3.2 传统正则化超分辨率重建算法    15
4    算法实现与分析    18
4.1 POCS算法的实现    18
4.1.1    用差值方法构造参考帧    18
4.1.2    运动估计    18
4.1.3    基于点扩散函数的修正    19
4.1.4    POCS算法中有关参数值的选取    20
4.2 凸集投影算法实验结果与分析    20
4.3 传统正则化超分辨率算法实验结果与分析    26
5    总结与展望    30
致谢    31
参考文献    32
1    绪论
1.1 研究背景与研究意义
在现今的条件下，要提高数字图像的成像分辨率，一般考虑的是改进成像传感器本身，增加传感器采样密度，从而获取分辨率较高的图像，但是受到传感器本身的物理条件及高昂费用的限制，又是根本无法实现。因此需要这样一门技术：在特定的成像系统条件下，突破其成像限制获取高分辨率的图像。图像超分辨率重建技术就是从一系列质量较差、低分辨率的图像重建出一副质量更好的高分辨率图像，以现有的条件弥补原先图像分辨率的不足，提高图像的分辨率与清晰度。超分辨率重建技术的研究与应用，可以更好的为目标识别与定位，遥感侦察，视频增强与复原等应用服务，在许多领域内都具有非常重要的应用前景。超分辨率重建技术可对普通监控录像进行高分辨率重建，提高图像中关键信息的识别能力，对于年代久远的一些影像资料，也可以用超分辨率重建技术进行处理来提高图像的质量，此外，此技术还可用于道路，桥梁，图书馆，收费站等场合监控视屏资料的高分辨率重建，在突发事件的处理，责任认定方面起着重要的作用。和其他领域的超分辨率重建相比，监控视频由于其独特性及广泛的应用前景，使得针对监控视频图像的超分辨率重建技术显得尤为关键。
1970年以来，CCD和CMOS图像传感器广泛的被用来获取数字图像，在很多的应用场合，需要获取高分辨图像，提高图像分辨率最直接的方法是提高成像装置的分辨力，但是受传感器阵列排列密度的限制，提高传感器的空间分辨率越来越难，通常采用的方法是减少单位像素的尺寸（即增加单位面积内的像素数量），对于数字摄机，比如CCD，就是减少其传感单元的尺寸从而提高传感器的阵列密度，使其能够分辨出更多场景细节[1]。但是这样将导致数字摄像机的价格大幅度提高。技术工艺的制约也限制了图像分辨率的进一步提高。事实上随着像素尺寸的减少，每个像素接收到的光照强度也随之降低，传感器自身的噪声将严重影响图像的质量，造成拍摄的影像信噪比不高，因此，像素尺寸不可能无限制的降低，而是有下限的，当CCD传感器阵列密度增加到一定程度时，图像的分辨率不但不会提高反而会下降，这是因为当CCD阵列密度增加到一定的程度即传感单元变得相当小时，将使产生的图像光电信号变得非常微弱而被传感单元的噪声严重污染甚至淹没从而导致图像退化。其他使图像降质退化的因素还有将场景物体的运动模糊、系统的点扩散函数模糊、采样量化模糊以及电路噪声等。所有这些制约图像分辨率提高的因素或者是物理客观的或者是随机存在的，很多都不是现有的技术所能够控制的。因此通过改善成像装置硬件的分辨力来提高图像的分辨能力是有限的也是不切实际的。因此，需要一种有效的方法来克服图像传感器的这些限制。 MATLAB铁路监控视频的超分辨率技术研究(2):http://www.751com.cn/tongxin/lunwen_2326.html