【基于超分辨率技术的图像识别技术国内外研究现状文献综述2600字】

1基于超分辨率技术的图像识别技术国内外研究现状文献综述图像超分辨率旨在将一幅低分辨率图像或图像序列恢复出高分辨率图像。二十世纪60年代，超分辨率重建技术这一研究领域诞生于Harries²21和Goodman[23二人对光学系统的研究中，他们为了解决光学系统衍射中所存在的问题，首次提出了利用带限信号外推，重建出超分辨率光学图像。随后Tsai和直到2002年，由Freemanl²51等人提出的基于样例的图像超分辨率重建技术，首次将基于学习的方法应用到此技术中。至此，根据图像超分辨率重建技术在各个不同的基于此项技术的算法上，有了不同的分类。在大体上，图像超分辨率重建分为三个大类，即基于插值的超分辨重建、基于重构的超分辨率重建和基1.1基于插值的超分辨重建基于插值的超分辨率重建技术原理，主要根据低分辨率图像的各像素点的像素值，通过相关的插值计算公式，与待重建的高分辨率图像的像素点之间映射，在周围的位置进行插值像素填充，以达到重建出高分辨率图像的目的。这种方法作为传统的数学方法，在计算复杂度和重建时间上，有着简易，高效，快速的优点，但是所重建出的图像效果的欠缺，无法对于高频信息的复原，仍算出该像素点的值得到一个新的像素值，该方法快速、高效、简洁，但是缺点而双线性插值法则是利用距离原像素点的最近的四个像素点的值，通过水平和垂直两个方向进行公式的插值运算得到该点新的像素值，该方法在原有最2而双三次插值法则在前面两种插值法的原有基础上，对周围各像素点的利用进行了进一步增强，利用原像素点周围邻近的16个像素点的值分别进行三次插值运算，并引入非线性条件重建出更加细腻的高分辨率图像。该方法虽较于前两滑，引起图像失真，对于图像的部分细节也会有丢失，并且还有振铃效应，使基于重构的方法则主要是针对于多帧图像，根据图像的退化模型进行逆运算，需要结合图像的先验知识，通过原图像的场景信息推断进行预测重建出高分辨率图像。该方法分为三个大类，即迭代反投影法、凸集投影法和最大后验迭代反投影法是由IraniMet.al估计图像利用其退化模型下采样得到低分辨率的模拟图像和观测图像，并比较两种图像的误差进行迭代循环更新反投影得到高分辨率图像。凸集投影法的核些集合限定约束着实际的高分辨率图像。将约束集合内的某点作为高分辨率图像的某一个初始估计，这些初始估计会依此迭代向着集合中进行投影，重构出高分辨率图像。而由SchultzRI³21和StevensonR³3提出的最大后验概率法 (maximumaposteriori)则是通过在马尔科夫随机场退化模型下，将多帧低分辨率图像利用MAP算法重构出高分辨率图像，虽然结合引用了图像的先验知识，但对于图像的先验条件过于依赖。总体来说，重构的方法主要是基于观测模型重建，效果虽优于前面的插值法，但是其先验条件约束该方法的性能，重建过程中仍只能还原出部分高频信息，对于模糊和细节问题无法得到妥善的解3还是质量还原上有了很大程度的提升，已成为近些年来研究的热门话题。其原理主要是从低分辨率图像到高分辨率图像的样本图像方式，得到对应的低分辨率图像到高分辨率图像之间的映射关系，由此重建出高分辨率图像。目前基于学习的两种主要重建方法分别是基于稀疏表示的超分给定的超完备字典进行学习由低分辨率图像到高分辨率图像的过程，计算由低分辨率图像上所得的稀疏表示系数，并利用该系数在高分辨率图像库的超完备字典中重建出高分辨率图像。使用该算法主要关注的是字典的学习以及对映射基于深度学习的超分辨率重建算法在近些年来不断更新迭代的图像处理器 (GPU)的技术背景下应运而生，结合当前流行的卷积神经网络的非线性拟合与良好的特征表达等特点。与现有的基于稀疏表示的方法存在本质的区别，没有通过学习字典对图像的空间块建模，而是学习卷积神经网络的隐藏层进行实现由低分辨率和高分辨率图像之间端到端的映射关系，使用更大、更多样化的分辨率重建技术领域，他们将深度学习模型框架结合处理海量数据集的优势，提出了一种以特征提取，非线性映射和重建划分三个网络组成部分的轻量级基的学习模式在超分辨率重建技术上引起了重大反响，大量相关学者对于后续的改进与创新性研究也诞生了一系列优秀的基于深度学习的超分辨率重建算法。取层，可以很好