超分辨率入门

        超分辨率（Super-Resolution），简称超分（SR）。是指利用光学及其相关光学知识，根据已知图像信息恢复图像细节和其他数据信息的过程，简单来说就是增大图像的分辨率，防止其图像质量下降。就是将低分辨率 (low resolution, LR) 的图像通过算法提升到高分辨率 (high resolution, HR)。相较于低分辨率图像，高分辨率图像拥有更大的像素密度和更丰富的纹理细节，具备更高的可信赖度。

超分辨率算法分类

目前，超分辨率方法主要分为三类：基于插值的方法、基于重构的方法和基于学习的方法。

* 基于插值的方法

        插值法通过在图像原有的像素周围插入新像素来加大图像的尺寸，并给这些像素赋值，从而恢复图像内容，达到提高图像分辨率的效果。 *像素：组成图像的最基本单元要素，即点，每个像素点都有自己的颜色值，单位面积上像素点越多，图片越清晰。

* 基于重构的方法

        基于重构的超分辨算法，通常是用多幅在同一场景下拍摄的低分辨率图像作为输入，然后对这些图像的频域或空域关系进行分析，通过引入先验信息对重建过程进行指导和约束，进而重建得到单张高分辨率图像。

• 频域：是指信号在频率域上的特征。
• 空域：是指信号在空间上的分布情况。
• 先验信息：这种信息是在「试验之前」就已有的，一般可理解为领域知识。

* 基于学习的方法

        基于学习的超分辨率方法，通常是利用大量的训练数据，通过学习低分辨率图像和高分辨率图像之间的映射关系，预测低分辨图像中丢失的高频细节信息，从而生成超分辨图像。

基于浅层学习的方法主要包括机器学习、流形学习、样本学习和稀疏编码等，可用于数据量较小的情况。

基于深度学习的方法可以分为基于卷积神经网络的 SR 方法、基于残差网络 (residual network, ResNet) 的 SR 方法和基于生成对抗网络 (generative adversarial networks, GAN) 的 SR 方法。

先验知识：

        先验知识是指在进行学习或推理之前，已经具备的关于问题领域的先前知识或经验。它是在之前的学习、实践或观察中获得的知识，可以是来自领域专家的专业知识、先前研究的结果、规则或常识性的知识等。

  eg1：:在应用卷积神经网络之前，传统的图像滤波器已经得到了很好的发展，每个图像滤波器代表了领域知识的沉淀。例如:Sobel滤波器是一个离散差分算子，它可以提取图像边缘信息以进行边缘检测;Schmid滤波器表示的是各向同性的圆形算子，可以从图像中提取纹理信息以进行骨折检测:Gabor滤波器的频率和方向与人类视觉系统的频率和方向相似，因此Gabor滤波器可以提取纹理信息和边缘信息以进行人脸检测。图像滤波器使用领域知识来处理相关任务，但无法直接通过数据中自动学习更改参数值，他们的最佳参数值都是通过人类的实验经验进行调试得到的。根据传统的图像滤波器的特性，将图像滤波器嵌入到卷积神经网络进行后续的任务，具有很重要的意义。

eg2：