版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/u011630458/article/details/69524582
简介
这段时间研究了下google去年发的超分辨率论文：RAISR: Rapid and Accurate Image Super Resolution，宣称是可以在重建质量不差情况下，速度比目前算法如A+之类，能够有10到100倍性能提升。 比较有工程意义。因此对它进行了下代码实现。 从我这边实现效果来看，使用A+作者提供的参考代码，在我电脑上跑256x256图片，花费时间在0.56秒左右；而使用RAISR来跑时间花费大概在0.03-0.05秒左右。确实比A+论文原始代码，有10倍以上 性能提升。
基本实现
同样的RAISR与A+之类字典重建方式一样，需要做字典训练，不过在这片论文中，训练出来的不叫字典，而是叫滤波器。 基本思想也分为训练和重建两个部分。
注：这里讲解全部默认为2倍重建。
训练阶段
前提准备：1、待训练的HR高分辨率图像集。
2、对每个HR图像用下采样2倍大小，得到清晰小图集合。
3、对清晰小图用双线性或者三次方插值2倍，到和对应HR图像同样大小，得到模糊图像LR集合。
训练步骤：1、对LR图像求X、Y方向梯度，得到梯度图集合gradX, gradY。
2、将LR，gradX，gradY图像集合以相同坐标区域切成若干个sqrt(n) X sqrt(n)矩形块，以及该矩形中心对应的HR像素。
3、将gradX和gradY矩形块填充到：
4、求出的特征值和特征向量,。Wk可以简单粗暴的理解为：对焦线元素为一维高斯核，其他位置为0的矩阵。
5、这里求出来的特征值(r1,r2)和特征向量应该都有两个。取最大特征值对应的特征向量，计算梯度Angle：
6、sqrt(r1)表示为梯度Strength。
7、利用公式：求出梯度Coherence。
8、其中设置梯度Angle范围为[0,180]，将范围分为24段；梯度Strength和梯度Coherence范围为[0, 1.0],各将范围分成3份。
注意：这样，每个LR和HR矩形窗口，都可以根据它们各自的梯度(Angle,Strength,Coherence),分类到24*3*3=216种类别中。
9、同时在2倍插值时候，可以理解为原始图像每个像素，将对应到四个类型插值像素。根据分割矩阵窗口中心像素所属，再将矩形窗口根据
不同像素类型分到四类。
10、最终每个分割矩形窗口，将被分类为：4*24*3*3=864类中。
11、每个类中，LR矩形块数据保存到Q中，HR对应像素存入V中，根据公式：，解最小二乘，得到每个类对应滤波器。
论文上伪代码步骤如下：
计算梯度(Angle,Strength,Coherence):
滤波器训练：
注：论文上还提到，对训练图像集HR做锐化或对比度增强操作之后，再做训练。得到的滤波器可以使得重建图像清晰度、对比度更好，且不增加重建时间。
重建
重建流程相对比较简单：1、对输入待重建图像，进行双线性或者三次方放大，得到LR图像。
2、获取到LR图像梯度图gradX，gradY
3、将LR、gradX、gradY图像分成和训练时候一样大小图像块。
4、和训练相同办法，找到每个图像块中心像素对应的像素类型，以及求出图像块的梯度(Angle,Strength,Coherence)。
5、根据像素类型和梯度(Angle,Strength,Coherence)，在864个分类中，找到该块所属的类，也就获取到了该块重建像素对应的滤波器。
6、每个LR块和它对应的滤波器做卷积操作，得到该矩形中心位置像素的HR图像像素，遍历全图之后，也就生成了对应的HR图像。
7、最后还需要一步结构相似度来对HR图像滤波，去除掉HR图像上，由于某个类滤波器没有训练好，或者某个块选错了导致异常像素点。
论文上对应伪代码如下：
效果比较
对应的效果比较如下(左图为RAISR，右图为双线性插值)：