李丽敏，冉 峰，郭爱英，郁怀波，沈华明

(1.上海大学 微电子研究与开发中心，上海 200444； 2.上海大学 新型显示技术及应用集成教育部重点实验室，上海 200444； 3.上海大学 机电工程与自动化学院，上海 200444)

高分辨率图像(High Resolution, HR)在生活中的诸多领域具有举足轻重的作用，但是由于现有成像系统器件等物理条件的限制，HR图像的获取有一定的难度，其成本也高.图像超分辨率重建(Super-Resolution, SR)技术[1-2]可以很好地解决这个棘手的问题，即用计算机技术通过重构算法来对低分辨率图像(Low Resolution, LR)进行处理，获得相对应的高分辨率图像.SR技术在安全监控、卫星遥感、军事侦查、医学成像和高清视频等领域得到了广泛的应用.

由于应用的需求，LR图像重建出HR图像的方法相继被提出.首先为最简单的基于插值的方法，例如最邻近点插值和双线性插值等，虽然此法计算量小且运算简单，但存在重构图像不够清晰、边缘模糊的问题，从而无法满足实际应用中的质量要求.其次为基于重建的方法通过多帧LR图像反向投影出HR图像,通用的方法有迭代反投影法(Iterative Back Projection, IBP)[3]和最大后验概率估计法(Maximum A Posteriori, MAP)[4]等，其能够重建出较好的图像质量,但这类方法的参数很难估计，所以提高图像分辨率的能力有限，且易产生过度光滑现象.更加有效的方法为基于学习的方法，对大数量的高低分辨率图像样本集进行学习训练，得到HR、LR图像的关系作为先验知识来指导重构[5].机器学习(Machine Learning, ML)[6-7]技术的目的是对低分辨率特征块和高分辨率图像块……