超分辨率重建研究现状及趋势论文

随着数字图像技术的发展，人们对图像质量的要求越来越高。我们总希望能在最低的代价下得到尽可能多的信息。图像分辨率越高，越清晰，就能带给人们越多的信息。可是由于成像系统受物理硬件设施的限制或保存、传输的需要，常常是以低分辨率的方式采集、保存和传输图像。同时，这些低分辨率图像常常伴有退化变形或者噪声污染。低分辨率图像的视觉效果难以满足人们需要。直接克服各种硬件技术上的瓶颈，需要改善物理硬件设施的配置，这样就使得获取高分辨率图像的代价增大，成本增高。显而易见，通过数字图像的算法分析与处理技术，将低分辨率图像的清晰化或超分辨率化，是一种理想的、方便快捷、低代价的数字图像处理式，具有非常广阔的应用前景。实际上，现有的一些图像超分辨率算法，已经得到了初步的应用，如视屏监控的后期处理等等。其未来在网络、医学图像等方面的应用前景广泛。本论文系统回顾了超分辨率技术的相关理论和经典算法。目前在超分辨率研究有两个主要的研究方向：多帧图像融合下的超分辨率图像重构和单帧低分辨率图像的超分辨率化。我们详细介绍了在这些研究领域的历史发展、研究现状，以及各种数值算法。

来自论文：Deep Learning for Image Super-resolution: A Survey 图像超分辨率指的是从低分辨率图像中恢复高分辨率图像的过程。这项技术在现实世界中有广泛的应用，例如医学图像、监控与安全等，除了提升图像感知的品质，也有助于提升其他计算机视觉任务。总的来说，这个问题是非常具有挑战性和不适定性的，因为总是有多张高分辨率图像对应于单张低分辨率图像。在文献中，各种经典的超分辨率方法都有，包括基于预测的方法，基于边缘的方法，统计方法，基于修补的方法，以及稀疏表示方法等。近些年深度学习技术的快速发展，使得基于深度学习的超分辨率模型已经具有了最佳表现，大量深度学习方法被应用于解决超分辨率任务，从早期的SRCNN到最近的SRGAN。总的来说，深度学习超分辨率算法之间各不相同，主要是由于下面几个主要的方向：不同类型的网络结构，不同类型的损失函数，不同类型的学习原则和策略等。我们的工作与现有其他人的调查不同在于我们只专注于基于深度学习的超分辨率技术。 2.1 问题定义 图像超分辨率指的是从低分辨率图像中恢复相应的高分辨率图像。一般来说，低分辨率图像可以被看成是高分辨率图像退化而得的。退化过程一般认为的有两种模型，一种是简单的下采样操作。另外一种是几个操作的结合，包含产生的高分辨率图片与原图之间的损失函数，以及正则项和比例参数。我们的目的正是为了研究超分辨率模型，将相应的高分辨率图像恢复出来。 2.2 图像超分辨率的数据集 2.3 图像质量评估

首先超声系统分辨率的定义是指辨别两种物体、两种组织或两个目标的能力，定义为在显示器上刚好能区分开的两点靶间距的实际距离。距离越小，分辨率越强。同时还有一个相似的概念叫分辨力，为靶间距的实际距离的倒数。横向分辨率（又称径向分辨率或方位分辨率）描述了沿着与波束轴线垂直的、波束截面扫描方位上的分辨率。纵向分辨率（又称距离分辨率或者轴向分辨率）是指沿着波束轴线方向的分辨率。不太清楚问题中关于超声声束的高度的定义。关于影响两个分辨率的因素，简述如下：横向分辨率：超声波束的宽度。就是指垂直于声束轴线截面的横向分辨尺寸。由于超声波是扩散的。在近场区，波束宽度大致等于换能器的直径；在远场区，波束扩散，随距离增大而增大。因而横向分辨率随深度增加而下降。纵向分辨率：脉冲宽度。在超声系统中一般都采用脉冲回声技术，发射声波为单位脉冲信号。如果一个回波A和另一个回波B刚好不重叠时，那么A和B在图像上就刚好能区分开来。系统带宽、工作频率、超声衰减对纵向分辨率也有影响。纵向分辨率(axial resolution)： 分辨纵向(超声波传播方向)两个最接近目标(物体)的能力，其取决于脉冲长度(pulse length)，脉冲长度越短，纵向分辨率越高。纵向分辨率 = 脉冲长度/2 = (脉冲周期数 * 波长) / 2。因此，减少发射脉冲的周期数或者减少超声波波长均可提高纵向分辨率。这也是提高超声探头(换能器)的中心频率(超声波波长减少，超声波波长=声速*周期=声速/频率)，就可提高纵向分辨率的原因。