最新图像超分辨率重建文献综述(资料)教学讲义ppt
超分辨率图像重建方法综述
超分辨率图像重建方法综述随着图像采集技术的不断发展，高分辨率图像在许多领域的应用越来越广泛。
然而，由于受到成像设备、传输介质等因素的限制，很多时候我们只能获取到低分辨率的图像。
为了克服这一限制，超分辨率图像重建技术应运而生。
本文将综述超分辨率图像重建的基本原理、常用方法及其优缺点，并探讨未来的研究方向。
超分辨率图像重建是指在给定一组低分辨率图像的情况下，通过一定的技术手段重建出高分辨率图像的过程。
这一技术在安全监控、医疗影像、遥感图像等领域的应用尤为广泛。
传统的超分辨率图像重建方法主要包括插值法、边缘保持法、频域法等。
这些方法通常基于图像的统计特性和先验知识，以优化图像的视觉效果和重建出更高分辨率的图像。
然而，这些方法往往受到噪声、运动模糊等因素的干扰，且对初始图像的质量要求较高。
近年来，随着深度学习技术的快速发展，许多研究者将深度学习应用于超分辨率图像重建，取得了显著的成果。
深度学习方法通过学习低分辨率图像与高分辨率图像之间的映射关系，能够更有效地重建出高分辨率图像。
例如，卷积神经网络（CNN）和生成对抗网络（GAN）已被广泛应用于超分辨率图像重建。
卷积神经网络通过训练低分辨率图像与对应的高分辨率图像之间的映射关系，能够实现高分辨率图像的重建。
然而，这种方法需要大量的标注数据，且训练过程较为复杂。
生成对抗网络则通过引入竞争机制，使生成的高分辨率图像更加真实、自然。
然而，GAN的训练过程通常较为不稳定，且需要精心设计的网络结构。
超分辨率图像重建技术已取得了显著的成果，但仍存在一些不足和挑战。
深度学习方法需要大量的标注数据进行训练，而标注数据的获取往往是一项耗时耗力的工作。
目前的超分辨率图像重建方法仍难以处理复杂的场景和噪声干扰，如运动模糊、压缩失真等。
超分辨率图像重建方法的计算复杂度较高，实时性是亟待解决的问题。
未来研究方向方面，我们提出以下几点建议：可以研究更为有效的数据增强技术，以减少对标注数据的依赖。
基于深度学习的图像超分辨率重建技术综述
基于深度学习的图像超分辨率重建技术综述引言在图像处理领域，超分辨率重建技术因为其能够提高图像质量而备受关注。
同时，深度学习技术因其在语音识别、图像识别等领域的出色表现而逐渐被应用于图像超分辨率重建。
本文对图像超分辨率重建技术基于深度学习的研究进行了综述，分析总结了目前的技术研究方向和存在的问题。
第一章超分辨率重建技术概述超分辨率重建技术是指对输入低分辨率图像进行处理，使得图像达到高分辨率的效果。
它因为能够在不添加额外像素的情况下提高图像的清晰度而在图像处理领域中有着广泛的应用。
在计算机视觉和机器视觉技术领域中，超分辨率重建技术不仅能够提高图像的视觉效果，也为机器视觉中的目标检测和跟踪等算法提供了更好的基础。
传统的超分辨率重建技术通常是基于插值算法，其主要思想是通过对低分辨率图像的插值推断得到高分辨率图像。
但是，这种方法会造成图像细节损失，因此需要更加精确的算法来提高图像质量。
第二章基于深度学习的图像超分辨率重建技术深度学习技术作为一种有效的模式识别和数据分析的方法，近年来被广泛应用于图像超分辨率重建任务中。
基于深度学习的图像超分辨率重建技术主要包括以下几种。
2.1 单图像超分辨率重建技术单图像超分辨率重建技术是指仅使用一个低分辨率图像进行超分辨率重建。
它主要包括两种技术：基于图像插值和基于深度学习的技术。
其中，基于深度学习的技术又分为基于回归和基于生成模型两种方法。
基于回归的方法旨在建立低分辨率图像和高分辨率图像之间的映射关系。
