【原文】影象超解析度重建演算法研究_百度文庫 https://wenku.baidu.com/view/95989b79e87101f69f31955e.html

單幅影象超解析度：就是恢復高頻資訊

單幅影象超分辨重建是指只有一幅低解析度觀測影象的情況下，結合影象的一些先驗知識，恢復出影象獲取時丟失的高頻資訊，重建出一幅高分辨宰的影象。
對應的影象觀測模型。
單幅影象的超解析度重建的概念最初由Harris和Goodman等提出[Harris，1964：Goodman，1968]。而後幾十年來隨著數字訊號處理技術以及最優化理論的不斷髮展，產生了許多的演算法，主要可分為：基於插值的演算法、基於建模的演算法和基於學習的演算法。

序列影象SR的難處：

基於小波域HMT模型SR

二維小波變換的示意圖：

影象的多尺度小波變換可以構成一個四叉樹：(P34)

小波域的HMT模型。圖中實心點代表小波係數，空心點代表小波係數的狀態。

HMT模型的引數訓練過程運用費時的EM演算法，而且演算法是巢狀迭代的，這導致基於HMT模型的演算法計算量非常大。

重建高解析度影象在小波域的先驗HMT概率分佈

 EM更新HMT模型引數、迭代求解+更新、最後小波反變換。

 HMT（Hidden Markov Tree）隱馬爾可夫樹

用隱馬爾可夫樹模型來描述影象小波變換系數特徵,利用高斯混合模型來模擬影象小波係數的邊緣概率密度,

小波係數之間的相關性就可以通過說明隱狀態的總體聯合概率函式而得到.

由於隱馬爾可夫樹模型具有的樹形特徵,使得其能很好與小波變換結合起來.

通過假設不同尺度下的小波係數的隱狀態滿足馬爾可夫性質,可以充分利用到影象小波係數不同尺度之間的相關性.