承接超分辨率重構之SRCNN整理總結(一)的引出，本篇主要是對傳統的圖像超分辨率重建技術進行簡要的介紹。
傳統的圖像超分辨率重建技術簡介
-
【1】基於插值的圖像超分辨率
圖像處理中，常用的插值算法有：最鄰近元法,雙線性內插法,三次內插法等。
插值法：通過某個點周圍若干個已知點的值，以及周圍點和此點的位置關係，根據一定的公式，算出此點的值。對於如何把原圖像的點擺放在新圖中並確定具體座標，未知的點計算時，需要周圍多少個點參與，公式如何計算，不同的插值算法，有不同的方案選擇。
eg：現有一張分辨率爲3 x 2的圖片，原圖每個像素點有亮度值是：[[127,170,93],[99,165,87]]。
我們要把它變成分辨率爲6 x 4的圖片，把這6個已經知道的點，放在他們大概應該在新圖的位置：
那麼我們已經知道6 x 4新圖中6個已知的點（綠色），下面只求剩餘需要18個點（藍色）的值即可。通過某個點周圍若干個已知點的值，以及周圍點和此點的位置關係，根據一定的公式，算出此點的值，就是插值法。
實際上，通過這些插值算法，提升的圖像細節有限，所以使用較少。通常，通過多幅圖像之間的插值算法來重建是一個手段。另外，在視頻超分辨重建中，通過在兩個相鄰幀間插值添加新幀的手段，可以提升視頻幀率，減少畫面頓挫感。
-
【2】基於重建的圖像超分辨率
基於重建的方法通常都是基於多幀圖像的，需要結合先驗知識。有如下方法：
凸集投影法（POCS）
貝葉斯分析方法
迭代反投影法（IBP）
最大後驗概率方法
正規化法
混合方法
-
【3】基於學習的圖像超分辨率
機器學習領域（非深度學習鄰域）的圖像超分方法如下：
Example-based方法
鄰域嵌入方法
支持向量迴歸方法
虛幻臉
稀疏表示法
-
【4】基於深度學習的圖像超分辨率重建技術
基於深度學習的圖像超分辨率重建的研究流程：
- 1.首先找到一組原始圖像Image1。
- 2.然後將這組圖片降低分辨率爲一組圖像Image2。
- 3.通過各種神經網絡結構，將Image2超分辨率重建爲Image3（Image3和Image1分辨率一樣）。
- 4.通過PSNR等方法比較Image1與Image3，驗證超分辨率重建的效果，根據效果調節神經網絡中的節點模型和參數。
- 5.反覆執行，直到第4步比較的結果滿意。