图像超分辨率重建方法中边缘增强和深度学习方法研究
摘要
随着时间的发展和科学技术的进步，人们在生活和工作中不断产生和依赖大量信息，因此对信息质量的需求也不断增加，尤其是在视觉感觉信息之后。但是，在实际应用中，由于相机本身的物理限制，例如视觉设备，处理器性能，存储空间等的限制，以及对实际环境的干扰，人们收到的图像会退化为某些图像。程度。如何改善当前设备条件下获得的图像，提高图像的图像分辨率，满足人们对图像的感官需求，已成为图像程序研究的重点。但是，归根结底，基于图像原始属性的保留，使用了图像重建技术来尽可能增加图像信息。在此基础上，本文研究了高斯差分的图像特性。它结合了拉普拉斯金字塔恢复技术和特征增强技术，实现了简单有效的图像分辨率叠加过程，可以极大地提高图像质量和视觉感知度，并使用此方法进一步结合和完善精细化的技术，重建高分辨率。本文的主要内容如下：（1）以超分辨率的形式讨论重建技术的研究现状，以超分辨率的形式解释重建的理论基础，详细解释分布式的基本概念。表示理论和规则算法，数学模型和图像应用。 （2）针对图像的细节研究，提出一种图像作为基于高斯伪像和拉普拉斯金字塔图像重建的高分辨率重建技术。该方法利用高斯空间中的尺度不变性，将图像属性用作图像增强材料，以替代拉普拉斯金字塔图像恢复过程中的拉普拉斯金字塔退化图像，并在实现超分辨率图像重建的过程中增加图像细节的边缘。由于高斯差异的差异，尺寸不变可能会导致重建的图像不改变其原始基本特征。同时，可以在特征空间中进一步执行拒绝以实现某些拒绝效果，这可以进一步增强原始图像。本文还结合了稀有表达算法和规则算法，以增加对原始简单图像和序列的超分辨率的重构，与原始算法相比，放大后的图像具有更直观的视觉感受。 （3）针对超分辨率图像在视觉测量中的使用效果，提出了一种新的图像传输测量系统，该系统可以直接在图像测量中进行计算。将重构图像的测量结果与原始低分辨率图像进行比较。测量结果的增强效果可以直接表明图像位移测量中图像分辨率重建阶段的准确性。
关键词:超分辨率，稀疏表示，正则化，高斯差分，图像复原，视觉测量，位移测量

Abstract
目录
1 绪论 2
1.1 研究背景及意义 2
1.2 研究内容 6
1.3 国内外研究现状 6
1.3.1基于插值的方法 7
1.3.2基于重建的方法 7
1.3.3基于学习的方法 9
1.4 论文结构 12
2 相关理论和技术 13
2.1 基于超分辨率重建的图像退化模型 13
2.2 基于学习超分辨率算法的基本流程 15
2.3 决策树与卷积神经网络 16
2.4 实验数据集 20
2.5 基于超分辨率重建图像的质量评价 21
2.5.1图像质量主观评价 21
2.5.2 图像质量客观评价 22
2.6 超分辨率重建的基础理论 22
2.6.1 图像退化模型 23
2.6.2 病态特性分析 23
2.6.3 超分辨率重建的理论依据 23
2.7 深度学习 24
2.8 本章小结 29
3 基于稀疏表示和正则化的图像超分辨率重建 30
3.1边缘增强概念 30
3.2基于稀疏表示的单幅图像超分辨率重建 32
3.2.1基于稀疏表示的超分辨率重建模型 32
3.2.2基于过完备稀疏表示的联合字典训练 34
3.2.3实验结果及分析 35
3.3序列图像的超分辨率重建 38
3.2.1序列图像超分辨率重建模型 38
3.2.2双边全变分正则化重建技术 40
3.2.3实验结果及分析 42
3.4 深度学习模型 44
4基于梯度提升的图像超分辨率算法研究 48
4.1边缘增强模型 48
4.2梯度提升 49
4.2.2梯度提升模型 49
4.3基于梯度提升的图像超分辨率算法研究 50
4.3.1多输出梯度树提升模型 50
4.3.2算法的基本思想 50
4.3.3算法实现细节 51
4.4实验结果及分析 52
4.4.1参数优化 53
4.5本章小结 53
5基于深度可分离卷积的图像超分辨率算法研究 54
5.1 前言 54
5.2 Xception模型与密集连接网络 54
