总之，随着超分辨率技术的发展和完善，其应用领域会继续扩大，图像超分辨率处理技术有着较为广阔的发展空间，并且因其良好的应用前景也会吸引人们更多的关注。
1.4 论文内容及主要工作
本文主要研究了灰度图像超分辨重构算法，考虑了图像退化模型已知和未知，有噪声和无噪声等情况，对于提出的每个算法都进行了实验结果分析。在深入研究现有图像超分辨处理技术的基础上，希望提出一些新的思想，引入一些新的方法与途径，来提高图像超分辨率的成像质量。
本文第1章主要介绍了课题的原理及背景和一些经典的超分辨率复原图像的质量，或者提高既有算法的性能和效率。在论文中首先建立超分辨率复原的降质化模型，用软件的方法生成低分辨率观测序列图像，并用基于图像配准的运动参数估计方法对观测序列图像的运动信息进行估计。分析并比较时间域以及空间域的各种超分辨率算法的性能，选取一种较为直接而且有效的算法作为本课题研究的主要算法；第2章主要介绍了经典的超分辨率重建算法，包括超分辨率的概述频域、空间域的方法，以及超分辨率的步骤和图像重建的质量评价；第3章则是着重对两种空间域超分辨率重建算法进行介绍；第4章为对算法的实现与分析；最后是对本文进行了总结，并展望了以后的工作。

2    经典的超分辨率重建算法介绍
低分辨率图像可以看成高分辨率图像经过加权平均和亚采样的结果。加权平均相当于低通滤波，所以高分辨率图像中的某些高频成分在低分辨率图像中已经不复存在。其结果是图像中目标与背景之间或目标内部的对比度降低，图像分辨率目标的能力降低，甚至无非从图像中识别出某些小目标。图像超分辨率就是要在减小采样间隔的同时解除低通滤波产生的模糊，即在放大的图像中再现更多的图像细节。
超分辨率重建技术就是在已知低分辨率图像序列的基础上，重建出更高分辨率图像。为了有一个直观的印象，首先给出一个具体的超分辨率重建的例子。如图1.1所示，上面四幅图像由于在成像过程中受到外部环境及成像设备的影响，使得图像的有用信息很难得到识别，限制了图像所能提供的信息。下面的图像是重建后高分辨率的图像。由这个例子我们可以看出：（1）为了增加图像分辨细节的能力，重建之后的图像要比重建之前的图像要大。（2）各低分辨率图像之间应存在微小的几何形变，才能满足图像间的信息互补这个前提。
 
     图2.1 超分辨率重建实例

使用超分辨率重建技术相比于通过重新采样（例如最近邻插值、双线性插值等）而放大的图像，能获得更好的效果，通过重新采样而放大图像的方法，一般执行的效率比较高，但是在放大的质量上有着明显的缺陷。比如图像细节的丢失、加深锯齿的采样。超分辨率重建中比较容易理解的一种方法是利用一组低分辨率图像序列重建出一幅高分辨率图像。对于一组图像场景变化不大的图像序列来说，这组序列应具有相似但不完全相同的信息，这些不同是由于运动物体产生空间位移而造成的，因此，对于这类图像的超分辨率重建，首先应估计出运动和位移适量，用运动补偿法来估计内插的像素值。
超分辨率图像复原是将多幅图像的退化因素去除后再融合，这需要解决图像的运动估计、退化图像去模糊和去噪声以及对还原后的图像信息进行融合等，超分辨率图像复原是一个病态问题，主要表现在：第一，图像在获取的过程中，噪声严重，观测图像与原始图像严重不一致，无法进行估计，造成无解。第二，由于复原的过程中，约束条件不充分得到的解不是唯一的；第三，图像获取过程中的噪声增加了图像的不确定性，造成解的不连续性。超分辨复原需要处理以下几个问题： MATLAB铁路监控视频的超分辨率技术研究(4):http://www.youerw.com/tongxin/lunwen_2326.html