圖像解析度演算法

A. 目前有實用價值的圖像超解析度演算法都是基於什麼的

圖像超解析度（Super Resolution, SR）就是將低解析度（Low Resolution, LR）的圖像通過一定的演算法轉提升到高解析度(High Resolution, HR)。高解析度圖像具有更高的像素密度，更多的細節信息，更細膩的畫質。要獲得高解析度圖像，最直接的辦法是採用高解析度的相機，然而，在實際應用過程中，由於製作工藝和工程成本的考慮，很多場合都不會採用高解析度、超解析度的相機來進行圖像信號的採集。因此，通過超解析度技術來獲取HR具有一定的應用需求。剛才提到，HR是利用LR通過一定的演算法來得到。按照可以使用的LR的數量，可以將超解析度技術分為兩類：基於單幅圖像的超解析度重建：主要利用某種先驗模型或者匹配機制，從給定的外部資源中尋求待處理圖像匹配的細節內容，並將其增加到原圖當中，實現解析度的提升。基於圖像序列的超解析度重建：利用多幅低解析度圖像之間相互的交疊信息，經過彼此補充，估計出圖像的細節內容。如果按照超解析度重建的技術手段來劃分，則可以分為以下三類：首先估計各幀圖像之間的相對運動信息，獲得HR圖像在非均勻間距采樣點上的象素值，接著通過非均勻插值得到HR柵格上的象素值，最後採用圖像恢復技術來去除模糊和降低雜訊。典型代表，Rajan和Chaudhuri通過分解、差值、融合3個步驟實現的通用插值方法。陶洪久等提出的小波域的雙線性插值。Lertrattanapanich和Bose提出的基於光滑性約束的Delaunay三角化插值演算法。這類方法的優點是演算法快速易行，適合並行計算，基本可以滿足實時要求；但因為不能引入額外有用的高頻信息，因而很難在SR圖像中得到銳化的效果。同事，也沒有考慮到LR圖像的像素值並不是HR圖像的理想采樣值，而是對HR圖像像素值的空間平均和卷積效應這一事實。基於重建的方法也稱之為基於模型的方法。它通過研究圖像的高解析度細節在低解析度下的表現形式，建立兩者之間的對應關系，並利用某種模型來刻畫這種映射關系。一般而言，這種方法所有的可用信息都從輸入數據中得到，沒有任何附加的背景知識，整個解決過程相當於一個信息提取和信息融合的問題，最典型的方法是凸集投影法和最大後驗概率估計法由於圖像含義未知，因此所有信息只能全部從輸入的圖像序列中獲得。隨著解析度放大系數的增加，需要提供的輸入圖像樣本數量急劇增加，直到達到放大系數的上限後，無論增加多少輸入圖像樣本，都無法再改善重建效果。

B. 圖片的像素和圖片的大小的比例是怎麼算的

像素是解析度的單位，如果一個圖片的寬是1280像素，高是720像素，那麼它的解析度就是1280X720，比例是16:9。

例如一個圖片的解析度是1280X720，那麼這個圖片的比例就是1280:720進行約分，也就是16:9。

例如一個圖片的解析度是800X600，那麼這個圖片的比例就是800:600進行約分，也就是4:3。

(2)圖像解析度演算法擴展閱讀

圖片的最大像素值是圖片的高寬像素的乘積，常見像素有：

80萬像素 1024×768 5」 （3.5×5英寸）

130萬像素 1280×960 6」 （4×6英寸）

200萬像素 1600×1200 8」（6×8英寸) 5」（3.5×5英寸）

310萬像素 2048×1536 10」（8×10寸） 7」（5×7英寸）

430萬像素 2400×1800 12」（10×12英寸） 8」（6×8英寸）

500萬像素 2560×1920 12」（10×12英寸） 8」（6×8英寸）

600萬像素 3000×2000 14」（11×14英寸） 10」（8×10寸）

C. 求解析度計算方法

明確回答：解析度計算方法：

拓展資料：

通常情況下，圖像的解析度越高，所包含的像素就越多，圖像就越清晰，印刷的質量也就越好。同時，它也會增加文件佔用的存儲空間。描述解析度的單位有：（dpi點每英寸）、lpi（線每英寸）和ppi（像素每英寸）。但只有lpi是描述光學解析度的尺度的。雖然dpi和ppi也屬於解析度范疇內的單位，但是他們的含義與lpi不同。而且lpi與dpi無法換算，只能憑經驗估算。