第1章 緒論
1.1 圖像插值
1.2 圖像超分辨率重建

第2章 多項式圖像插值
2.1 引言
2.2 經典圖像插值算法
2.3 B樣條圖像插值
2.3.1 多項式樣條
2.3.2 B樣條類型
2.3.3 B樣條插值的數字濾波器實
2.4 O-MOMS插值法
2.5 Keys'（雙三次）插值
2.6 多項式圖像插值的問題
2.6.1 振鈴效應
2.6.2 混疊效應
2.6.3 塊效應
2.6.4 模糊效應

第3章 自適應多項式圖像插值
3.1 引言
3.2 低分辨率圖像降質模型
3.3 線性不變空間圖像插值
3.4 有偏距離圖像插值
3.5 權重圖像插值
3.6 迭代圖像插值
3.7 仿真實例

第4章 基于神經網絡的多項式圖像插值
4.1 引言
4.2 ANN基礎知識
4.2.1 神經元
4.2.2 層
4.2.3 連接
4.2.4 權重
4.2.5 激勵規則
4.2.6 激勵函數
4.2.7 輸出
4.2.8 學習規則
4.3 神經網絡結構
4.3.1 多層感知網絡
4.3.2 徑向基函數網絡
4.3.3 小波神經網絡
4.3.4 循環神經網絡
4.4 訓練算法
4.5 神經網絡圖像插值
4.6 仿真試驗

第5章 彩色圖像插值
5.1 引言
5.2 色彩過濾陣列
5.2.1 白平衡
5.2.2 Beyer插值
5.3 拉普拉斯二階矯正的線性插值
5.4 自適應彩色圖像插值

第6章 圖像插值在模式識別中的應用
6.1 引言
6.2 倒頻譜模式識別技術
6.3 特征提取
6.3.1 MFCC系數計算
6.3.2 多項式系數
6.4 基于離散變換的特征提取
6.4.1 離散小波變換
6.4.2 離散余弦變換
6.4.3 離散正弦變換
6.5 基于人工神經網絡的特征匹配
6.6 仿真實例

第7章 圖像插值逆問題
7.1 引言
7.2 自適應*小二乘圖像插值
7.3 LMMSE圖像插值
7.4 *大熵圖像插值
7.5 正則化圖像插值
7.6 仿真試驗
7.7 紅外圖像的插值

第8章 圖像配準
8.1 引言
8.2 圖像配準的應用
8.2.1 不同視角（多視角分析）
8.2.2 不同時間（多時相分析）
8.2.3 不同傳感器（多模型分析）
8.2.4 場景和模型的配準
8.3 圖像配準的步驟
8.3.1 特征檢測步驟
8.3.2 特征匹配步驟
8.3.3 變換模型估計
8.3.4 圖像重采樣和變換
8.4 圖像配準精度的估計

第9章 圖像融合
9.1 引言
9.2 圖像融合的目標
9.3 圖像融合的實現
9.4 像素級圖像融合
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 子帶濾波
9.7.2 分割
9.7.3 脊波變換
9.8 IHS融合
9.9 高通濾波融合
9.10 格蘭施密特融合
9.11 衛星圖像融合
9.12 MR和CT圖像融合

第10章 基于先驗知識的超分辨率重建
10.1 引言
10.2 多觀測LR降質模型
10.3 基于小波的圖像超分辨率重建
10.4 簡化的多通道降質模型
10.5 多通道圖像復原
10.5.1 多通道LMMSE復原
10.5.2 多通道*大熵復原
10.5.3 多通道正則化復原
10.6 仿真實例

第11章 無先驗知識的超分辨率重建
11.1 引言
11.2 問題描述
11.3 二維GCD算法
11.4 盲超分辨率重建方法
11.5 仿真試驗

附錄A 離散B樣條
附錄B 托普利茨一循環近似
附錄C 牛頓算法
附錄D MATLAB？代碼
參考文獻
索引