一、意义
随着互联网技术的不断发展，在人们的日常生活中图像变得越来越重要，从平时生活的表情包到专业的高分辨率图像各种各样的图像充斥着人们的生活。而在医学方面，高分辨率的图像显得尤为重要，因为对于病人而言一个致命的病变往往是很细小的，如果没有高分辨率的图像供给医生观察那么对于病情的诊断将会产生很大的影响。
二、常用方法
高分辨率的图像获取具有两种常用的方法，一种是直接利用高性能的硬件设备获取，另一种是利用计算机软件算法的方式将低分辨率图像重建为高分辨率图像。第一种方法虽然获取图像具有直接性和方便性，但是往往伴随着很高的成本，同时高分辨率的图像有时也不利于传输和存储。这就使得第二种方法的具有了长远的应用前景。超分辨率重建是指在硬件成本不增加的前提下，根据已有的一帧或多帧低分辨率图像利用数字图像处理的相关技术重建一帧高分辨率的图像的过程。现在已经广泛应用于视频监控、医学影像处理、高清视频等领域。
三、图像超分辨重建方法：
1.基于插值的图像超分辨重建。
这种方法是三种重建方法中最为直观快速的方法。大致可以划分为线性和非线性两大类。线性插值的方法比较经典的有最近邻插值、双线性插值、双三次插值等[1][2]。其原理简单，易于实现，但是也有很明显的不足就是该方法重建后的图像质量较差，在图像边缘及高频部分经常会出现模糊、锯齿现象和振铃效应。不能有效的恢复原始图像的高频细节信息。非线性插值方法在效果上相较线性而言有所提升。可以分为样条插值和基于边缘的插值两种。样条插值使用不同的样条函数进行插值可以显著的提升效率，如三次卷积插值、三次样条插值等[3][4]。基于边缘的插值方法解决了线性方法中不能有效的恢复边缘信息的问题，其是利用原低分辨率图像对重建后的图像进行边缘估计。
2.基于重建的图像超分辨重建。
基于重建的超分辨方法是通过构建合理的数学建模来模拟图像的退化模型， 并在退化模型上添加不同的正则化约束项来合理的制约解空间Ｗ 获得高分辨率图像。从本质上讲， 就是将超分辨率重建问题转换为求带有约束条件的目标函数最优解的问题[5]。正则化约束项一般选择关于原始ＨＲ 图像的平滑约束项， 基于重建的超分辨方法就是利用这些正则项作为ＨＲ 图像的先验知识引入Ｓ民重建的过程中。在求解该类型的工程中目标函数的处理一般有迭代优化算法求解如梯度下降法，共轭梯度法等等。而该类型的经典方法有：最大后验概率法、迭代反投影法、凸集投影法等[6-8]。最大后验概率法首先构建ＨＲ 图像和ＬＲ 图像之间对应的条件概率方程式，然后通过引入图像结构先验信息， 噪声先验信息Ｗ 及条件概率项得到一个带有约束条件的方程，最后求解方程即可得到边缘效果较佳的ＨＲ 图像。迭代反投影法，首先根据输入的ＬＲ 图像的初始估计出ＨＲ 模似图像， 这里的初始估计通常使用插值来获得，然后计算两幅图像的相对误差值并进行反投影， 然后不断迭代更新ＨＲ 模拟固像，当迭代收敛或者达到最大迭代次数时得到最后的ＨＲ 图像。基于重建的超分辨重建相较于基于插值的方法能够较好的保持图像的边缘结构。然而由于一个低分辨率的图像可由多个图像降质来获得，这就导致了重建出的HR图像一般都是病态的问题。当图像重建倍数过大时候，由于受到正则约束的限制，图像的质量往往会不仅如人意。
3.基于学习的图像超分辨重建
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