其主要思想是训练一个深度神经网络来从输入的低分辨率图像中生成高分辨率图像。
近年来，许多基于回归的算法应用于超分辨率重建任务中，如SRCNN、FSRCNN、VDSR等。
基于生成模型的方法则是通过训练一个生成对抗网络（GAN）来生成高分辨率图像。
相比于基于回归的方法，基于生成模型的方法更能够刻画图像的细节纹理等特征。
包括SRGAN、SISR-GAN，EDSR等算法。
2.2 跨域超分辨率重建技术跨域超分辨率重建技术指的是使用多个低分辨率图像来生成高分辨率图像。
图像超分辨率重建算法研究文献综述
图像超分辨率重建算法研究文献综述图像超分辨率重建是一种通过图像增强技术将低分辨率图像转换为高分辨率图像的方法。
在计算机视觉领域，图像超分辨率重建技术具有广泛的应用，如监控视频分析、医学图像诊断和卫星图像分析等。
本文将对图像超分辨率重建算法的研究文献进行综述，包括传统方法和基于深度学习的方法。
传统方法主要基于插值和信号处理技术，如双三次插值、基于边缘的插值和基于局部统计的插值等。
这些方法主要通过将低分辨率图像的像素进行插值来增加图像的分辨率，但其效果有限。
近年来，基于深度学习的图像超分辨率重建方法取得了显著的进展。
主要有以下几种方法：1. SRCNN（Super-Resolution Convolutional Neural Network）：SRCNN是一种使用卷积神经网络进行图像超分辨率重建的方法。
它通过学习低分辨率图像到高分辨率图像的映射关系来进行重建。
SRCNN模型包括三个卷积层和一个像素重构层，可以在保持高分辨率细节的情况下，有效地提高图像的分辨率。
2. SRGAN（Super-Resolution Generative Adversarial Network）：SRGAN是一种将生成对抗网络应用于图像超分辨率重建的方法。
它通过引入生成器和判别器网络来优化图像重建过程。
生成器网络负责将低分辨率图像转换为高分辨率图像，判别器网络则负责评估生成器网络的输出图像是否与真实高分辨率图像相似。
通过不断迭代训练，SRGAN可以生成更高质量的重建图像。
3. ESPCN（Efficient Sub-Pixel Convolutional Neural Network）：ESPCN是一种高效的子像素卷积神经网络。
它通过将低分辨率图像放大到目标分辨率的多倍，然后使用卷积神经网络来提取高频信息。
相比于其他方法，ESPCN具有更少的网络参数和计算复杂度。
4. EDSR（Enhanced Deep Residual Networks）：EDSR是一种基于残差网络的图像超分辨率重建方法。
医学图像重建PPT课件
一 图像重建概述
不同密度体对射 线的吸收不同
对射线吸收相同的 物体，密度分布不 一定相同
入射线
高密度体
少透射
入射线
低密度体
多透射
入射线
6ห้องสมุดไป่ตู้
222
入射线
6
141
等强度射线穿透不同组织的情况
投影重建时需要一系列投影才能重建图像。
一 图像重建概述
➢ 分类：
➢ 根据被用于图像重建的数据获取方式不同，可以分为透射 断层成像、发射断层成像和反射断层成像。
插值法：
▪ （一）基于图像灰度值的插值方法,如最邻近法、线性插值、样条插值等 ,它是在原始灰度断层图像序列中,补充若干“缺少”的切片,这些插值方 法插值精度不高,产生的新断面通常会出现边缘模糊,由此重建出的三维 真实感图像表面会产生伪像,当断层间距较大时这一点尤其明显. 造成这 种情况的主要原因是这些方法没有考虑到物体几何形状的变化.
