56、图像超分辨率与代谢工程的研究进展

图像超分辨率与代谢工程的研究进展

图像超分辨率技术

在众多领域，如图像医学成像、卫星成像、多媒体应用、老照片修复、跟踪以及车牌识别系统等，超分辨率图像重建都展现出了巨大的潜力。

有学者开发了基于自适应稀疏域选择（ASDS）和自适应正则化的图像去模糊和单图像超分辨率方法。该方法从高质量样本块数据集中为每个局部块自适应选择预学习字典，利用ASDS提高了稀疏建模的有效性，显著提升了图像恢复效果。同时，通过训练数据集创建自回归（AR）模型集合，用于平滑图像的局部平滑度，并引入图像非局部相似性这一正则化项，利用迭代收缩机制实现该方法。还有学者提出了将自适应稀疏域选择与平滑正则化参数相结合的去模糊方法，为图像的每个小部分自适应分配子字典，并使用平滑正则化参数改善边缘重建。

图像超分辨率技术主要有三种类型：
|方法|算法|处理方式|优点|缺点|
| ---- | ---- | ---- | ---- | ---- |
|基于插值的方法|最近邻插值、双三次插值、双线性插值|根据相邻像素估计新像素，将缺失像素值插入图像以创建高分辨率图像|简单易实现，计算速度快|在低频区域表现良好，但在边缘（高频）区域容易出现模糊和锯齿状伪影|
|基于重建的方法|最大后验、马尔可夫随机场、核引导、总变分|包含图像配准、图像融合和后处理三个步骤|可用于从低质量图像构建高分辨率图像|边缘附近存在小的不连续性和像素损失|
|基于示例的方法|马尔可夫随机场、稀疏编码、高斯过程回归|通过比较外部/内部图像数据库中的图像块来估计高分辨率图像|具有高放大因子|需要庞大的图像数据库，执行时间长，因为测试图像的图像块需要在图像数据库中搜索|

学习型超分辨率重建方法