1.1研究目的及意义

随着大数据时代的来临，我们每时每刻都在创造数据、存储数据、传送数据，而图片正是我们日常生活中使用的最频繁，携带信息最多的一种数据。人们每天通过微信、QQ、 微博等社交网络发送图片、上传照片已经成为一种必不可少的交流方式，全球最大的社交网站Facebook透露该公司的11.5亿用户每天平均向其网站上传3.5亿张照片，照片上传总量达到2500亿张，可见图像作为信息的载体在信息沟通的方式上给人们的生活带来了极大的便利。

图片质量的好坏有时是我们能否正确获取信息的关键，然而，我们平时所采集的图像在形成的过程容易受外界因素的影响，比如噪声、拍摄设备等，就会导致最后的图像失真严重，这种情况也被称为图像退化。例如现实场景中采集图像时，相机的抖动、镜头的聚焦等外界因素将会导致模糊效应另外，图像采集和传输的介质（传感器阵列）的密度小使得采集的像素点较少，致使最后图像的分辨率较低。

退化的图像不仅给人们生活带来了不便利，有时甚至会让我们错失关键信息地获取，或是造成了公司经济上的损失，例如：1.低分辨率的交通监控图片可能无法识别犯罪分子的面部信息或车牌号码而使得犯罪分子逍遥法外;2.低分辨率的医疗图像使得医生对病情的判断造成误判；3.模糊的图片使消费者不能清晰了解产品的细节，从而使产品失去了竞争力。此外，在航空航天，文学艺术，工业生产，农业规划，城市建设等研究方向或领域，模糊的图片依然对各领域的研究和应用有着不同程度的影响。

由于上述问题通常只需要对某一单幅图片进行还原，而不是一组连续或者相似的图片，所以我们称这类问题叫单幅图像超分辨率还原的问题，这类问题不仅是计算机视觉和深度学习方向的一个重要研究方向，也是日常生活中一个亟待解决的问题。

1.2国内外研究现状

图像复原经过了几十年的发展历史，己经成为了图像处理领域中的一个重要分支。传统中的图像去噪方法主要分为两大类：一类是空间域滤波去噪，另一类是频率域滤波去噪、均值滤波、高斯滤波和维纳滤波是空域去噪的代表方法。其基本思想是图像相邻像素的相关性：以空间滤波处理为基础，图像中某个像素的灰度由其定范围邻域的所布像素共同决定。这些方法在处理简单噪声情况下是有效的，但是它们存在着严重的缺点：由于采用邻域均值的方式，势必会平滑掉图像的边缘、细节等重要特征。在频域上，带阻滤波器可以有效消除周期性噪声：带通滤波器执行与带阻滤波器相反的操作。

1.2.1 图像的去噪

虽然传统图像复原方法简单有效，但这是针对简单的图像降噪情况而言。一般来说，图像退化是个复杂的过程，上述的复原方法在实际情况中很少用到。