二 医学CT三维图像重建
➢ 投影切片定理给出了图像在空间域上对X轴的投影与 在频率域u轴的切片之间的关系。
➢ 如果投影并非是对X轴进行，而是对与空间域的X 轴成 任意的角度θ的方向进行投影，是否频率域上存在与u 轴成相同的θ角度方向上的中心切片与之相等？
➢ 回答是肯定的，二维傅里叶变换的旋转定理。
3) 为了增强三维逼真效果，突出显示不同组织的边界面，可以采样表面 并进行明暗计算。
➢ 根据成像所采用的射线波长不同，可以分为X射线成像、 超声成像、微波成像、激光共焦成像等。
二 医学CT三维图像重建
（1）现实意义
在医疗诊断中,观察病人的一组二维CT 断层图像是医生诊断病情的常 规方式. 现有的医用X 射线CT 装置得到的序列断层图像,虽能反映断层内 的组织信息,但无法直接得到三维空间内组织的形貌(如肺部肿瘤的表面 纹理) 和组织间相互关联的情况,而临床上组织形貌对组织定征(如肿瘤的 恶性或良性判断) 却是十分重要的. 仅靠CT 断层图像信息,要准确地确定 病变体的空间位置、大小、几何形状以及与周围组织之间的空间关系,是 十分困难的.因此迫切需要一种行之有效的工具来完成对人体器官、软组 织和病变体的三维重建和三维显示. CT 三维重建技术就是辅助医生对病 变体和周围组织进行分析和显示的有效工具,它极大地提高了医疗诊断的 准确性和科学性。
《图像重建》课件
利用支持向量机的分类和回归功能，对图像进行特征提取和分类，实现图像的重建和识别。
其他方法
稀疏表示方法
利用稀疏表示理论，通过稀疏基函数对 图像进行表示和压缩，实现图像的重建 和去噪。
VS
插值方法
利用插值算法对图像进行放大、缩小、旋 转等变换，实现图像的重建和修复。
03
图像重建算法
反投影算法
01
反投影算法是一种简单的图像重建算法，其基本思想
是将投影数据反向投影到图像平面上，以重建图像。
02
该算法简单、易于实现，但重建图像的质量较差，容
易出现模糊、失真等现象。
03
适用于对图像质量要求不高的场合，如初步的医学影
像分析等。
滤波反投影算法
滤波反投影算法是在反投影算法 的基础上，通过在投影数据上应 用滤波器来提高重建图像的质量
角色建模、场景渲染等方面，提高游戏的视觉效果和沉浸感。
THANKS
未来发展方向
深度学习与人工智能
随着深度学习和人工智能技术的不断 发展，未来可以通过更先进的算法和 模型实现更高质量的图像重建。
实时图像重建
将不同模态的数据融合到图像重建中 ，可以提高重建结果的准确性和丰富 性。
数据驱动方法
利用大量数据进行训练和优化，可以 进一步提高图像重建的准确性和效率 。
多模态融合
基于梯度域的方法
全变分方法
利用图像的全变分信息，通过梯度下降法等优化算法，对图像进行去噪、增强、修复等处理。
拉普拉斯金字塔方法
利用拉普拉斯金字塔的多尺度、多方向性等特性，对图像进行分解和重构，实现图像的放大、去噪、增强等功能 。
基于学习的方法
深度学习方法
超分辨率图像重建方法综述
超分辨率图像重建方法综述超分辨率图像重建方法综述摘要：随着数字图像技术的迅猛发展，人们对于高质量图像的需求日益增强。
然而，由于各种原因限制，例如硬件设备和网络带宽的限制，很多图像都存在分辨率低、模糊等问题。
超分辨率图像重建技术应运而生，旨在通过图像处理方法将低分辨率图像重建为高分辨率图像，以实现更好的图像质量。
本文将对超分辨率图像重建方法进行综述，包括传统方法、基于插值的方法和深度学习方法，并对各类方法进行比较分析。
一、介绍超分辨率图像重建是一项重要的研究课题，旨在通过一系列的图像处理技术，将低分辨率图像提升至高分辨率图像，以满足人们对于高质量图像的需求。
在近年来，超分辨率图像重建技术得到了广泛的研究和应用，不仅能够改善普通图像的质量，还能在医学影像、监控图像等领域起到重要作用。
