图像超分辨率重建是计算机视觉的一个重要分支，应用领域十分宽广，在医学影像技术、公共监控设施、刑事案件侦查、卫星遥感影像和军事红外影像等领域都有着十分宽广的应用前景。高分辨率图像相比于低分辨率图像细节纹理更丰富，单位像素密度更高，能够显示出更多图像内包含的细节部分的信息

从图像超分辨率的处理目标的角度来看，它可以分成两类：一类是基于连续的低分辨率图像序列或视频重建出高分辨率图像或视频（Multiple Image Super Resolution，MISR）；一类是基于单幅低分辨率图像重建出单幅高分辨率图像（Single Image Super Resolution，SISR）。

研究现状分析

目前，图像超分辨率的方法主要是：

1.基于插值的超分辨率方法。这类单幅图像超分辨率算法不需要训练数据集，通过预定义的数学公式从输入的低分辨率图像生成高分辨率图像。基于插值的方法(例如：双线性插值、双三次插值和Lanczos插值)通过加权平均邻近的低分辨率图像的像素值插补，从而生成高像素密度的高分辨率图像。由于插值强度在局部上与相邻像素相似，这些算法产生的平滑区域较好，算法实现较简单而且实时性好，但沿边缘和高频区域的梯度不够大。

2.基于重建的超分辨率方法。这类方法认为输入的低分辨率图像是由某个未知的原始高分辨率图像经过一系列的变换过程之后得到的，为了实现低分辨率图像的超分辨率，通过种种条件的约束得到一个原始高分辨率图像的最优估计结果。

3.基于学习的超分辨率方法。在卷积神经网络运用在图像超分辨率之前，基于学习的超分辨率方法主要通过一系列对应的高、低分辨率图像，通过各种不同的方法学习到从低分辨率图像到高分辨率图像的映射关系，例如：稀疏表示的图像超分辨率方法。近年来，随着越来越多的深度学习的方法在计算机视觉的其他领域取得诸多突破性的进展，人们也逐渐地将深度学习的方法运用在图像超分辨率领域，构建端到端的深层次神经网络，通过大量的低、高分辨率图像数据集，学习到低分辨率图像到高分辨率图像的非线性映射关系，从而可以实现图像超分辨率，例如：SRCNN，DRCN。

本毕业设计主要研究单幅图像中微小目标的超分辨率重建来实现图像的放大，提出相应的基于深度学习的图像超分辨率重建方法。