闵 锐，杨 学 志，董 张 玉,4，陈 鲸

(1.合肥工业大学计算机与信息学院，安徽 合肥 230009；2.工业安全与应急技术安徽省重点实验室，安徽 合肥 230009；3.合肥工业大学软件学院，安徽 合肥 230009；4.智能互联系统安徽省实验室，安徽 合肥 230009)

0 引言

SAR(Synthetic Aperture Radar)系统[1-3]具备全天时、全天候、多极化等优点，在遥感领域具有重要研究/应用价值，然而受系统设备以及成像过程不可抗干扰等因素影响，实际获取的SAR图像空间分辨率较低，难以满足应用需求。由于SAR系统硬件设备昂贵，目前一般从软件算法方向[4]提升SAR图像空间分辨率，重建后的SAR图像可更好用于目标识别分类[5]、灾害监测[6]等任务。

传统图像重建方法分为三大类：1)基于插值[7]的方法，如最近邻插值[8](Nearest Neighbor Interpolation，NNI)、双线性插值[9]和双三次(Bicubic)插值[10]算法，该类方法主要通过插值函数估计待插值位置像素值以完成图像重建，原理简单、重建速度快，但插值后图像质量较差、缺乏高频信息，导致重建图像纹理粗糙、边缘模糊；2)基于重建的方法，如凸集投影法[11](Projection Onto Convex Sets，POCS)、迭代反投影法[12](Iterative Back Projection，IBP)和最大后验概率法[13](Maximum A Posteriori，MAP)，该类方法旨在通过正则化约束制约解空间，以寻求高分辨率图像近似估计，在图像边缘和细节重建方面比插值算法效果更好，但解不唯一且易受初始值影响；3)基于学习的方法[14]，其核心为以学习的方式获取低分辨率到高分辨率图像的非线性映射关系，通过选取合适的学习方法获取重建模型，与基于重建的方法相比，该类方法通过训练样本获得额外先验知识，在重建图像高频细节信息部分效果更好。……