陈书贞 解小会 杨郁池 练秋生

(燕山大学信息科学与工程学院, 河北秦皇岛 066004)

1 引言

图像超分辨率算法的目标是通过低分辨率图像来重建高分辨率图像。图像超分辨率在图像处理和计算机视觉中有着很重要且广泛的应用，在医学诊断[1]、卫星遥感[2]等领域都有着非常重要的应用。图像为人们提供了可视化的直观信息，其质量的好坏直接影响识别、检测及分类等操作[3]。图像的分辨率是评价图像质量的重要指标，主要反映了图像所含信息量的多少[4]。图像的分辨率越高，所含信息量就越多，视觉效果也越好，它对于视频监控、医学诊断等有着极其重要的作用。

图像超分辨率重建由Harris等人在1964年首次提出[5]，之后有许多学者对其进行了深入研究。由于图像超分辨率重建是由低分辨率图像来重建高分辨率图像，所以超分辨率重建是图像处理中典型的病态反问题[6]。单幅图像超分辨率算法大体上可以分为两大类[7]：一类是基于插值的方法，一类是基于学习的方法。基于插值的超分辨率算法[8-9]比较简单，容易实现，但是对于重建质量较高的图像纹理和细节信息存在一定的困难。目前主流的基于学习的方法大致有三大类：基于稀疏表示的学习算法[10-11]、基于近邻嵌入的学习算法[12-14]和基于深度学习的算法[15-20]。基于稀疏表示的方法是通过学习高、低分辨率图像块的过完备字典来重建高分辨率图像。基于近邻嵌入的学习是利用图像特征空间上的结构相似性，对低分辨率图像块及其在特征空间上最近邻的图像块进行学习，以此来重建对应的高分辨率图像。……