杨 欣 姜 斌 周大可

(1南京航空航天大学自动化学院，南京 210016)

(2北京师范大学遥感科学国家重点实验室，北京 100875)

超分辨率(SR)重建［1］即通过一序列低分辨率(LR)变形图像来估计高分辨率(HR)的非变形图像.这一技术在远程遥感、医学诊断、视频监控以及军事情报获取等方面有着广泛的应用.常见的如最大后验概率法(MAP)［2-4］需要较强的图像先验信息.因此，更多的空间和本地信息被用来进行SR重建，例如，文献［5］提出了基于示例的SR重建算法;文献［6］提出了基于学习的示例可选择SR重建算法等.通常基于学习的方法不需要太多先验知识.文献［7］对LR和HR图像进行相似性分块，提出了基于邻域嵌套的SR重建算法(SRNE);文献［8］提出一种基于邻域嵌套的图像联想方法，这也是由SRNE演化而来;文献［9］在SRNE的基础上对训练集的特征进行分析与选择，提出了基于边缘检测与特征提取的SRNE算法(NeedFS)，取得了较好的效果.上述基于邻域嵌套的各种SR重建方法都存在着相同的缺点，即:训练集中的LR图像是通过HR图像的简单采样所得，且1幅HR图像只对应1幅LR图像，对实际图像退化过程中的模糊过程和仿射变换过程没有任何考虑，这对重建的效果会产生消极的影响.

基于上述分析，本文将图像的退化模型结合到邻域嵌套算法中，训练集中1幅HR图像将对应多幅退化的LR图像，同时提取边缘信息和亮度信息并进行特征融合，有效降低图像噪声，锐化图像边缘.在分块重建时引入了图像重建优化参数(OP)和边缘信息……