精品word精品word文檔值得下載值得擁有 精品word 精品word文檔值得下載值得擁有 精品word 精品word文檔值得下載值得擁有 精品word 精品word文檔值得下載值得擁有 選自：低質(zhì)量監(jiān)控視頻人臉超分辨率從觀測(cè)到的低分辨率圖像推測(cè)合成高分辨率圖像是一個(gè)典型的病態(tài)求逆問題。 現(xiàn)有的超分辨率算法試圖用不同的方法來解決這個(gè)病態(tài)問題， 超分辨率算法按照技術(shù)手段可以分成三類:基于重建的超分辨率算法、基于插值的超分辨算法、基于學(xué)習(xí)的超分辨率算法?；谥亟ǖ膱D像超分辨方法需要從同一場(chǎng)景的多幀低分辨率圖像中恢復(fù)出高分辨率圖像。需要對(duì)輸入的多幀圖像進(jìn)行配準(zhǔn)， 然后通過多幀信息將低分辨率圖像中的像素點(diǎn)安排到高分辨率圖像的網(wǎng)格中去， 從而實(shí)現(xiàn)對(duì)低分辨率圖像的分辨率增強(qiáng)。 基于重建的超分辨方法受到配準(zhǔn)精度、降質(zhì)模型誤差和信號(hào)噪聲的影響， 從而導(dǎo)致其重建高分辨率圖像的能力受到限制。相關(guān)文獻(xiàn)己經(jīng)證明在一般情況下， 基于重建的超分辨率算法有效的放大倍數(shù)僅為1.6倍。但是基于重建的超分辨率算法有較好的信號(hào)還原能力，在圖像配準(zhǔn)精度較高的遙感圖像領(lǐng)域應(yīng)用范圍廣泛，取得了良好的重建效果?；诓逯档某直媛手亟ǖ暮诵乃枷胧菍⒌头直媛蕡D像安排在高分辨率圖像的網(wǎng)格，利用鄰近插值點(diǎn)像素點(diǎn)計(jì)算待插值點(diǎn)的像索值，這類方法的計(jì)算復(fù)雜度低，容易實(shí)現(xiàn)，己經(jīng)成為應(yīng)用最為廣泛的超分辨率算法。 但是，基于插值的方法對(duì)噪聲比較敏感， 對(duì)于圖像的邊緣部分的處理存在過一平滑現(xiàn)象， 特別在放大倍數(shù)比較大的情況下， 難以取得理想的效果?；趯W(xué)習(xí)的超分辨率算法，這類方法通過樣木庫(kù)中的先驗(yàn)知識(shí)來約束重建過程，將機(jī)器學(xué)習(xí)與統(tǒng)計(jì)學(xué)習(xí)的理論和方法借鑒到超分辨率算法中去， 樣本的先驗(yàn)給重建提供了更多的信息來源，從而提升了超分辨率重建的主客觀質(zhì)量。 近年來由于其良好的重建效果而受到了廣泛的關(guān)注，成為圖像超分辨率研究的熱點(diǎn)方向。選自：多幀影像超分辨率復(fù)原重建關(guān)鍵技術(shù)研究對(duì)于多幀影像超分辨率復(fù)原重建，根據(jù)算法對(duì)數(shù)據(jù)的處理方式一般可分為 頻域法和空域法兩大類算法。早期的基于傅立葉頻譜的方法和后來發(fā)展的基于 DCT域、小波域等變換域的方法都可以歸為頻域法這一類。 空域法主要指在直接在空間域?qū)?shù)據(jù)進(jìn)行處理的方法， 這一大類方法很多，如2.1.1節(jié)所述，主要有非均勻插值法、 IBP方法、基于集合論的方法、基于概率理論的方法、自適應(yīng)濾波方法、基于 Delaunay三角網(wǎng)的方法、正則化的方法等。選自：混合圖像超分辨率重建算法研究在圖像處理領(lǐng)域，如何提高圖像的視覺效果或者分辨率一直是學(xué)者們研究的一個(gè)方向。常用的方法包括在理論以及實(shí)際應(yīng)用方面都比較成熟的圖像恢復(fù) (imagerestoration)和圖像重建(imagereconstruction)技術(shù)。它們可以完成圖像的去噪、去模糊以及增強(qiáng)圖像的視覺效果。但是，處理后的圖像要么是依據(jù)先驗(yàn)知識(shí)重新找回了損失的信息， 要么突顯了已有的信息，實(shí)質(zhì)上并沒有增加新的信息，圖像的分辨率并沒有提高。 