二、传统方法传统的超分辨率图像重建方法主要包括插值法、边缘推断法和重建模型法。
插值法是最简单直接的方法，通过对低分辨率图像进行像素插值来增加图像的分辨率。
然而，这种方法容易导致图像出现模糊和失真。
边缘推断法通过根据图像边缘信息进行推断来提高图像分辨率，但在实际应用中对边缘信息的准确性要求较高。
重建模型法则是使用一系列的模型和算法来重建图像，例如自回归模型、小波变换等。
这些传统方法在一定程度上可以提高图像的分辨率，但往往在处理复杂纹理和细节等方面效果有限。
三、基于插值的方法随着深度学习技术的发展，基于插值的超分辨率图像重建方法得到了很大的提升。
这类方法通过构建卷积神经网络模型，学习和捕获图像的高频信息，进而对低分辨率图像进行插值和重建。
此类方法比传统方法更加准确和稳定，能够解决复杂纹理和细节方面的问题。
然而，基于插值的方法对于训练样本的要求较高，且计算量较大。
四、深度学习方法深度学习方法是目前超分辨率图像重建领域的热门研究方向。
通过建立深度神经网络模型，利用大量的样本进行训练和学习，可以有效地提高图像的分辨率。
其中，卷积神经网络（CNN）是最常用的深度学习方法之一。
最新(图像增强技术)第十一章基于回归方法的超分辨率图像复原研究课件PPT
求解问题(11-4),可得(αik,α*ik)。最后得出回归函数：
(11-4)
第十一章 基于回归方法的超分辨率图像复原研究
l
(i1
* i1
)(
xi
•
x)
b1
F(x)
(w1 • x) b1 (w2 • x) b2 ...
i1 l i1
(i2
* i2
)(
xi
• x) b2
目前偏最小二乘法被广泛用于许多领域。它在光谱分析、 药物分析和医药、 水文观测和地质勘查以及市场分析、 金融 等方面有广泛的应用。
第十一章 基于回归方法的超分辨率图像复原研究
偏最小二乘法不同于一般的数据分析方法,它集多元线性 回归分析、 典型相关分析和主成分分析的基本功能于一体。 它可以实现多种数据分析方法的综合应用,因此也被称为第二 代回归方法。偏最小二乘法有如下几个主要特点：
l
(
i1
* i1
)
K
(
xi
•
x)
b1
i1
F ( x )
l
i1
( i2
* i2
)K
(
xi
•
x
)
b2
...
l
i1
(
im
* im
)K
( xi
•
x)
bm
(11-6)
第十一章 基于回归方法的超分辨率图像复原研究
常用的核函数包括线性核函数、 多项式核函数、 径向基 核函数等,它们的形式分别为
第十一章 基于回归方法的超分辨率图像复原研究
图11-2 PLS算法建模示意图
第十一章 基于回归方法的超分辨率图像复原研究
11.2.2 核偏最小二乘法 由于偏最小二乘法是一种线性方法,不能对非线性问题进
图像超分辨率重建算法研究-文献综述
图像超分辨率重建算法研究-文献综述毕业设计（论文）题目：图像超分辨率重建算法研究专业（方向）：电子信息工程文献综述1.引言超分辨率概念最早出现在光学领域。
在该领域中，超分辨率是指试图复原衍射极限以外数据的过程。
T oraldo di Francia在1955年的雷达文献中关于光学成像第一次提出了超分辨率的概念。
复原的概念最早是由J.L.Harris和J.w.Goodman分别于1964年和1965年提出一种称为Harris-Goodman频谱外推的方法。
这些算法在某些假设条件下得到较好的仿真结果，但实际应用中效果并不理想。
Tsai &Huang首先提出了基于序列或多帧图像的超分辨率重建问题。
1982年D.C.C.Youla和H.Webb在总结前人的基础上，提出了凸集投影图像复原(Pocs)方法。
1986年，S.E.Meinel提出了服从泊松分布的最大似然复原(泊松-ML)方法。