5.2.1 Inception模块 54
5.2.4 密集连接网络 55
5.3基于深度可分离卷积与密集连接的图像超分辨率模型 56
5.3.1系统结构图 56
5.4实验结果及分析 57
5.5本章小结 57
6总结与展望 58
6.1总结 58
6.2展望 58
致谢 60
参考文献 60

1 绪论
1.1 研究背景及意义
随着社会的发展和科学技术的进步，人们对各种信息的需求在增加，信息的高度互动是现代社会的重要组成部分。图像信息由于其信息丰富，易于存储和传播以及对症状的强烈感知，已成为人类最重要的信息来源之一。现代社会科学技术的发展意味着光学图像采集系统的硬件和存储设备正在自然地得到改善，计算机中的图像处理技术也在迅速发展。这就是为什么人们希望在使用图像和视频（例如高清壁纸和4K电影）时总是使用更高分辨率的图像的原因。但是，需要非常高质量的硬件和相当稳定的环境条件才能生成高质量和高质量的图像和视频。在实际获取和处理图像信息时，将受到许多限制，例如照相机本身的质量，照相机镜头的质量和焦距，环境的质量和稳定性，系统的性能。因此，时域的改善通常基于图像序列，并且通过插入帧来提高图像帧速度。空间分辨率增强主要集中在单个图像的重建上，利用图像处理技术重建一个或多个低分辨率图像，以在接近实际环境的情况下重现原始的高分辨率图像，从而增强人们对图像的视觉冲击力。图像分辨率的结构已在许多领域证明了其价值，例如高清电视，医学成像，航空和卫星图像，遥感和监视图像。本章将首先分析重建技术在图像分辨率方面的研究背景和意义，并分析其当前的应用价值和在各个领域的可能应用前景。还将从不同的角度介绍超分辨率重建技术的发展以及国内外的研究现状，最后简要解释本章的主要工作和安排。在图像处理中，首先要做的是准备要处理的图像，并由视觉系统收集这些图像，尽管也有一些尝试模拟算法的尝试，但人们还是使用计算机来创建所需的图像。 ，例如校准图等，但它们并不典型，我们将重点放在实际收集的图像的最常见处理上。这些图像中的信息将由人们进行处理，以便在原始图像的基础上进行数据分析或进一步处理。因此，为了获得更准确的分析结果或更好的处理结果，人们需要处理更高质量的基本图像。因此，需要提高利用光学图像系统获得的图像的质量。。
因此CCD传感器今天正在逐渐被替换。尽管近年来这种类型的传感器已得到不断改进和优化，但是随着对视频节目的需求不断增加，其限制仍在减弱。根据对图像采集系统的了解，我们可以获得的图像质量不仅取决于图像传感器的尺寸和密度。光学仪器的采样频率，相机镜头的质量和性能，道路中间的各种噪声的传输能力和存储以及干扰都是影响最终图像质量的因素。因此，无论环境和处理器如何，提高图像分辨率的一般方法是考虑拍摄系统的前端，即相机和镜头，因此有两种常见的方法，一种是“增大”密度或图像芯片的面积，但增加密度将减少图像接收的光量，并且其对发射噪声的免疫力将显着降低，从而信噪比将降低，从而导致显着最终图像中的噪声增加[f21。瓷砖表面积的增加也将提高其效率，因此，难以解决加速荷载传递的问题。另一个是改善和增加镜头的焦距和光圈，例如，小型天文观测系统和航空摄影系统将使用具有大光圈的镜头来提高图像的空间分辨率，但这种视觉系统将成为人们关注的焦点。诸如视觉和加工技术之类的技术问题。但是在民用领域，具有大光圈的镜片不适合存放和使用，过高的价格也会导致它们失去民用领域的市场。由于光学照相系统的局限性，通过对图像系统进行改进而获得更高分辨率图像的方法不适用于获取传统图像。单纯的电子技术和制造业的发展导致计算机技术的进步，并使图像处理技术也发挥着越来越重要的作用。因此，人们开始考虑使用计算机图像处理技术来提高图像的分辨率，这种思想所产生的图像处理技术就是超分辨率的重建技术。图像分辨率重建技术基于已知或获取的低分辨率图像，使用计算机图像处理技术提取有关低分辨率图像的相关信息和图像的先验知识，以尽可能多地获得原始图像的高频。该技术的基础是将图像作为二维信号处理的信号处理技术。通过使用图像处理来提高图像分辨率，可以以低成本获得高分辨率图像，而无需修改原始图像系统，因此不适合长期广泛使用。但是，图像分辨率重建技术可以更准确地识别人脸，文本，汽车号码等物体，如图1.1所示（来自互联网）。它可以帮助交通部门和安全机构获得更清晰的图片，帮助发现非法车辆和犯罪嫌疑人，并更好地维护公共秩序以及法律和纪律。

