1、如今社會，圖像扮演著越來越重要的角色，然而圖像在成像和傳輸過程中有很多原因都會導致其質(zhì)量受損，分辨率下降，因此超分辨率復原在圖像處理領(lǐng)域有著舉足輕重的地位。這一課題受到了很多科研工作者的關(guān)注和重視，各種算法也層出不窮。本文深入分析了圖像的退化模型和恢復模型，結(jié)合深度學習的相關(guān)知識，實現(xiàn)了三種有效的圖像超分辨率復原的方法：
　　一、實現(xiàn)了基于RBM和BAM的圖像超分辨率復原算法。針對超分辨率復原問題的特點，用兩個相對獨立的RBM分別

2、對低、高分辨率圖像塊樣本庫進行訓練。然后將兩個RBM的隱藏層通過BAM來建立一個非線性的映射關(guān)系。實驗結(jié)果表明，此算法有很好的效果，主觀上符合人們的視覺感受?？陀^準則上和一些經(jīng)典算法對比，也有更高的PSNR和SSIM。
　　二、實現(xiàn)了一種基于nsRBM的字典學習的圖像超分辨率復原算法。本文建立了一個以RBM隱層單元作為字典稀疏系數(shù)的超分辨率圖像復原框架，通過一定的映射關(guān)系得到對應的高分辨率圖像。并且引入 nsRBM，使得隱層單元更

3、稀疏，即字典的系數(shù)更稀疏，實驗證明本算法計算量更小，而且取得的效果更好。
　　三、實現(xiàn)了一種基于k-稀疏自編碼的深度網(wǎng)絡的圖像超分辨率復原算法。本文用兩個 k-SAE分別對低、高分辨率圖像塊樣本庫進行訓練，然后通過一個非線性的映射關(guān)系將這兩個k-SAE連接起來，構(gòu)成一個4層的神經(jīng)網(wǎng)絡。將輸出的HR圖像塊，根據(jù)重疊像素求平均的原則，可得所求的HR圖像。實現(xiàn)證明此算法能夠很好的實現(xiàn)圖像的超分辨率復原，不僅有良好的視覺效果，還有很高的P