王一宁，秦品乐，李传朋，崔雨豪

(中北大学 大数据学院，太原 030051)(*通信作者电子邮箱qpl@nuc.edu.cn)

0 引言

在成像、传输、转换、存储等过程中往往由于受到成像设备、外部环境等不利因素的影响使得人们获取到的图像通常是降质图像。降质意味着图像中有用信息的丢失，图像超分辨率(Super Resolution， SR)技术将低分辨率(Low Resolution, LR)图像重建出高分辨率(High Resolution, HR)图像，在医学成像、卫星成像、面部识别和监视[1-5]等领域有着广泛的应用。

目前图像超分辨率方法大致可分为3种：1)基于插值的方法。如最近邻插值(bilinear)[6]和双三次插值法(bicubic)[7]。最近邻插值法由于插值规律过于简单，易出现方块效应和边缘锯齿效应。双三次插值法比最近邻插值法运算复杂度稍高，但图像边缘的平滑度得到了提升。这两种方法的共同优点是算法简单易于实现而且运算速度快，缺点是仅仅用到局部的像素点计算得到插值点的像素值，因此无法修复图像的高频细节，得到的超分辨率图像清晰度有限。2)基于重建的方法。该类方法又分为频域法和空域法两大类。频域法通常通过消除频谱混叠现象以提升图像的分辨率，但可用到的先验知识有限。空域法具有很强的空域先验约束的能力，比较代表性的是凸集投影法(Projection Onto Convex Set, POCS)[8]、迭代反投影法(Iterative Back Projection, IBP)、最大后验概率估计法(Maximum A Posterior, MAP)、混合MAP/POCS法等。3)基于学习的方法，是近年来研究的热点。它通过学习大量的高分辨率图像得到学习模型，然后对低分辨率图像进行重建时，通过将模型中的先验知识充分结合到低分辨率图像上，从而得到具有丰富高频信息的重建图像。……