图1. 1图像超分辨率重建技术用于文字处理
(2)在医疗诊断领域，许多病例是由监视医学图像的医生判断的。 对于医生来说，照片的清晰度在判断情况时非常重要。 例如，很难在低分辨率图像中区分初始损坏部分和正常部分。 空间小。 高分辨率图像重建技术可以使这些低分辨率图像重建更详细的部分并提供更准确的伤害信息，如图1.2所示（来自Internet）。协助医生做出更准确的诊断，并协助医疗行业的发展和人类健康的维持。

图1.2 图像超分辨率重建技术用于医学影像图像
(3)在遥感和雷达成像领域，在在军事行动中，军方将使用卫星和雷达进行遥感，以对敌人进行大规模侦察和监视。
(4)在多媒体领域，数字设备（如数码相机，手机，笔记本电脑和电视）上显示的图像质量直接决定了产品用户的体验。图像分辨率重建技术不仅可以处理原始图像以获得最佳显示效果，而且可以提高设备质量。缩放效果，可以提供更清晰，更方便的图像质量，增强用户的视觉体验。

图1.3 华为P30手机使用超分辨率算法实现视场融合变焦(DxOMark)
(5)在人工智能领域，随着独立驾驶和无人机的发展，智能机器对成像系统的需求越来越大。清晰的图像可以为中央处理系统提供准确的数据和信息，以便进行处理和判断，以确保稳定且准确的机器操作。高分辨率图像重建技术可以提供更高分辨率的图像，满足后续处理操作的需求，并使智能设备更加准确和无差错。
通过各种行业的应用分析，可以知道图像分辨率的重建技术在这些行业中具有广泛的应用可能性，值得进一步研究。在实际应用中，快速，高效，简单，方便的方法具有更大的实际应用价值。考虑到这一点，本文基于高斯差异的空间变异性和拉普拉斯金字塔图像重建技术，在单个图像中提出单个超分辨率。并且通过使用所提出的方法对单个图像重建方法的分散表示和重建方法的规则序列进行优化，结果可以获得具有更多视觉感知的图像。最后，我们探索了图像分辨率技术在视觉测量领域的潜在副作用，并为图像分辨率重建提供了新的评估策略和应用前景。
1.2 研究内容
当前，高分辨率图像重建主要用于单图像重建和顺序图像重建。 -提出了一种改进的稀疏编码结构和规则方法，提出了图像分辨率，基于高斯差分边界的极好的分辨率重建方法和拉普拉斯图像复原方法。
1.3 国内外研究现状
超分辨率的概念最初是由Toraldo在1955年提出的，然后，科学家建议在卫星图像处理过程中以超分辨率重建图像。由于当时的技术条件，这种方法没有实用价值，因此图像的超分辨率汇率技术并没有引起人们的关注。直到1980年代，计算机科学的发展引发了图像处理技术的一场革命，高分辨率图像图像重新回到了科学家的眼中。蔡和黄提出了一种基于图像[} s]的超分辨率重建方法，然后Hung} 6等人提出了多种实用的重建方法，并证明了超分辨率的理论可能性。在此基础上，越来越多的学者开始研究图像分辨率技术在学术和应用领域的价值，这正逐渐将图像分辨率技术变成计算机图像处理领域的热点。
1.3.1基于插值的方法
从最直观的角度来说，图像是像素值的空间二维分布。因此，后来许多学者研究了高分辨率和低分辨率图像之间的关系，以提高插值重建的效果。 ），我[20]等。结合一对图像对进行基于图像的空间平滑度的插值重建，可以恢复更多的频率信息，达到满意的效果。 Atkins 等提出了一种称为新生儿分辨率的图像分离方法，该方法通过分类处理低分辨率图像中的像素并进行重构。同样，Wang [22]也通过使用区块链处理获得了更好的图像边缘。 Dai [23]和Sun [2a]等。使用背景/前景照明和渐变照明作为图像的先验知识，这也可以使图像边缘更清晰。这些研究还证实，更好地利用图像的先验知识可以重建高分辨率的更好图像。因此，国内学者逐渐加入了插值算法，例如程光全，朱宁等。 [2s-2}}使用了波动和微分方程，可以提取更多信息并将其应用于高分辨率插值图像的重建。。
