会计学图像超分辨率是指由一幅低分辨率图像或图像序列恢复出高分辨率图像。图像超分辨率技术分为超分辨率复原和超分辨率重建。目前，图像超分辨率研究(yánjiū)可分为3个主要范畴:基于插值、基于重建和基于学习的方法.图像(túxiànɡ)超分辨率示意图基于插值的超分辨率技术：基于多帧图像插值技术的方法是超分辨率研究中最直观的方法。这类方法首先估计各帧图像之间的相对运动信息，获得HR图像在非均匀间距采样点上的像素值，接着通过非均匀插值得到HR栅格上的像素值，最后采用(cǎiyòng)图像恢复技术来去除模糊和降低噪声。典型的方法包括：Rajan和Chaudhuri通过分解、插值和融合3个步骤实现的通用插值方法；TAOHJ等提出的小波域的双线性插值；Lertrattanapanich和Bose提出的使用基于光滑性约束的Delaunay三角化插值算法等。这类方法的优点是算法快速易行，适合并行计算，基本可以满足实时要求，但因为不能引入额外有用的高频信息，因而很难在SR图像中得到锐化的效果，同时，也没有考虑到LR图像的像素值并不是HR图像的理想采样值，而是对HR图像像素值的空间平均和卷积效应这一事实。理想(lǐxiǎng)插值最近邻插值四点三次插值六点双三次插值基于重建的超分辨率技术：基于重建的超分辨率方法的基础是均衡及非均衡采样定理。它假设低分辨率的输入采样信号(图像)能很好地预估(yùɡū)出原始的高分辨率信号(图像)。绝大多数超分辨率算法都属于这一类，其中主要包括频域法和空域法。频率域方法是图像超分辨率重建中一类重要方法，其中最主要的是消混叠重建方法。消混叠重建方法是通过解混叠而改善图像的空间分辨率实现超分辨率复原，最早的研究工作是由Tsai和Huang在1984年进行的。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。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。在空域类方法中，其线性空域观测模型涉及全局和局部运动(yùndòng)、光学模糊、帧内运动(yùndòng)模糊、空间可变点扩散函数、非理想采样等内容。空域方法具有很强的包含空域先验约束的能力，主要包括非均匀空间样本内插、迭代反投影方法、凸集投影法、最大后验概率以及混合MAP/POCS方法、最优和自适应滤波方法、确定性重建方法等。频域方法通过在频率域消除频谱而改善图像的空间分辨率。基于傅里叶变换的移位特性；(TsaiandHuang)考虑光学系统的点扩展函数和噪声的影响；（Tekalp）估计帧间整体平移参数的解算方法；(KaltenbackerandHardie)用递归最小二乘对对Tsai公式中的混叠矩阵(jǔzhèn)进行求解。由于频率域方法只能应用于全局平移和线性空间不变降质模型，并且它对空间域先验的能力不足，缺少灵活性，所以目前这类方法已经不再是研究的热点。空域方法(fāngfǎ)非均匀样本内插法（Non-uniforminterpolation）；迭代反投影方法(fāngfǎ)（IterativeBackProjection,IBP）;凸影投影法（ProjectionontoConvexSet,POCS）;最大后验概率估计（MaximumaPosteriori,MAP）;混合Map/POCS方法(fāngfǎ)；自适应滤波方法(fāngfǎ)；基于学习的超分辨率技术基于学习的方法是近年来超分辨率算法研究中的热点，它采用大量的高分辨率图像构造学习库产生学习模型，在对低分辨率图像进行恢复的过程中引入由学习模型获得的先验知识，以得到图像的高频细节，获得较好的图像恢复效果。基于学习的超分辨率方法中关键是建立学习模型，获得先验知识。常用的学习模型有马尔科夫随机场模型、图像金字塔模型、神经网络模型、主成分分析模型等。基于学习的方法充分利用了图像本身的先验知识，在不增加输入图像样本数量(shùliàng)的情况下仍能产生高频细节，获得比基于重建方法更好的复原结果，并能较好的应用于人脸和文字等图像的复原。具体步骤为：（1）将高分辨率图像按照降质模型进行降质，产生训练集。（2）根据高分辨率图像的低频部分和高频部分对应关系对图像分块，通过一定(yīdìng)算法进行学习，获得先验知识，建立学习模型。（3）以输入的低分辨率块为依据，在建立好的训练集中搜索最匹配的高频块。(1)生物医学成像:核磁共振成像等；(2)卫星成像：遥感、遥测、军事侦察等；(3)视频监控(