另外，人們有時(shí)通過圖像內(nèi)插(interpolation)的方法增加圖像的大小或者尺寸，以便提高視覺效果。但是圖像內(nèi)插一般需要選定插值核(interpolationkernel)，這實(shí)際上就是假設(shè)了原有像素與新像素之間的數(shù)學(xué)關(guān)系。如果假設(shè)與實(shí)際圖像一致，插值的效果就比較好 如果實(shí)際圖像與假設(shè)不一致，插值結(jié)果就會(huì)出現(xiàn)失真。由于圖像像素之間的關(guān)系是事先無法準(zhǔn)確預(yù)知的， 因此用圖像插值提高圖像分辨率有較大局限性。與圖像恢復(fù)、圖像重建以及圖像插值不同，圖像超分辨率重建能夠給處理后的圖像增加新的信息，不但體現(xiàn)在分辨率的提高上， 而且視覺效果也令人滿意。 圖像超分辨率重建的最初思想是由多幀已經(jīng)獲取的低分辨率 (lowresolution,LR)圖像來重新構(gòu)造一幀或多幀高分辨率(highresolution,HR)圖像。它在不改變成像系統(tǒng)硬件設(shè)備的情況下，用軟件方法提高輸出圖像的分辨率。其實(shí)質(zhì)是將相互之間具有差異的多幀低分辨率圖像的信息集合起來， 構(gòu)建一幅新的高分辨率圖像。首先在頻率域進(jìn)行多幀圖像超分辨率重建 的是Tsai和Huang，他們通過推導(dǎo)數(shù)學(xué)公式，表明了低分辨圖像之間的位移關(guān)系以及低分辨圖像與期望得到的分辨率圖像之間的關(guān)系。 由于這個(gè)算法是基于頻域分析的，理論上簡(jiǎn)潔明了 ；而此算法便于并行處理，降低了系統(tǒng)復(fù)雜度。頻域算法的不足之處在于推導(dǎo)出的關(guān)系式僅適用于全局平移以及線性模糊模型。 將頻率域推廣到變換域，例如利用小波變換(wavelet),contourlet變換等，同樣可以進(jìn)行圖像超分辨率重建。與變換域算法相對(duì)應(yīng)，也可以直接在 空間域處理圖像超分辨率重建 問題，這就是非均勻樣點(diǎn)內(nèi)插方法(non-uniforminterpolation)。這類算法最為直觀，容易理解，實(shí)現(xiàn)起來比較簡(jiǎn)便；它們通常包含圖像配準(zhǔn)、圖像融合以及去模糊、去噪三大步驟。這三步可以依次完成，也可以倆倆組合完成。 非均勻樣點(diǎn)內(nèi)插方法是圖像超分辨率重建問題的基本算法， 經(jīng)常被拿來與其它算法進(jìn)行對(duì)比。如果將圖像看成是隨機(jī)信號(hào)，那么從概率統(tǒng)計(jì)理論的角度理解，以貝葉斯 (Bayesian)原理作為框架，用理想圖像的先驗(yàn)信息作為約束條件，可以構(gòu)建出 最大后驗(yàn)概率估計(jì)器(maximumaposterioripossibility,MAP)和最大似然估計(jì)器(maximumlikelihood,ML)。進(jìn)一步講，如果將圖像看成是隨機(jī)場(chǎng)，如馬爾科夫隨機(jī)場(chǎng) (Markovrandomfield,MRF)，則隨機(jī)場(chǎng)的先驗(yàn)知識(shí)就可以做為約束條件加入到重建過程中，進(jìn)一步提高結(jié)果圖像的質(zhì)量。通常而言，偏微分方程組(partialdifferentialequations,PDE)比較適合圖像處理，主要原因是:⑴許多變分問題或其正則化的逼近都可以用 Eider-Lagrange方程組來計(jì)算;(2)偏微分方程組可以有效地描述、建模和仿真許多動(dòng)態(tài)的及平衡態(tài)的現(xiàn)象， 這就包括了圖像的幾何特征?；谄⒎址匠探M的圖像超分辨率重建算法能夠約束圖像邊界的連續(xù)性并且重建合適的尖銳圖像邊界。這些對(duì)保證重建圖像的質(zhì)量非常重要。