1991年和1992年，B.R.Hunt和PJ.Sementilli在Bayes分析的基础上，提出了泊松最大后验概率复原(泊松-MAP)方法，并于1993年对超分辨率的定义和特性进行了分析，提出了图像超分辨率的能力取决于物体的空间限制、噪声和采样间隔。
伴随着计算机技术、信息处理技术和视觉通信技术的高速发展，人类进入了一个全新的信息化时代。
人们所能够获取的知识量呈爆炸式的增长，因此迫切的要求信息处理技术不断的完善和发展，以便能够为人们提供更加方便、快捷和多样化的服务。
数字图像及其相关处理技术是信息处理技术的重要内容之一，在很多领域得到了越来越广泛的应用。
对于数字图像在一些情况下一般要求是高分辨图像，如：医学图像要求能够显示出那些人眼不能辨别出的细微病灶；卫星地面要求卫星图像至少能够辨别出人的脸相；有些检测识别控制装置需要足够高分辨率的图像才能保证测量和控制的精度。
因此提高图像分辨率是图像获取领域里追求的一个目标。
但是通过改善成像装置硬件的分辨力来提高图像的分辨能力是有限的也是不切实际的。
最新(图像增强技术)第十二章基于多分辨率金字塔和LLE算法的人脸图像超分辨率算法PPT课件
第十二章 基于多分辨率金字塔和LLE算法的人脸图像超分辨率算法
图12-3 塔状父结构示意图
第十二章 基于多分辨率金字塔和LLE算法的人脸图像超分辨率算法
L3(I)(m ,n),H 3(I)(m ,n),H 3 2(I)(m ,n),V 3(I)(m ,n),V32(I)(m ,n),K3(I)(m ,n)
本章在匹配复原过程中引入一种新方法,即采用LLE算法 对高频信息进行估计。在Baker算法中输入待复原人脸图像每 一像素点的塔状父结构S3(I)(m,n),用欧氏距离度量,与训练库中 每一幅人脸图像在第3层对应像素点的塔状父结构S3(Ti)(m,n) 进行对比,搜索出与之距离最小的塔状父结构,即
a rg m iinS 3 (I)(m ,n ) S 3 (T i)(m ,n )
L l(I) G G lK ((II)) ,E lX = P K A N D (G l 1(I)), 1l< K
(12-2)
第十二章 基于多分辨率金字塔和LLE算法的人脸图像超分辨率算法
12.1.3 特征金字塔
特征金字塔是对高斯金字塔的对应层进行特征滤波,提取
高频特征信息,其作用是将特征构建金字塔并将特征用于匹配
第十二章 基于多分辨率金字塔和LLE算法的人脸图像超分辨率算法
将最近邻插值算法、 Baker算法、 Cubic B-Spline算法和本章算 法的实验结果进行比较,如图12-5所示。从实验结果的对比中可以看 出：最近邻插值算法、 Cubic B-Spline算法在平滑噪声的同时模糊了 大部分的人脸细节;Baker算法的复原结果边缘有锯齿,生成的人脸图 像在有些部位存在较大的噪声;本章算法复原出的人脸图像噪声较少, 边缘处理比Baker好得多,在保留大部分人脸细节的同时,看上去更加 逼真。
(图像增强技术)第四章超分辨率技术综述
超分辨率重建模型
01
02
03
重建目标
从低分辨率图像中恢复出 高分辨率图像，提高图像 的清晰度和细节表现力。
重建模型
描述超分辨率重建过程的 数学模型，通常包括图像 先验知识、正则化项和优 化算法等。
重建模型的作用
为超分辨率重建提供算法 框架和实现方法，有助于 实现高效、稳定和准确的 超分辨率重建。
重建算法分类与比较
主观评价
通过观察超分辨率重建后的图像质量，如边缘清晰度、纹理细节丰富度、色彩鲜 艳度等方面进行评估。这种方法依赖于观察者的主观感受和经验，具有一定的主 观性和不确定性。
客观评价