1.3.2基于重建的方法
基于重建的方法正是吸取了插值方法的经验，希冀将更多的先验知识纳入重建过程中去。实际图像是可以捕获的最高分辨率图像，并且图像处理涉及退化因素，例如模糊，失真，下采样和噪声干扰。基于恢复的方法是求解或建立图像系统的处理模型，并使用该模型对低分辨率的获取图像进行反转。模型的逆输出等效于图像系统的输入，该图像系统是高分辨率的相应图像。根据不同的处理方法和所使用的先前知识，结构方法可以分为频域方法和空间域方法。这种类型的方法主要旨在从顺序图像中复制高分辨率图像（许多图像是从同一场景中重复收集的）。
(1)从频域的角度看待图像的超分辨率重建就是恢复图像中的高频信息，频带法的基本思想是通过消除顺序图像中频谱的混叠频率来恢复图像的高频信息，从而提高图像的陆地分辨率。该算法还是用于分辨率重建序列的早期处理的基本算法。例如，在1984年，蔡（Tsai）等人。有关图像序列之间的运动的比例信息，以获得图像频谱中的高频信息，这是通过使用域频率来实现的别名，从而完成了图像高分辨率的重建。
(2)空域法正是弥补了频域法的缺陷，低分辨率图像模型不仅在图像处理中包括各种降级元素，而且在超分辨率重建过程中还结合了图像各个局部域的先前知识，多通道采样插值Ur [3o]等。并权衡下一个插值Alam [3}]等。但是，简单的信息连接并不全面。基于模糊和噪声在图像采集过程中的影响，已经提出了各种复制优化算法以及先前受限的图像以提高再现图像的质量。迭代反向投影（IBP）由Irani [3z]等人提出。重复投影的基本思想是使用已确认的降级模型从先前渲染的高分辨率图像中模拟低分辨率图像。 ，最后获得符合错误要求的恢复结果。尽管重复的反转方法很简单，但它不能呈现图像的先验知识，其解决方案也不是唯一的。
凸集投影(POCS, Projection Onto Convex Sets)法是由Stark[33]和更多。建议用于超分辨率的重建。凸投影法需要根据图像的先验知识预先定义高分辨率图像的凸约束，在所有约束集的交点处选择一个点作为近似高分辨率图像，然后投影近似图像。指向约束集。可以获得符合相应限制的高分辨率图像。该算法简单易实现，但是其解决方案仍然不是唯一的。尽管有一些改进的方法[34] [35]}，但应用仍然受到限制。最大后验概率（MAP）方法由SC11u1tZ [36]等提出。它使用统计方法来处理重构的高分辨率图像，该图像可以根据所选的先前模型来实现最大概率。学者经常使用许多复合模型作为先验模型[38-44]来获得估计的结构结果。但是就效率和利用率而言，存在一个两面的总体变体模型，Farsiu等人。已经提出了更好的建议，它仍然是通用的应用模型。但是，这种方法计算量大，无法实现实时应用。 ML-POCS最大投影投影集凸集（ML-POCS最大投影投影集集）最早由Elad等人应用，通过将最大概率作为MAP算法的另一种情况，将凸集投影属性限制在成本上。 MAP算法的功能，使用统计方法来最小化和优化以及按顺序高分辨率重建图像的过程。这种合并算法的方法为其他人开辟了思路，并不断提出结合不同统计模型和凸投影的算法[47-50]，该算法可以利用更高级的图像先验知识来获得更高质量的重建效果。以上算法全部用于重建高分辨率串行图像。优点是，他们可以将相框之间的往复运动连接用作信息补充。例如Jun [si]，Dai [22]等尝试使用预模型和统计关系，但是仍然存在缺陷，就是复制图像的纹理区域无法有效恢复。
1.3.3基于学习的方法