另外Irani等人借鑒醫(yī)學(xué)圖像領(lǐng)域常用的后向投影方法，并引入迭代的概念，提出了后向投影迭代算法(iterativebackprojection,IBP)。這個(gè)算法的優(yōu)點(diǎn)是直觀，便于理解和實(shí)現(xiàn)。不足之處是不便添加圖像的先驗(yàn)知識(shí)作為約束條件， 而且收斂的結(jié)果可能不唯一。 盡管如此，后向投影迭代算法仍然得到了廣泛認(rèn)可和應(yīng)用。在遙感圖像處理領(lǐng)域，神經(jīng)網(wǎng)絡(luò)(neuralnetwork)技術(shù)通過使網(wǎng)絡(luò)的能量函數(shù)最小化來提取圖像序列內(nèi)亞像素級(jí)別的共同特征， 這就相當(dāng)于獲得了超過原始圖像分辨率的目標(biāo)辨識(shí)和分類能力。因此，基于神經(jīng)網(wǎng)絡(luò)的圖像超分辨率技術(shù)被經(jīng)常用于冰圖繪制， 云層移動(dòng)估計(jì)和洋流跟蹤等遙感圖像領(lǐng)域。從數(shù)學(xué)角度講，圖像超分辨率重建算法的研究對(duì)象是一個(gè)病態(tài)的反問題， 其解可能不存在或者即使存在也不唯一。而 Tikhonov等人提出的關(guān)于病態(tài)問題的解法，也適用于解決圖像超分辨率重建問題。于是，一些先驗(yàn)知識(shí)通過正則化約束條件被用于求解圖像超分辨率問題，這就是正則化圖像超分辨率算法。另外一方面，前面敘述的問題都是針對(duì)具有多幅低分辨率圖像情況， 通常稱為多幀圖像超分辨率重建。然而，在某些特殊情況下，獲取的低分辨率圖像的數(shù)目可能不多， 甚至只有一張。那么在這種情況下，就是一類新的問題，稱為單幀圖像超分辨率重建問題。對(duì)于這個(gè)問題，一般使用基于學(xué)習(xí)或基于范例的圖像超分辨率重建方法 。一般而言，這類算法首先建立訓(xùn)練圖像庫(kù)，并依照某種原理建立學(xué)習(xí)規(guī)則， 通過學(xué)習(xí)獲得先驗(yàn)知識(shí)，建立高分辨率圖像和低分辨率圖像之間的對(duì)應(yīng)關(guān)系，進(jìn)而由輸入的低分辨率圖像重建出希望的高分辨率圖像。基于學(xué)習(xí)的圖像超分辨率重建方法理論性強(qiáng)， 效果較好，近年來一直受到學(xué)者們的關(guān)注。總之，在經(jīng)歷了將近30年的發(fā)展，眾多學(xué)者提出的圖像超分辨率重建算法種類繁多，分類也比較復(fù)雜。通常， 按照算法的理論基礎(chǔ)分類 ，有基于插值的算法、基于學(xué)習(xí)的算法、基于小波的算法、基于概率統(tǒng)計(jì)的算法等等 ；按照算法運(yùn)算的空間分類，有空間域算法、頻率域算法、變換域算法等等；按照算法是否包含反饋，有迭代算法和非迭代算法；按照應(yīng)用領(lǐng)域分類，有針對(duì)醫(yī)學(xué)圖像的、遙感圖像的、紅外圖像、人臉圖像的、視頻序列的以及自然圖像的算法等等。從不同角度理解，就有不同的分類方法，這是圖像超分辨率重建算法多樣性的一個(gè)體現(xiàn)。另外，有些算法并非單純地屬于某一個(gè)分類，而是同時(shí)具有幾個(gè)類別特點(diǎn)，這也是圖像超分辨率重建算法復(fù)雜性的一個(gè)體現(xiàn)。另外，最近幾年來圖像超分辨率重建算法的國(guó)際及國(guó)內(nèi)主流研究方向出現(xiàn)一個(gè)明顯的趨勢(shì)就是由多幀超分辨率轉(zhuǎn)向單幀超分辨率， 由基于圖像融合轉(zhuǎn)向基于圖像學(xué)習(xí)。 這一轉(zhuǎn)變的一個(gè)重要原因是稀疏表示 (sparserepresentation)作為一種新興的圖像建模理論受到廣泛關(guān)注。利用稀疏表示，圖像能夠以簡(jiǎn)潔的方式表示出來， 而且在其表示系數(shù)中體現(xiàn)圖像主要特征和本質(zhì)屬性的非零分量數(shù)量較少， 并且表示系數(shù)對(duì)噪聲和誤差有一定的冗余度。 