介绍了一种基于MAP的图像超分辨率重建算法

超分辨率图像处理，matlab源码，效果远远优于三次插值

用POCS方法对图像进行超分辨率重构,matlab源码.对学习超分辨率很有帮助.强烈推荐.

对经典综述论文Structured Illumination Microscopy Image Reconstruction Algorithm中的结构光超分辨进行MATLAB实现，基本上每一行代码都有详细注释，程序可以直接运行。

第一篇　基础知识 第1章　图像/视频基础知识 第2章　图像缩放 第3章　图像质量增强基本技术 第4章　超分辨率复原技术 第二篇　基于重建的超分辨率复原 第5章　基于重建的图像超分辨率复原技术概述 第6章　凸集投影和最大后验概率估计 第7章　基于mrf模型的map图像超分辨率复原 第8章　基于梯度矢量流约束的图像超分辨率复原 第9章　基于对象的监控视频超分辨率复原 第10章　基于权值矩阵的超分辨率盲复原 第11章　基于小波变换域的超分辨率复原 第12章　基于单帧高分辨率图像的视频序列超分辨率复原 第三篇　基于学习的超分辨率复原 第13章　基于学习的超分辨率复原技术概述 第14章　基于示例学习的超分辨率复原算法 第15章　基于多类预测器学习的超分辨率复原 第16章　基于学习的人脸图像超分辨率复原 第四篇　高动态范围显示 第17章　高动态范围图像可视化技术概述 第18章　基于自适应细节增强的高动态范围图像可视化 第五篇　超分辨率复原技术的发展趋势 第19章　超分辨率复原技术的发展趋势

从一帧高分辨率图像生成多帧低分辨率图像。

传统的超分辨重建算法往往采用梯度下降法进行求解，迭代时步长往往通过经验确定。而且不同的图像的最优步长往往不相同。步长过大会导致发散，步长过小会导致收敛缓慢。本算法基于对正则化超分辨重建算法实现的基础上，对步长的选取进行了优化，推导出了每次迭代时的最优步长大小，并将其自适应化，改进了超分辨算法的收敛性，从而能够在更短的时间内取得更加精确的重建结果。相关具体内容请参考对应的论文：Yingqian Wang, Jungang Yang, Chao Xiao, and Wei An, "Fast convergence strategy for multi-image superresolution via adaptive line search," IEEE Access, vol. 6, no. 1, pp. 9129-9139.

超分辨率的matlab工具箱，为从事用matlab做超分辨率工作的提供极大方便

我们提出了一种基于超分辨和焦外虚化渲染的光场重聚焦方法。本方法将超分辨和焦外虚化渲染按照场景深度加权整合在一起，同时实现聚焦区域的超分辨以及焦外区域的虚化渲染，从而可以利用多个低质量的摄像头合成单反相机级别的摄影图像。另外，本算法可以后期调节聚焦深度与景深，从而可以根据实际场景渲染出具有美学价值的摄影图像。算法的相关细节请参考论文： Y. Wang, J. Yang, Y. Guo, C. Xiao, and W. An, Selective light field refocusing for camera arrays using bokeh rendering and superresolution. IEEE Signal Processing Letters, 2018.

基于SIFT的超分辨率图像配准及MATLAB实现