单幅图像超分辨率重构技术

目录
第1章 绪论 1
1.1 研究背景及意义 1
1.2 研究现状与发展趋势 2
1.2.1 国内外研究现状 2
1.2.2 发展趋势及展望 5
1.3 本书的主要贡献 6
1.4 本书的结构安排 8
参考文献 9
第2章 数字图像超分辨率处理简介 13
2.1 图像分辨率的基本概念 13
2.2 图像分辨率的退化模型 14
2.3 超分辨率处理的基本原理 16
2.4 超分辨率处理的基本分类 16
2.4.1 根据输入图像数量分类 17
2.4.2 根据操作对象所在域分类 17
2.4.3 根据模糊核假设分类 17
2.4.4 根据理论基础分类 18
2.5 本章小结 19
参考文献 20
第3章 图像稀疏表示理论及应用 23
3.1 信号稀疏表示理论 24
3.1.1 信号的稀疏表示模型 24
3.1.2 稀疏表示的字典构建 27
3.1.3 稀疏表示的分解算法 31
3.2 基于稀疏表示的图像处理应用 33
3.2.1 正则化图像处理 33
3.2.2 稀疏表示图像处理 34
3.3 基于压缩感知的图像超分辨率重构 37
3.3.1 压缩感知基本原理 37
3.3.2 压缩感知与图像超分辨率 38
3.4 本章小结 39
参考文献 39
第4章 基于插值技术的超分辨率重构方法 44
4.1 常见的图像插值算法 44
4.1.1 传统多项式插值技术 44
4.1.2 面向边缘的插值技术 53
4.1.3 基于机器学习的插值技术 56
4.2 插值算法的主要问题 57
4.3 基于密切多项式近似的多项式插值理论 58
4.3.1 密切多项式近似理论 58
4.3.2 导数近似规则 59
4.3.3 导数近似边界条件 60
4.3.4 密切多项式插值框架的作用 62
4.4 数值试验与理论分析 65
4.4.1 空间域分析 65
4.4.2 频率域分析 67
4.5 本章小结 69
参考文献 69
第5章 基于模型/重构的超分辨率重构方法 71
5.1 常见的模型/重构算法 71
5.1.1 基于先验模型的图像超分辨率 72
5.1.2 基于概率模型的图像超分辨率重构 74
5.1.3 基于偏微分方程的图像超分辨率重构 75
5.2 重构算法的主要问题 78
5.3 基于泰勒展开式与曲率逆向驱动的超分辨率算法 78
5.3.1 基于泰勒展开式的预处理 79
5.3.2 基于曲率逆向驱动的后处理 81
5.3.3 等照度线曲率的计算 83
5.3.4 数值实验与理论分析 83
5.3.5 算法小结 86
5.4 曲率驱动的类双线性快速图像插值 87
5.4.1 类双线图像插值模型 87
5.4.2 图像灰度曲面曲率 88
5.4.3 曲率驱动的图像插值算法设计 90
5.4.4 实验与分析 94
5.4.5 算法小结 101
5.5 本章小结 101
参考文献 101
第6章 基于机器学习的超分辨率重构技术 104
6.1 常见的机器学习算法简介 104
6.1.1 样本学习 105
6.1.2 邻域嵌入 106
6.1.3 稀疏表达 107
6.1.4 深度学习 109
6.2 学习算法的主要问题 111
6.3 基于盲模糊核估计的机器学习方法 112
6.3.1 改进的盲模糊核估计算法 113
6.3.2 基于对偶词典训练的超分辨率重构 115
6.3.3 基于锚定空间映射的超分辨率重建 117
6.3.4 数值试验与理论分析 119
6.4 本章小结 129
参考文献 129
第7章 基于稀疏表示的图像超分辨率重构技术 133
7.1 离线字典学习与匹配追踪稀疏表示的图像超分辨率重构 133
7.1.1 基于稀疏表示的超分辨率重构模型 134
7.1.2 基于匹配追踪的信号稀疏表示 134
7.1.3 超完备稀疏表示的离线式字典学习 136
7.1.4 基于超完备稀疏表示的超分辨率重构 140
7.1.5 实验仿真与分析 141
7.1.6 算法小结 150
7.2 在线字典学习与盲稀疏分解的图像超分辨率增强 150
7.2.1 图像超分辨率增强模型 151
7.2.2 基于盲稀疏度的稀疏分解 151
7.2.3 基于在线学习的图像超分辨率增强 153
7.2.4 实验仿真与分析 155
7.2.5 算法小结 162
7.3 字典级联与逼近L0范数稀疏表示的图像超分辨率重构 162
7.3.1 问题描述 163
7.3.2 超完备字典的构建与级联 163
7.3.3 光滑逼近L0范数的稀疏表示 165
7.3.4 图像超分辨率重构 167
7.3.5 实验仿真与分析 167
7.3.6 算法小结 173
7.4 本章小结 173
参考文献 174