采用峰值信噪比（PSNR）、结构相似性（SSIM）等客观指标对超分辨率重建后的 图像质量进行定量评估。这些指标可以衡量重建图像与原始高分辨率图像在像素级 别上的相似度，以及结构信息的保持程度，具有客观性和可重复性。
重建算法性能评估
峰值信噪比（PSNR）
一种客观评价指标，用于衡量重建图像与原始高分辨率图像之间的像素级差异。PSNR值越高，说明重建图像的质量 越好。
结构相似性（SSIM）
一种综合考虑亮度、对比度和结构信息的图像质量评价指标。SSIM值越接近1，说明重建图像与原始高分辨率图像在结构 上越相似。
主观评价
基于学习的方法
利用机器学习或深度学习技术，通过学习低分辨率到高分 辨率的映射关系，实现图像的超分辨率重建，如稀疏编码 、卷积神经网络等方法。
基于重建的方法
通过引入先验知识或正则化项，优化重建过程，如最大后 验概率法、迭代反投影法等，能够较好地保持边缘和纹理 信息。
最新研究进展
近年来，随着深度学习技术的快速发展，基于深度学习的 超分辨率方法取得了显著成果，如残差网络、生成对抗网 络等模型的应用。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
xma p arm gxa [P xx|ry)(]
使用条件概率对上式进行变形、取负对数并舍弃常数项，可得
x m a a pm rx g [ l io x Py g |r x ) (lo Px g )r](
其 常中采，用P的r (MxR)F模高型分使辨图像率的图局像部的在先光验滑模性型和可边以缘由保图持像上的同先时验获知得识了确比定较，好通
基于重建的方法
基于学习的方法
武汉学图像处理与智能系统
实验室
武汉大学图像处理与智能系统实验室
9
基于重建的方法
频域方法 非均匀插值法 迭代方向投影(IBP) 凸集投影(POCS)法 基于概率的方法 正则化方法 自适应滤波方法 盲超分辨率重建
武汉学图像处理与智能系统
实验室
武汉大学图像处理与智能系统实验室
15
凸集映射
符合条件1 所有可能重 构结果集合
凸集
符合条件2 所有可能重 构结果集合
符合条件3 所有可能重 构结果集合
重构结果落在符 合各个条件的集
合交集
凸集对应的映射算子
武汉学图像处理与智能系统
实验室
武汉大学图像处理与智能系统实验室
16
基于概率的方法
包括最大后验概率估计法(MAP)和最大似然估计法(ML) Schultz和Stevenson（1994）提出的MAP方法是典型的概率论方法，他们
的效果，条件概率密度 Pr(y| x) 则由系统的噪声统计量确定
MAP方法的优点在于有惟一解，如果有合理的先验假设可以获得非常好 的图像边缘效果。但是其显著的缺点就在于计算量相对比较大。
武汉学图像处理与智能系统
实验室
武汉大学图像处理与智能系统实验室
17
基于概率的方法
Schulz 和Stevenson（1994）使用了具有边缘保持能力的Huber-Markov 先验来完成超分辨率的MAP估计。而Hardie等人（1997）首先考虑了 图像配准参数和HR图像的联合MAP估计问题。ML方法可以看作没有 先验知识的特殊MAP估计，但由于SR 问题本身是病态的，通常应优 先选择MAP估计。Tom 和Katsaggelos （1995）提出了同时估计LR图 像的亚像素位移、噪声方差和HR图像的ML方法，并通过EM算法求 解。
IBP 算法可以用如下公式来表示：
fn + 1 x ,y = fn x ,y + g k m ,n - g k m ,n H B P m ,n ; x ,y
该方法的特点是：直观、简单、收敛快；但没有惟一的解，难以 利用先验知识，而且选择投影算子HBP是困难的
武汉学图像处理与智能系统
实验室
武汉大学图像处理与智能系统实验室
3
图像失真模型
武汉学图像处理与智能系统
实验室
武汉大学图像处理与智能系统实验室
