前言

我们将学习图像恢复相关知识。主要有图像恢复的定义、评价标准和实现图像恢复的方法。图像恢复任务包括图像去噪、去模糊、图像超分辨率、图像修复等；评价标准有峰值信噪比和结构相似性；图像超分辨的方法有传统方法和基于深度学习的方法：传统方法包括了基于插值的方法和基于字典学习，而深度学习方法有很多，包括SRCNN，VDSR等。

一、图像恢复的定义

1.1  图像恢复的意义

由于环境的⼲扰（速度过快、天⽓原因、识别噪声等）导致的图像退化：

图像恢复与图像分割区别在于：图像分割是提取⾼级特征；而图像恢复的意义是做图像的理解。

1.2  图像恢复任务的定义

1.2.1  通用的简单退化模型

1.2.2  图像去噪

加性噪声有：

• 拍摄噪声(shot noise)：服从泊松分布
• 读取噪声(read noise)：服从高斯分布
• 暗电流噪声(Dark noise)：和器件本身有关

注意区分图像去噪与图像去模糊的区别：前者使⽤滤波，后者是叠加

1.2.3  图像去模糊

1.2.4  图像超分辨率

这部分内容将在本人第三部分进行详细阐述。

1.2.5  图像修复

1.2.6  图像分离

1.2.7  病态问题

二、图像恢复的评价标准

常用评价标准有峰值信噪比（PSNR）和结构相似性（SSIM），注意区分二者的优缺点：

三、图像超分辨率

3.1  图像超分辨率任务的定义

从低分辨率图像恢复原始的高分辨率图像：

• 产生逼真的、有细节的图像——内容、细节真实性
• 忠实于低分辨率图像的内容——内容匹配性

3.2  传统图像超分辨率方法

3.1.1  基于插值的方法

3.1.2  基于字典学习

基于一对互相对应的外部字典，分别对应高清图像空间和低清图像空间

3.3  基于深度学习的图像超分辨率方法

3.3.1  SRCNN & VDSR

3.3.2  ESPCN & SRResNet

3.3.3  Perceptual loss

3.3.4  Texture matching loss

3.3.5  SRGAN

3.3.6  SFTGAN

3.4  数据集采集

3.5  基本框架

【第一种多帧超分 (Multi-frame SR) 】

【第二种递归式序列超分 (Recurrent)】

总结

在本文中，我们学习了图像处理的又一技术——图像恢复。读者需要掌握图像恢复的定义是将含噪声图像、模糊图像、低分辨率图像或者破损图像等实现超分辨率重建，图像恢复的评价标准是峰值信噪比和结构相似性，以及图像超分辨率的相关方法，包括传统的方法（插值和字典），基于深度学习的方法。