這樣的圖像模型為圖像處理帶來了很大便利，激發(fā)了壓縮感知 (compressedsensing或compressivesensing)、機(jī)器學(xué)習(xí)等理論在圖像超分辨率重建領(lǐng)域內(nèi)的新一輪研究熱潮。隨著對(duì)稀疏表示理論研究的不斷深入，許多亞待解決的理論和實(shí)際問題也隨之浮出水面，其中主要有 ：字典設(shè)計(jì)、圖像特征分類、 快速圖像特征搜索和查找、圖像塊匹配原則等等， 都很有可能是未來圖像超分辨率重建算法研究的熱點(diǎn)。選自：基于貝葉斯理論的圖像復(fù)原算法研究經(jīng)過很多研究者的共同努力，圖像復(fù)原技術(shù)已經(jīng)在很多方面得到了較廣泛的應(yīng)用。 就目前而言，偏微分方程、小波變換和概率統(tǒng)計(jì)這三大數(shù)學(xué)思想方法已被深入應(yīng)用在圖像復(fù)原研究領(lǐng)域中。其中，確定性算法(detcministicalgorithm)包括基于偏微分方程圖像復(fù)原算法和基于小波變換的圖像復(fù)原算法這兩種， 而隨機(jī)性算法(stochasticalgorithm)指的是基于概率統(tǒng)計(jì)的圖像復(fù)原算法，所以，從這個(gè)角度來看， 圖像復(fù)原算法是分為確定性算法和隨機(jī)性算法兩大類的。但是很多具體問題表現(xiàn)出明顯的隨機(jī)性， 比如圖像和點(diǎn)擴(kuò)散函數(shù)的特征， 并且在實(shí)際中也是隨機(jī)的出現(xiàn)噪聲，所以導(dǎo)致無法獲知其確切的強(qiáng)度、深度、范圍等有用圖像信息。處理這些隨機(jī)信號(hào)，通常首先要考慮選擇合適的數(shù)學(xué)統(tǒng)計(jì)模型， 用這些數(shù)學(xué)模型來描述其統(tǒng)計(jì)特征，利用統(tǒng)計(jì)規(guī)律進(jìn)行后續(xù)處理。因此， 應(yīng)用隨機(jī)性算法處理圖像復(fù)原問題， 往往在很多方面具有其他方法不可比擬的優(yōu)勢(shì)。 貝葉斯方法((包括最大似然估計(jì)(MaximumLikelihoodEstimation,MLE)、最大后驗(yàn)概率估計(jì)(MaximumaPosterioriEstimation,MAPE)和貝葉斯估計(jì)(BayesianEstimation,BE)等)、期望最大化(Exception-Maximum,EM)方法，Monte-Carlo模擬法、馬爾科夫隨機(jī)場(chǎng)方法(MarkovRandomField,MRF)等都是比較常用的隨機(jī)性圖像復(fù)原算法。在這些方法中比較特別且重要的一種就是貝葉斯方法， 因?yàn)樗梢蕴峁└鞣N概率分布預(yù)測(cè)機(jī)制、不同的對(duì)模型參數(shù)進(jìn)行估計(jì)的算法、估計(jì)圖像復(fù)原過程中的不確定因素等信息，因而被廣泛應(yīng)用于圖像處理的各個(gè)相關(guān)領(lǐng)域。作為圖像處理的一個(gè)分支， 圖像復(fù)原技術(shù)的研究有著特殊的地位， 近年來，國(guó)內(nèi)外學(xué)者在圖像復(fù)原關(guān)鍵技術(shù)的改進(jìn)方面做了大量研究。 總結(jié)這些研究成果，可以歸納出圖像復(fù)原主要涉及三個(gè)方面的內(nèi)容:(1)如何有效構(gòu)建退化圖像成像數(shù)學(xué)模型 ;(2)如何提出高效的改進(jìn)圖精品word精品word文檔值得下載值得擁有精品word精品word文檔值得下載值得擁有精品word精品word文檔值得下載值得擁有精品word精品word文檔值得下載值得擁有像復(fù)原算法；(3)采用什么類型復(fù)原圖像評(píng)價(jià)標(biāo)準(zhǔn)。