近年来，由于计算机设备的飞速发展，计算机性能和存储空间的提高使得机器学习迅速发展，基于机器学习的深度学习已成为图像处理领域的最热门方向。可用，这也带动了图像分辨率重建技术的发展。根据早期对一张图像的重制，它更多地依赖于插值算法，最重要的是，可以使用的先验知识太少了。除了对图像本身的先前了解之外，高分辨率图像和低分辨率图像之间仍然存在一些差异。某些连接可以用作图像重建的限制，例如其他连接是否成功。并且，如果这种知识足够丰富，可以远远超出图像本身的先前知识，则可以通过简单地依赖于相应图像之间的连接，从低分辨率图像中以高分辨率来解析相应图像。基于研究的方法主要基于这一思想的实现。特别是，它使用机械工程学原理将相应的高分辨率和低分辨率图像用作训练数据，以学习并建立高分辨率和低分辨率图像之间的映射关系。这种基于学习的方法是从示例中学习，因此恢复成功的质量取决于培训和学习是否可以获取更多的先验知识。由于机械算法的不断发展，基于学习的图像重建算法也不断得到改进[sa]，并且由于一个图像的适应性，学者们认为它是最有希望的重建方法。。
基于学习的重建方法，它源自Freeman [s3-sa]等人的典型学习方法（k-NN} k-NearestNeighbor）。建议。基本思想是首先对选定的高分辨率和低分辨率图像进行分块，然后使用马尔可夫网络和贝叶斯信念传播算法创建概率转移模型，以学习高分辨率和低分辨率图像块之间的关系，从而完成学习的模型用于超分辨率结构。尽管结果并不令人满意，但证明了该算法的有效性，随后的改进[55-56]更加成功。根据他们的成功，人们开始尝试不同的模型以在高分辨率和低分辨率图像之间建立联系，并学习和训练结构。如何使用更好的模型来模拟这种联系以获得更多的信息已成为结构方法学习方法的研究重点。根据不同的模型建立，结构学习活动分为几类：线性回归模型；线性回归模型；线性回归模型；线性回归模型。研究邻域属性的模型，稀有模型模型和神经网络模型。回归模型在图像映射过程中使用空间线性回归属性，最初，Kim [s}]使用了缩放模型（KPP）模型，随后对He和Siu [sa]进行了其他改进。人们可以提出高斯方法回归模型（GPR），蒂莫夫特[s9]等人提出并改进ANR <A +）[} 0]算法的特殊锚定邻域重播模型（ANR）。 -高分辨率重建质量，但是这种类型的重建模型对噪声干扰更敏感，并且对复杂图像的价值不高。基于邻里特征研究的模型主要受到流形学习方法的启发。此方法不需要大量的数据库培训。自己的视频学习方法意味着它具有更好的泛化能力，并且对噪声不敏感。但是，可以选择图像单位尺寸或邻域尺寸。还需要精简学习和培训方法以及地区一体化的方法。结果，Chang，Zhang [62-} z}等学者继续提出优化算法，以提高邻域的质量。但是，不可能优化适合图像的邻域大小的选择，这很容易导致学习过度或学习不足。。
基于稀疏表示的图像模型进行的学习型算法是在图像稀疏表示理论发展成熟的结果。未修改图像的理论认为，图像可以由字典原子（例如一维符号）的线性组合组成。根据该理论，人们只需要在具有高和低分辨率映射信息的完整字典对上训练高和低，然后他们就可以轻松地从低分辨率图像的不良图像中重建相应的高分辨率图像。 Yang [3wa]等人首先提出了一种通用的字典训练方法，以完成对完整字典对的研究，并在组合形状空间中实现图像的稀有表示。但是，这种方法在学习算法上仍然存在一个普遍的问题，即不能完全保证受过训练的词典在测试屏幕上的成功。毕竟，在学习和训练期间对应于高分辨率和低分辨率测试图像的拥塞关系不能相等。由于测试胶片之间的关系，这种不平衡将使重建精度低于预期。因此，许多学者对改进的词典学习算法进行了研究，虽然可以在一定程度上缓解这一问题，但尚未完全解决。例如，Zeyde [} s}等。与KSVD字典学习算法一起，提出了第二类字典训练方法。 Dong}} 6-} s]o.fl。将自动操作模型作为标准概念引入，以建立统一的变体框架。金}} 9] o.fl.在以超分辨率重建单个图像之前，使用了很少的回归和自然图像。 Mallat} g0] o.fl.用稀有的复合食品配制超溶液。 Nandi} g}] o.fl.连同散布的表示理论和使用的加权功能来实现多个图像帧的分辨率的重建。后来，在特殊应用中的超分辨率图像的重建中也包括了分散表示，例如多学科图像，对比图像和深度图像。} S2-sem]其独特的表示空间可以促进图像标签的处理有助于后续的图像处理，仍然是主要的研究策略。。
