图像超分辨率重建是指将一张或多张低分辨率图像转换成高分辨率图像的过程。超分辨率技术一直是图像处理领域的研究热点。传统的超分辨率重建方法主要分为两类：一类是基于单张低分辨率图像的重建，另一类是基于单个相机拍摄的多张低分辨率图像的重建。这两种方法各有优劣，但都存在一定的局限性。
微阵列相机具有体积小、多视角等特点，因此在便携式设备中的应用成为可能，它已成为图像处理领域的一个研究热点。微阵列相机的特点在于能够从多个视角获取图像，通过这些图像的处理可以实现对图像的超分辨率重建。本文提出了一种基于微阵列相机的图像超分辨率重建方法，该方法包括对阵列图像进行插值处理以获取一个高分辨率图像的初始版本，然后通过卷积神经网络（CNN）来增强图像质量。
卷积神经网络是一种深度学习网络，它在图像处理中表现出了极佳的性能。在我们的卷积神经网络中，使用了多层卷积层，这些卷积层可以提高网络的性能。为了避免过拟合并且减少模型复杂度，我们采用了瓶颈结构（Bottleneck Structure），该结构可以减少非线性映射中的参数数量，同时提高网络整体的非线性能力。此外，我们还使用了去卷积层（deconvolution layer）来进一步提升图像质量，相较于FSRCNN中的去卷积层，我们提出的方法大大减少了参数数量。实验结果显示，我们提出的这种方法不仅能基于阵列图像信息有效改善目标图像的纹理质量，而且还能通过改进的CNN进一步提升初始高分辨率图像的质量。
本文的主要贡献在于提出了一种结合微阵列相机和卷积神经网络的超分辨率重建方法。该方法通过对低分辨率图像进行插值预处理，然后通过设计的卷积神经网络进行图像质量的增强，能够有效提高图像的细节表现和整体质量。
关键词包括：超分辨率重建、微阵列相机、卷积神经网络。
介绍部分提到了超分辨率技术的发展历程和研究的重要进展。例如，Harris-Goodman的谱外推方法首次在实际应用中实现了超分辨率，这在超分辨率研究领域引起了广泛关注。随后，Kim等扩展了观察模型，而Gerchberg也提出了自己的方法，这些工作都为超分辨率技术的发展做出了贡献。
通过上述内容可以看出，图像超分辨率重建是一个涉及图像处理、深度学习、神经网络优化等多方面知识的复杂技术。它旨在通过数学和算法的结合，从已有图像数据中提取更多的信息，从而突破光学和感光元件的限制，创造出质量更高、细节更丰富的图像。对于图像增强、视觉分析、医学成像、卫星遥感以及监控安全等领域的图像质量提升具有重要作用。随着技术的不断进步，未来超分辨率重建技术在细节重建、实时处理能力、适应性等方面将有更广阔的应用空间。
