图像超分辨率(Super-Resolution)技术研究

最新推荐文章于 2024-09-20 09:25:31 发布

?Briella

最新推荐文章于 2024-09-20 09:25:31 发布

阅读量3.8k

点赞数 1

文章标签：人工智能数据库

原文链接：http://www.cnblogs.com/carsonzhu/p/10860594.html

版权

图像超分辨率(SR)技术旨在从低分辨率图像恢复高分辨率图像，包括基于频域、空域的方法和基于学习的技术。深度学习在SR中的应用，如SRCNN，通过卷积神经网络实现非线性映射，提升图像细节。SR技术广泛应用于图像修复、复原和增强等领域，与图像插值、锐化等技术不同，它可以恢复丢失的高频信息。

摘要由CSDN通过智能技术生成

一、相关概念

1.分辨率

图像分辨率指图像中存储的信息量，是每英寸图像内有多少个像素点，分辨率的单位为PPI(Pixels Per Inch)，通常叫做像素每英寸。一般情况下，图像分辨率越高，图像中包含的细节就越多，信息量也越大。图像分辨率分为空间分辨率和时间分辨率。通常，分辨率被表示成每一个方向上的像素数量，例如64*64的二维图像。但分辨率的高低其实并不等同于像素数量的多少，例如一个通过插值放大了5倍的图像并不表示它包含的细节增加了多少。图像超分辨率重建关注的是恢复图像中丢失的细节，即高频信息。在大量的电子图像应用领域，人们经常期望得到高分辨率（简称HR）图像。但由于设备、传感器等原因，我们得到的图像往往是低分辨率图像（LR）。增加空间分辨率最直接的解决方法就是通过传感器制造技术减少像素尺寸（例如增加每单元面积的像素数量）；另外一个增加空间分辨率的方法是增加芯片的尺寸，从而增加图像的容量。因为很难提高大容量的偶合转换率，所以这种方法一般不认为是有效的，因此，引出了图像超分辨率技术。

2.图像超分辨率

图像超分辨率（Image Super Resolution）是指由一幅低分辨率图像或图像序列恢复出高分辨率图像。图像超分辨率技术分为超分辨率复原和超分辨率重建。目前，图像超分辨率研究可分为 3个主要范畴：基于插值、基于重建和基于学习的方法。