文献综述（或调研报告）：
超分辨率重建[1]的研究始于20世纪60年代，由压缩感知[2]问题发展而来，可分为基于像素插值、基于图像重建与基于学习的方法。
1、基于像素插值的方法
最初的图像超分辨率算法核心是利用图像相邻像素点之间的关联性和连续性预测实现的。插值法便是建立在此基础上，常见的插值法有最近邻插值[3]、基于x轴与y轴两个方向信息的双线性插值法[4]、延伸到三维空间的双立方插值法[5]等。这些插值法都是充分利用了相邻像素点之间的信息，用一种近似值的方式逼近所求像素点的值。还有一些方法是基于低通滤波方法展开的，使用波域较小的滤波器加上插值法来完成预测，如Lanczos滤波器[6]等。虽然使用的策略不同，但是它们之间有一些共同点，它们关注的都是相邻像素点的信息，并没有考虑到整张图像的语义信息。虽然插值算法时间复杂度较低，可以在线性时间内对图像实时的处理与超分辨率生成，基本上无需占用额外的空间，但其缺点是生成的图像较为模糊，缺失图像的细节，无法做到图像的锐化。所以即使图像的像素点增加了，但是图像的视觉效果依旧模糊。
2、基于图像重建的方法
基于重建的方法也称为基于模型的方法。它通过研究图像的高分辨率细节在低分辨率下的表现形式，建立两者之间的对应关系，并利用某种模型来刻画这种映射关系。一般而言，这种方法所有的可用信息都从输入数据中得到，没有任何附加的背景知识，整个解决过程相当于一个信息提取和信息融合的问题，因此所有信息只能全部从输入的图像序列中获得。随着分辨率放大系数的增加，需要提供的输入图像样本数量急剧增加，直到达到放大系数的上限后，无论增加多少输入图像样本，都无法再改善重建效果[7]。
常见的基于图像重建的超分辨率生成算法有以下几种:
（1）消混叠重建法
这种方法通过消除混叠而改善图像的空间分辨率实现超分辨率复原。在原始场景信号带宽有限的假设下，利用离散傅立叶变换和连续傅立叶变换之间的平移、混叠性质，给出了一个由一系列欠采样观察图像数据复原高分辨率图像的公式[8]。多幅观察图像经混频而得到的离散傅立叶变换系数与未知场景的连续傅立叶变换系数以方程组的形式联系起来，方程组的解就是原始图像的频率域系数，再对频率域系数进行傅立叶逆变换就可以实现原始图像的准确复原。
（2）迭代反投影法算法
课题毕业论文、文献综述、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