由于不同類型成像數(shù)學(xué)模型、系統(tǒng)優(yōu)化規(guī)則、問題求解空間和最優(yōu)化問題求解方法的存在， 這些將會(huì)導(dǎo)致不同的復(fù)原算法， 也會(huì)適用于不同的應(yīng)用研究領(lǐng)域?，F(xiàn)有的圖像復(fù)原方法可以大致概括為以下三種類型 ：圖像盲反卷積算法、線性代數(shù)復(fù)原算法、去卷積復(fù)原算法等，其他復(fù)原類型方法基本都是這三類算法的衍生或改進(jìn)。這三大類型算法方法都是非常經(jīng)典的圖像復(fù)原方法， 但是都需要某些先驗(yàn)信息要求，比如有或者部分有關(guān)于原始圖像、 降質(zhì)算子的先驗(yàn)知識(shí)，并且需要噪聲平穩(wěn)性的先決條件，所以它們基本上只適合于線性空間不變系統(tǒng)及噪聲與信號(hào)不相關(guān)的情形， 但是當(dāng)降質(zhì)算子是病態(tài)的時(shí)候，圖像復(fù)原結(jié)果往往達(dá)不到理想的效果。另外，近年來，小波的理論也得到了迅速的發(fā)展，并日趨成熟，在圖像復(fù)原技術(shù)中也得到廣泛應(yīng)用。小波變換是上世紀(jì)八十年代發(fā)展起來的一種新的信號(hào)處理技術(shù)， 改進(jìn)了傅里葉變換在實(shí)際中應(yīng)用的某些局限性。 基于小波變換理論的圖像復(fù)原算法和基于正則化理論的圖像復(fù)原算法進(jìn)行融合，就可以得到一些綜合算法，新的算法具有抑制噪聲的增長(zhǎng)和保留圖像的重要邊界等兩個(gè)方面的優(yōu)勢(shì)，在實(shí)際圖像復(fù)原中取得了不錯(cuò)的效果。 Beige等人經(jīng)過研究發(fā)現(xiàn)如果小波系數(shù)的先驗(yàn)分布采用廣義高斯分布模型， 并且結(jié)合一些正則化技術(shù)，就可以得到一種邊緣保持的方法，主要是采用了小波域理論，但其復(fù)原結(jié)果對(duì)于圖像質(zhì)量的提高并沒有十分顯著。另外也有一些改進(jìn)算法， 一般復(fù)原效果得到了改進(jìn)， 但是還是不能避免計(jì)算量大的缺點(diǎn)。選自：基于去模糊的圖像超分辨率復(fù)原算法研究圖像超分辨率算法旨在從成像場(chǎng)景的多個(gè)低分辨率成像樣本，恢復(fù)單幅圖像在采集時(shí)丟失或者受到退化過程影響而未直觀表現(xiàn)出來的信息。圖像的超分辨率算法可以分為兩類：圖像超分辨率復(fù)原(CSRRestoration)算法和圖像超分辨率重建(CSRReconstruction)算法。重建算法從傳統(tǒng)數(shù)字信號(hào)處理的角度出發(fā)，從亞采樣獲得的圖像亞采樣信號(hào)，通過傳統(tǒng)數(shù)字信號(hào)的去棍疊技術(shù)重建原始圖像信號(hào)。 而復(fù)原算法則基于數(shù)字圖像成像的降質(zhì)模型， 旨在通過建模并估計(jì)數(shù)字成像系統(tǒng)的 PSF,對(duì)低分辨率圖像中丟失的信息進(jìn)行復(fù)原。Tsai和Huang在1984年針對(duì)只存在全局平移的簡(jiǎn)單情況， 基于低分辨率圖像序列(LowResolutionImagesLRs)的離散傅里葉變換(DFT)和連續(xù)傅里葉變換(CFT)之間的頻譜搬移和交疊性質(zhì)，實(shí)現(xiàn)了無噪聲情況下的圖像超分辨率重建。 基于Tsai和Huang提出的思想，Kim等人將噪聲和空域的模糊模型納入到算法之中，采用最小二乘標(biāo)準(zhǔn)進(jìn)行圖像重建 ；后來他們通過引入Tikohonov正則算子對(duì)其算法做了進(jìn)一步擴(kuò)展。此后基于低分辨率序列 (LRs)頻譜關(guān)系的超分辨率算法偶爾被提出， 但是由于全局平移模型的局限性以及對(duì)于空域先驗(yàn)知識(shí)的低容納能力使其不再是研究主流。而最大后驗(yàn)(MaximumaPosteriori,MAP)概率和POCS(ProjectionontoConvexSets,POCS)等空域算法則能夠引入先驗(yàn)知識(shí)，對(duì)圖像超分辨率技術(shù)的病態(tài)問題進(jìn)行有效約束，成為研究主流?；贚Rs之間存在的相關(guān)特性，衍生了一類非均勻插值算法。這類算法是對(duì)圖像超分

