图像超分

引自： https://www.heywhale.com/mw/notebook/5dd2709c00b0b900365ef37b

 

那么我们已经知道6 x 4新图中6个已知的点（绿色），下面只需要求剩余18个点（蓝色）的值即可。通过某个点周围若干个已知点的值，以及周围点和此点的位置关系，根据一定的公式，算出此点的值，就是插值法。如何把原图像的点摆放在新图中（确定具体坐标）；未知的点计算时，需要周围多少个点参与，公式如何。不同的方案选择，就是不同的插值算法。图像处理中，常用的插值算法有：最邻近元法,双线性内插法,三次内插法等等。但是实际上，通过这些插值算法，提升的图像细节有限，所以使用较少。通常，通过多幅图像之间的插值算法来重建是一个手段。另外，在视频超分辨重建中，通过在两个相邻帧间插值添加新帧的手段，可以提升视频帧率，减少画面顿

 

基于重建的图像超分辨率

基于重建的方法通常都是基于多帧图像的，需要结合先验知识。有如下方法：

• 凸集投影法（POCS）
• 贝叶斯分析方法
• 迭代反投影法（IBP）
• 最大后验概率方法
• 正规化法
• 混合方法

基于学习的图像超分辨率

机器学习领域（非深度学习邻域）的图像超分方法如下：

• Example-based方法
• 邻域嵌入方法
• 支持向量回归方法
• 虚幻脸
• 稀疏表示法

基于深度学习的图像超分辨率重建技术

基于深度学习的图像超分辨率重建的研究流程如下：

1，首先找到一组原始图像Image1；

2，然后将这组图片降低分辨率为一组图像Image2；

3，通过各种神经网络结构，将Image2超分辨率重建为Image3（Image3和Image1分辨率一样）

4，通过PSNR等方法比较Image1与Image3，验证超分辨率重建的效果，根据效果调节神经网络中的节点模型和参数

5，反复执行，直到第四步比较的结果满意

 

两种常用的评价超分的指标——PSNR和SSIM

对SR的质量进行定量评价常用的两个指标是PSNR(Peak Signal-to-Noise Ratio)和SSIM（Structure Similarity Index）。这两个值越高代表重建结果的像素值和标准越接近。

1、PSNR（Peak Signal to Noise Ratio）峰值信噪比：
MSE表示当前图像X和参考图像Y的均方误差（Mean Square Error），H、W分别为图像的高度和宽度