.1 不同视角（多视角分析）
8.2.2 不同时间（多时相分析）
8.2.3 不同传感器（多模型分析）
8.2.4 场景和模型的配准
8.3 图像配准的步骤
8.3.1 特征检测步骤
8.3.2 特征匹配步骤
8.3.3 变换模型估计
8.3.4 图像重采样和变换
8.4 图像配准精度的估计

第9章 图像融合
9.1 引言
9.2 图像融合的目标
9.3 图像融合的实现
9.4 像素级图像融合
9.5 主元分析融合
9.6 小波融合
9.6.1 DWT融合
9.6.2 DWFT融合
9.7 曲波融合
9.7.1 子带滤波
9.7.2 分割
9.7.3 脊波变换
9.8 IHS融合
9.9 高通滤波融合
9.10 格兰施密特融合
9.11 卫星图像融合
9.12 MR和CT图像融合

第10章 基于先验知识的超分辨率重建
10.1 引言
10.2 多观测LR降质模型
10.3 基于小波的图像超分辨率重建
10.4 简化的多通道降质模型
10.5 多通道图像复原
10.5.1 多通道LMMSE复原
10.5.2 多通道*大熵复原
10.5.3 多通道正则化复原
10.6 仿真实例

第11章 无先验知识的超分辨率重建
11.1 引言
11.2 问题描述
11.3 二维GCD算法
11.4 盲超分辨率重建方法
11.5 仿真试验

附录A 离散B样条
附录B 托普利茨一循环近似
附录C 牛顿算法
附录D MATLAB？代码
参考文献
索引