7
图像失真的数学描述
降采样 模糊 移动 观 测 模 型
（ 退 化 模
型 ）
武汉学图像处理与智能系统
实验室
武汉大学图像处理与智能系统实验室
8
超分辨率重建的方法
超分辨率的概念，最早于上个世纪60年代由Harris提出用于单张影像 的复原，并奠定了超分辨率的数学基础。 1984年，Tsai和Huang首次 提出了利用多帧低分辨率退化图像进行超分辨率重建的问题，随后许 多学者对图像超分辨率重建进行了研究，不仅在理论上说明了超分辨 率重建的可能性，而且还提出和发展了很多具有实用价值的方法。从 目前的研究和应用成果来看，超分辨率重建算法主要分为频域方法、 传统空域重建方法、基于学习（leaning-Based）的方法。早期的研 究工作主要集中在频域中进行，但考虑到更一般的退化模型，后期的 研究工作几乎都集中在空域中进行。基于学习的超分辨率重建方法是 最近十年发展起来的，不仅克服了基于重建的方法在分辨率提高倍数 方面的局限性，而且可以实现单幅图像的超分辨率重建。
POCS 的优点是可以方便地加入先验信息， 可以很好地保持 高分辨率图像上的边缘和细节。缺点是解依赖于初始估计、收敛慢、 运算量大和收敛稳定性不高等。为了提高POCS算法收敛的稳定性， 可以采用松弛投影算子，但松弛投影算子不利于保持图像的边缘和 细节。
武汉学图像处理与智能系统
实验室
武汉大学图像处理与智能系统实验室
10
频域法
1984年，Tsai 和Huang首次提出了序列图像的超分辨率重建问题，并 给出了基于频域逼近的图像重建的方法，其观测模型是基于傅立叶变 换的移位特性。该类方法主要是通过频域消混叠重建来恢复图像的高 频分量。频域法的优点是理论简单，可并行处理。然而运动模型只考 虑到全局运动，局限性大，并且很难引入图像的先验知识来进行高分 辨率图像的重建。
图像超分辨率重建文献综述(论 文资料)
报告内容
超分辨重建（SRR）的概念 研究背景和意义 超分辨重建的分类 超分辨重建的方法 人脸超分辨率重建 下一步的研究计划
武汉学图像处理与智能系统
实验室
武汉大学图像处理与智能系统实验室
2
超分辨率重建
由一幅低分辨率图像或图像序列得到高分辨率图像
武汉学图像处理与智能系统
实验室
武汉大学图像处理与智能系统实验室
14
凸集投影算法( POCS )
凸集投影法是解决超分辨率问题的一类典型算法。Stark和 Oskoui首次（1989）将POCS应用于超分辨率重建，但其采用的运 动模型却假定图像获取时仅存在整体平移，且没有考虑运动模糊 的效果。Patti 等人（1997）提出了同时考虑混叠、传感器模糊、 运动模糊和加性噪声的POCS 方法。 POCS方法中，超分辨率解空 间中可行解的每一个限制条件（如非负性、能量有界性、观测数 据一致性、局部光滑性等），都被定义为一个约束凸集，通过对 代表高分辨率图像性质的约束集求交，即可迭代解得解空间。
武汉学图像处理与智能系统
实验室
武汉大学图像处理与智能系统实验室
13
迭代方向投影法（IBP）
迭代反向投影算法由Irani和Peleg于1991年提出，其基本思想是：将
退化模型生成的低分辨率图像源自gk与输入的低分辨率图像
gk
之
间的差值反向投影到高分辨率图像上, 随着误差收敛, 可以得到相应
的超分辨率重建图像。
武汉学图像处理与智能系统
实验室
武汉大学图像处理与智能系统实验室
11
非均匀插值法
武汉学图像处理与智能系统
实验室
武汉大学图像处理与智能系统实验室
12
处理流程
图像运 动估计
进一步的 去噪、抗 糊化处理
图像合并
像素映射到高 分辨率格点
非均匀插值方法的计算负荷较小，需要假定所有低分辨率图像的噪声和模 糊特征都是相同的，而且在图像复原阶段忽略了插值阶段的误差，因此重 建效果不佳