总结帖子
https://blog.csdn.net/weixin_30730053/article/details/99076595?depth_1-utm_source=distribute.pc_relevant.none-task&utm_source=distribute.pc_relevant.none-task
在总结中,首先提到了图像梯度:
其一是图像梯度知识
参考了帖子
https://blog.csdn.net/saltriver/article/details/78987096
言简意赅
关键点:图像即是函数,可以通过求导来求其某一方向上的变化率(即图像灰度变化得明不明显)
其二是先验
我在阅读一些概率论和深度学习入门的书籍时虽然能够理解书本中论述的基本概念,但当阅读论文时却傻了眼,明白了作者的操作过程,却不知道这一步的操作原理和目的,是一件十分痛苦的事情。
这里参考了帖子:https://blog.csdn.net/zbwgycm/article/details/81187774
首先明白了先验的作用:传统的超分辨技术都是借助于先验知识,利用优化的方法重建高分辨率图像。
同时也需要构造局部先验,来抑制振铃现象。
振铃现象在图像处理中的概念:图像处理中,对一幅图像进行滤波处理,若选用的频域滤波器具有陡峭的变化,则会使滤波图像产生“振铃”,所谓“振铃”,就是指输出图像的灰度剧烈变化处产生的震荡,就好像钟被敲击后产生的空气震荡。
以上为迭代优化之前的部分概念整理