超分辨率圖像視頻復(fù)原方法及應(yīng)用

第1 章緒論 1
1．1　引言　1
1．2　超分辨率復(fù)原的概念　3
1．3　超分辨率復(fù)原方法分類　7
1．4　超分辨率復(fù)原質(zhì)量的評價　8
1．5　超分辨率復(fù)原技術(shù)的應(yīng)用　9
參考文獻　11
第2　章超分辨率圖像/視頻復(fù)原研究與進展　13
2．1　基于重建的超分辨率復(fù)原方法　13
2．1．1　概述　13
2．1．2　基于頻域的超分辨率復(fù)原方法　14
2．1．3　基于空域的超分辨率復(fù)原方法　15
2．2　基于學(xué)習(xí)的超分辨率復(fù)原方法　23
2．2．1　基于淺層學(xué)習(xí)的超分辨率復(fù)原方法　24
2．2．2　基于深度學(xué)習(xí)的超分辨率復(fù)原方法　29
2．3　視頻超分辨率復(fù)原方法　34
2．4　其他超分辨率復(fù)原方法　38
參考文獻　40
第3　章改進保真項與自適應(yīng)雙邊全變分的正則化方法　47
3．1　相關(guān)工作　47
3．2　圖像觀測模型和代價函數(shù)　49
3．3　Tukey 范數(shù)構(gòu)建保真項和權(quán)值自適應(yīng)BTV 正則化　50
3．3．1　雙邊全變分（BTV）正則化項 ．　50
3．3．2　穩(wěn)健估計與Tukey 范數(shù)函數(shù)　51
3．3．3　Tukey 范數(shù)構(gòu)建保真項結(jié)合權(quán)值自適應(yīng)BTV 正則化方法　53
3．4　超分辨率復(fù)原方法的性能評價　55
3．4．1　標(biāo)準(zhǔn)測試圖像的超分辨率實驗及算法性能評價　56
3．4．2　文本圖像的超分辨率實驗及算法性能評價　60
3．4．3　水面近紅外圖像的超分辨率實驗及算法性能評價　62
3．4．4　使用結(jié)構(gòu)相似性SSIM 指標(biāo)的算法性能評價　63
3．4．5　遙感影像超分辨率實驗及算法性能評價　65
參考文獻　72
第4　章基于像素流和時間特征先驗的視頻超分辨率方法　74
4．1　基于視頻時間的超分辨率問題描述　74
4．2　空間模糊與運動模糊的形成機制　75
4．3　像素流及退化降質(zhì)過程建模　77
4．3．1　關(guān)于像素流　77
4．3．2　像素流退化降質(zhì)過程建?！?9
4．4　時間特征先驗作為解空間約束的像素流超分辨率復(fù)原　80
4．4．1　MAP 估計框架下像素流超分辨率復(fù)原的貝葉斯推理　80
4．4．2　像素流與基于時間特征先驗的建模　81
4．4．3　像素流超分辨率復(fù)原結(jié)果的估計　83
4．5　基于像素流和時間特征先驗建模的時 空超分辨率算法　83
4．6　超分辨率復(fù)原算法性能的評價　86
4．6．1　不同算法對測試視頻的實驗比較及性能評價　86
4．6．2　不同算法對真實視頻的實驗比較及性能評價　96
參考文獻　99
第5　章稀疏字典學(xué)習(xí)與超分辨率復(fù)原　102
5．1　稀疏表示與稀疏字典學(xué)習(xí)　102
5．2　基于稀疏表示的單幀圖像超分辨率方法　105
5．2．1　稀疏表示的局部模型與全局重構(gòu)的約束增強　105
5．2．2　學(xué)習(xí)字典對　108
5．3　基于全局分析性稀疏先驗的超分辨率方法110
5．3．1　相關(guān)工作　110
5．3．2　基于全局分析性稀疏先驗的超分辨率圖像復(fù)原　111
5．3．3　算法性能的評價　116
參考文獻　120
第6　章自適應(yīng)稀疏表示結(jié)合正則化約束的超分辨率方法　123
6．1　引言　123
6．2　非局部自相似先驗的正則化技術(shù)策略　125
6．3　自適應(yīng)稀疏表示和改進的非局部自相似正則化項及SR 算法　126
6．3．1　圖像塊幾何結(jié)構(gòu)信息分析和自適應(yīng)稀疏表示　126
6．3．2　改進的非局部自相似正則化　128
6．3．3　基于自適應(yīng)稀疏表示結(jié)合改進的非局部自相似正則化算法　130
6．4　超分辨率復(fù)原算法性能的評價　133
6．4．1　參數(shù)設(shè)置　134
6．4．2　算法對于不同訓(xùn)練樣本集的穩(wěn)健性實驗及性能評價　134
6．4．3　無噪和加噪情況下的實驗及算法性能評價　136
6．4．4　重構(gòu)計算效率評價　139
參考文獻　140
第7　章卷積神經(jīng)網(wǎng)絡(luò)與超分辨率復(fù)原　143
7．1　卷積神經(jīng)網(wǎng)絡(luò)　143
7．1．1　引言　143
7．1．2　卷積神經(jīng)網(wǎng)絡(luò)基本原理　145
7．1．3　前向傳播與反向傳播　156
7．2　圖像/視頻樣本數(shù)據(jù)集　158
7．3　基于卷積神經(jīng)網(wǎng)絡(luò)的超分辨率復(fù)原　160
7．3．1　基于深度的卷積神經(jīng)網(wǎng)絡(luò)的超分辨復(fù)原方法　161
7．3．2　基于高效的亞像素卷積神經(jīng)網(wǎng)絡(luò)超分辨率復(fù)原方法　63
7．3．3　基于深度遞歸卷積網(wǎng)絡(luò)的超分辨率復(fù)原方法　164
參考文獻　167
第8　章 ESPCN 超分辨率技術(shù)在車輛牌照識別中的應(yīng)用　169
8．1　引言　169
8．2　基于ESPCN 的單幀車輛圖像超分辨率復(fù)原　172
8．2．1　構(gòu)造車輛 車輛牌照圖像數(shù)據(jù)集和訓(xùn)練集及測試集　172
8．2．2　單幀車輛圖像超分辨率的ESPCN-VI 模型　173
8．3　車輛圖像超分辨率復(fù)原算法的性能評價　177
8．3．1　使用常規(guī)定量指標(biāo)的算法性能評　177
8．3．2　使用車輛牌照識別正確率指標(biāo)的算法性能評價　180
參考文獻　183
第9　章光流法結(jié)合ESPCN 的視頻超分辨率方法　185
9．1　關(guān)于光流法　185
9．2　光流法幀間運動估計與ESPCN 模型　188
9．2．1　視頻超分辨率復(fù)原過程　188
9．2．2　光流法相鄰幀間運動估計結(jié)合ESPCN 的模型結(jié)構(gòu)　191
9．3　視頻幀的超分辨率性能評價與分析　192
9．3．1　數(shù)據(jù)集及參數(shù)設(shè)置　192
9．3．2　算法性能的評價　195
9．4　幀分辨率與幀率的擴增　199
9．4．1　視頻幀超分辨率與插幀技術(shù)　200
9．4．2　視頻超分辨率實驗與分析　201
參考文獻　205