3.1.3 确定性正则化方法    16
    3.1.4 凸集投影法（POCS）    17
    3.1.5 最大后验概率算法（MAP）    17
  3.2 章节总结    17
4 超分辨率算法实现    19
  4.1 算法实现的准备与算法结果的评判标准    19
    4.1.1 图像的平移和旋转    19
    4.1.2 图像的欠采样    20
    4.1.3 添加噪声    21
    4.1.4 低分辨率图像获得    21
    4.1.5 算法结果的评判标准    23
  4.2 确定性正则化算法的实现    25
    4.2.1确定性正则化仿真流程    25
    4.2.2 实验的结果    27
    4.2.3 实验结果分析    29
  4.3 凸集投影法的实现    29
    4.3.1 仿真流程    29
    4.3.2 仿真结果    32
    4.3.3 实验结果分析    33
  4.4 本章总结    33
5 总结与展望    34
  5.1本文的主要工作    34
  5.2 研究展望    34
致谢    35
参考文献    36
1 绪论
1.1 图像分辨率的概念
    声音和图像是人类获取信息的最主要来源。据统计人类接受的信息中75%来自视觉[1]。虽然信息的获取来源有听觉、嗅觉、触觉、觉和视觉等等诸多不同的形式，但是视觉切实其中最为直观、生动、具体的方式。与此同时，视觉也是诸多感官里接受信息量最大的一种。而图像的分辨率就是一个度量图像中所包含的信息量多少的重要概念。可以说单位面积内的采样点数就是图像的分辨率，例如分辨率为1920×1080，即水平和垂直采样点数分别对应是1920和1080。不论人类或者机器，图像的分辨率都是影响视觉效果的重要因素。在很多场合，分辨率都是衡量图像的重要指标。图像分辨率越高就代表了像素数越高，则图像放大后的细节就越精细，提供的信息量也就更加丰富。所以对高分辨率的图像的需求在很多场合都是存在的。例如本文中的铁路监控视频就是如此，因为有需要对铁路上的硬件设施进行监控，或者故障发生时需要及时判断出故障原因等等需求的存在，高分辨率图像的获取一直都是备受瞩目的课题。但是，前端设备具有硬件的局限性，若以监控视频为例，前段采集设备所获取的图像就会因为自身质量、场景干扰、传输距离、传输介质噪声、传感器噪声等等诸多因素的加入，使得实际输出的图像的分辨率降低很多。这样的图片会因细节处模糊不清达不到监控指标。这些无法满足监控需求的案例也使得高分辨图像的价值不断的被提高。
1.2 图像超分辨率重建技术的研究背景及意义
1.2.1研究背景
人眼通过视网膜上的感光细胞感应射入瞳孔的光线，从而人们能看到这个世界，机械设备却是通过成像光学系统和传感器来获得数字图像的。虽然实际应用中对于高清数字图像的需求很迫切，但是在这种成像的过程中不可避免的会受到以下因素的限制：1.图像空间分辨率受到摄录设备其本身的光学成像系统和传感器的制造工艺及成本的限制；2.成像的过程受到了大气模糊、光学模糊、运动模糊、传感器模糊、干扰噪声、光学透镜扭曲变形、不满足奈奎斯特采样条件引起的频谱混叠等因素的影响；3.图像在A/D转换和D/A转换中，带来失真和不同程度的退化。如图1.1中所示的成像过程，展示了高分辨率图像是如何变成设备得到的低分辨率图像的。也正是这些因素的限制，才使得摄录设备没办法输出我们所需要的高分辨图像。 铁路监控视频的超分辨率技术研究(2):http://www.youerw.com/tongxin/lunwen_22291.html