辨率復(fù)原的最直觀理解：LRs作為成像場(chǎng)景的成像樣本， 可以利用它們彼此之間的空域關(guān)系，通過配準(zhǔn)后進(jìn)行基于相關(guān)性加權(quán)的非均勻插值，獲取原始成像場(chǎng)景的高分辨率 (HighResolution,HR)表示。除了空域非均勻插值算法之外，還有基于其他表示方法的插值算法，如小波插值和三角網(wǎng)格插值等。非均勻插值算法直觀易懂，計(jì)算量也比較小 ；但是和頻域方法一樣，非均勻插值算法未將 HR圖像的先驗(yàn)知識(shí)引入算法模型中。MAP算法基于貝葉斯理論，將圖像的超分辨率過程建模為一個(gè)貝葉斯統(tǒng)計(jì)模型 ；把LRs作為已知信息，旨在獲取滿足最大后驗(yàn)概率統(tǒng)計(jì)特性的 HR圖像。MAP算法的推導(dǎo)過程在第三章中有詳盡描述，算法的結(jié)果最終會(huì)依賴于高分辨率圖像的先驗(yàn)性分布模型。 在吉布斯模型(公式(3-20))中，HR的均勻分布先驗(yàn)知識(shí)的假設(shè)衍生出了 MAP算法的特例一一最大似然算法(MaximumLikelihood,ML).Tom 等人基于ML模型，采用迭代投影的方法在最大期望(ExpectationMaximum,EM)準(zhǔn)則下求取HR。迭代反(向)投影法(IterativeBack-Projection,IBP)在很多文獻(xiàn)中被列為單獨(dú)的一類超分辨率算法， 其實(shí)這類算法基礎(chǔ)理論可以用 ML算法進(jìn)行描述。Hardie等人［［1g］提出了基于高斯馬爾科夫隨機(jī)場(chǎng) (GaussianMarkovRandomFieldGMRF)先驗(yàn)?zāi)Ｐ偷穆?lián)合MAP超分辨率算法；Schultz等人「19j提出了基于Huber馬爾科夫隨機(jī)場(chǎng)(HuberMR只HMRF)先驗(yàn)?zāi)Ｐ偷腗AP超分辨率算法?？傋兎?TotalVariation,TV)算子作為對(duì)HR圖像梯度場(chǎng)的一種衡量算法，被 Capel等人［［2｝］用于ML模型下，通過正則算子的形式，作為先驗(yàn)信息對(duì)超分辨率求解問題進(jìn)行限制。 ML算法衍生出的正則化［［21-22］算法在很多文獻(xiàn)中也被單獨(dú)列為的一類算法， 從第三章的有關(guān)推導(dǎo)可以看出這類算法的原始模型是ML算法。在第三章中將把 MAP,ML和正則化算法統(tǒng)一歸為統(tǒng)計(jì)學(xué)算法， IBP算法作為實(shí)現(xiàn)這些算法的具體手段，也未在文中進(jìn)行過多描述。POCS算法基于集合理論，不過其基木思想與正則化算法類似 :POCS使用集合的形式描述圖像先驗(yàn)信息和特征， 對(duì)圖像的各種特性進(jìn)行限制， 并認(rèn)為HR圖像屬于這些限制集合的交集。這些特性包括圖像的正定性、光滑性和有限能量性質(zhì)等。在 SR領(lǐng)域，最早的POCS算法由Stark和OskouiC23｝提出;Eren等人1241在Stark的方法基礎(chǔ)上提出了基于圖像目標(biāo)的Pocs超分辨率算法；算法中對(duì)運(yùn)動(dòng)估計(jì)的投影進(jìn)行了有效性鑒別， 同時(shí)對(duì)圖像進(jìn)行基于物體和目標(biāo)的分割處理，進(jìn)而進(jìn)行較為準(zhǔn)確的SRoElad和Fever等人［25］對(duì)ML,MAP和