一种简单的图像超分辨率算法（非深度学习）

这次给大家介绍的是一种基于传统方法的单幅图像超分辨率算法，算法原理和实现过程都很简单。参考文献：《单幅图像超分辨率重建方法及其视觉位移测量应用研究》

我们先看看效果，这是原始高分辨率图像：
这个是经过三次下采样的低分辨率图像，大小是原来的八分之一：
这个是本文超分算法重建后的图像：
具体细节部分，该文章算法：双三次插值：双线性插值：原始图像：
最近邻插值：首先这是一种传统的、非深度学习的超分算法，不需要大量的训练数据集和很多的训练时间。效果相比于经典算法：双线性插值、双三次插值相比各有优劣。但不论如何都可以作为学习中的一种思路。

摘要节选：针对图像的边缘细节增强研宄，提出了一种基于高斯差分空间和拉普拉斯金字塔图像复原的单幅图像超分辨率重建技术，该方法以高斯差分空间中的具有尺度不变性的图像特征作为图像增强材料，在使用拉普拉斯金字塔图像复原过程中替代拉普拉斯金字塔分解图像，在实现图像超分辨率重建的过程中对图像的边缘细节进行增强，由于高斯差分空间的尺度不变性，可以使得重建后图像不会改变其原有的基本特征。同时在特征空间的可以进一步进行去噪处理，实现一定的去噪效果，能够进一步增强原有图像。本文还结合了稀疏表达算法和正则化算法，对原有的单幅及序列图像的超分辨率重建进行增强，相比于原有的算法效果，增强后的图像能够有更高的视觉感知质量。

算法流程图：根据该算法框架，首先我们对输入的低分辨率图像对简单的去噪预处理，剔除明显的噪声信息。然后根据处理后的图像建立其高斯差分空间，其中需要注意的是该空间的建立不是从底层到顶层的计算，而是从顶层经过插值放大滤波向底层逐层的计算。根据拉普拉斯金字塔图像复原理论可以，若已知拉普拉斯分解图像，那么由低分辨率图像可以通过金字塔构造的逆向处理复原到对应分解图像分辨率大小的高分辨率图像，而由于DoG空间图像和拉普拉斯金字塔图像具有相似的带通滤波特性，同样保留了不同频带的图像信息，所以下一步中，我们用DoG空间图像替代拉普拉斯分解图像进行图像的复原操作。

需要代码的同学，关注公众号“快学图像处理”，后台回复“金字塔超分”即可获得matlab代码。本文章仅供学习交流，不可用于商业用途。