(完整word版)计算成像

因此，

有必要采

用一种新的方法来增加空间分辨 率，从而克服传感器和光学制造技术的限制。

（

1

）超分辨率重建

图像超 分辨率是指由一幅低分辨率图像或图像序列恢复出高分辨率图像，

高分辨率图像

意味着图像具有高像素密度，可以提供更多的细节，这些细节往往在应用中起到关键作用。

图像超分辨率技术分为超分辨率复原和超分辨率重建。

超分辨率重构的 基本过程为：

先进行

图像退化分析，然后进行图像的配准，最后 根据配准的信息对图像进行重构。目前，

图像

超分辨率研究可分为

3

个主要范畴：

< br>

基于插值、

基于重建和基于 学习的方法。

具体方法有：

规整化重建方法，均匀空间样本内插 方法，迭代反投影方法

(IBP)

，集合理论重建方法

(

凸集

投影

POCS)

，统计重建方法

(

最大后验概率

MAP

和最大似然估计

ML)

，混合

ML/MAP/POCS

方法，

自适应滤波

/

维纳滤波

/

卡尔曼滤波方法，

确定性重建方法基于学习和模式识别的方法。

超分辨率重建，

即通过硬件或软件的方法 提高原有图像的分辨率，

通过一系列低分辨率

的图像来得到一幅 高分辨率的图像。

超分辨率重建的核心思想就是用时间带宽

（获 取同一场

景的多帧图像序列）

换取空间分辨率，

实现时间分辨率向空间分辨率的转换。

在基于超分辨

率 重建的空间分辨率增强技术中，

其基本前提是通过同一场景可以获取多幅低分辨率细节图

像。

在超分辨率重建中，典型地认为低分辨率图像代表了同一场 景的不同侧面，也就是说

低分辨率图像是基于亚像素精度的平移亚采样。

如果仅仅是整数单位的像素平移，那么每

幅图像中都包含了相同的信息，

这样就不能为高分辨率图像的复原提供新的信息。

如果每幅

< br>为了得

到同一场景的不同侧面，

必须通过一帧接一帧的多 场景或者视频序列的相关的场景运动。

我

们可以通过一台照相机 的多次拍摄或者在不同地点的多台照相机获取多个场景，

例如在轨道

卫星一类可控制的图像应用中，

这种场景运动是能够实现的；

对于局部对象移动或者震荡一

类的不可控制的图像应用也是同样能实现的。