基于神经网络的图像超分辨率重建学习型算法这是计算机硬件技术发展的最大优势。这种神经递质图像重建算法可以直接学习高分辨率和低分辨率图像在痉挛中的映射关系。虽然学习和培训需要大量数据，但这排除了图像模型的创建并实现了图像重建。该速度可能比使用模型之前的图像的算法快得多，并且它还可以在重建的图像中恢复更多的频率信息。 Dong} g6]等。首先提出在2014年将神经系统用于实现超分辨率图像重建，并且它们是该领域的先驱。收缩定律的研究概念也由Dong} B} -gs]等人提出。鉴于更深的神经网络可以学习更广泛的联系，Kim} g9]等人。 Free} 9o]等。使用生成对抗网络GAN来重建图像的高分辨率，并使用感知损失和对比度损失来改善和恢复图像的图像并获得更好的视图。赖} 9}]o.fl。这表明深拉普拉斯金字塔结构可以实现快速，准确的图像超分辨率重建。 Lim} 9’-] o.fl.建议使用残差网络重建高分辨率的单个图像。由于残差网络本身用于目标群体感知中的高级视觉问题，因此他们进行了运输优化，以改善残差网络的单位并获得更好的结构效果。太} 93]等。和Zhan等人，使用了学习的递归残差和密集的汽车链接构建，以进一步增强修复效果。此外，虽然重建速度会降低，但也可以将纯网络结构与图像模型结合使用，但是在训练过程中可以从映射关系中了解更多信息。 Wang} 9s]和其他人结合了丰富的旧模型和深度收缩网络来进行图像重建。 [Xu} 96]等人使用了该阶段的先验知识以及一个深层网络来掌握变态。另外，由于神经网络对训练数据具有很强的容忍性，因此当将神经网络用于高分辨率地研究和重建图像时，容易否认和放大图像。 Adrian} 9}]o.fl。使用增强型GAN（Super-FAN）网络实现高分辨率的面部重建，并具有良好的否认效果。
1.4 论文结构
目前，高分辨率图像重建主要用于单幅图像重建和顺序图像重建，本文讨论了编码较少的最常用的单幅图像重建方法和序列图像规则中的重建方法。本文的各章安排如下：第1章是导论。他从图像的开发和使用方面介绍了图像分辨率图像重建技术研究的背景和意义，并解释了该领域目前的发展历程。在国内外，然后讨论了不同的方法和原理。该原理分析了当前的研究政策和重建图像分辨率的现状。最后，介绍了本文的主要工作和本章的结构。第二部分将分析图像采集过程中的各种退化因素，并介绍设置的伪影断裂模型。以超分辨率的形式以及重建的理论基础，对重建问题的不良特征进行了分析。然后解释了分布式表示的基本理论，包括建立稀疏表示的标签的思想，在分散表示过程中解决稀疏编码的算法以及完整的稀疏字典的创建和研究方法。最后，将介绍规则方法的基本原理。第三章论述了图像高分辨率的重建，并特别考察了稀有表示理论和调节理论在图像高分辨率重建中的应用。该图像描述了基于罕见表示的超分辨率重建模型以及针对该问题的超完整字典的联合训练算法。同时，引入了一种新的视觉感知质量评估指标VIF，并提出将VIF作为图像重建评估指标进行实验验证。此外，该算法与其他成功的重建算法可以使重建图像达到平衡，从而证明了该算法与其他算法的兼容性。同时，还测试了一系列图像重建算法以获得特定的增强效果。第五部分提出了一种重建超分辨率图像以提高测量精度的方法，该方法考虑了视场分辨率和视觉测量的测量精度之间的对比度。阐述了目前常用的图像传输的基本原理和测量技术，介绍了设计的冲击测试，用于重建分辨率过高的图像以进行位移测量，并针对不同的放大倍率和位移进行了实际测试。第六章总结了全文的研究内容和本文所有研究的创新之处，并根据研究政策的现实提出了明智的看法，同时指出了当前尚需解决的问题。

2 相关理论和技术
2.1 基于超分辨率重建的图像退化模型
由于视频设备和环境的限制，人们通常获得的图像会受到各种因素的干扰，最终只能获得低分辨率的图像。在获取照片的过程中，图像信息会经历尺寸缩小，失真，干扰，噪点等多种因素，从而减少了原始信息中的高频物体，因此只能获得低分辨率的图像。从信号处理的角度来看，我们对图像超分辨率的重建无异于解决退化过程。因此，我们需要研究图像退化和图像恢复。成像设备的