高解析在電腦視覺上一直以來都是一個很重要的題目，本文中我們經由實作一個完整的範例式高解析演算法來對影像高解析領域中常用的特徵進行的比較。實驗中我們開發了一個疊層式框架來解決在特徵組合中決定各個特徵權重的問題，並且改善了效能問題。在實驗結果裡我們可以看到各個獨立以及組合式的特徵對驗實產生的影響。在實驗的最後，我們對框架做了修改使其具有可適性，修改過後的框架不但可以降低運算量（高運算量是範例式高解析演算法的常見問題）而且對於不同的影像資料庫有著更佳的可適性。

Super resolution (SR) in computer vision is an important task. In this paper, we compared several common used features in image super resolution  of example-based algorithms. To combine features, we develop a cascade framework to solve the problems of deciding weights among features and improving computation efficiency. In the experimental results we can see the effectiveness of each independent or combined features. Finally, we modify the framework to have an adaptive threshold such that not only the computation load is much reduced but the modified framework is suitable to any query image as well as various image databases.

目錄
第一章 緒論	1
1.1 研究動機與目的	1
1.2 論文架構	3
第二章 相關研究	4
2.1 Example Based Super Resolution	4
2.2 Super-Resolution Through Neighbor Embedding	6
2.3 Super Resolution From A Single Image	8
2.3 Iterative Back Projection	9
第三章 相關理論基礎	12
3.1 YCbCr色彩空間	12
3.2 Canny邊緣偵測	13
3.3 雙立方內插法	14
第四章 研究方法	17
4.1 影像資料庫訓練階段	17
4.1.1 訓練用高低解析影像生成	18
4.1.2 影像區塊分割	19
4.1.3 影像區塊正規化及特徵值計算	19
4.2 影像學習階段	21
4.2.1 變數定義	22
4.2.2 邊緣偵測	23
4.2.3 執行狀態表	24
4.2.4 最佳影像區塊搜尋	24
4.3 影像合成階段	25
第五章 實驗結果與分析	28
5.1 特徵組合的比較	28
5.2 高解析實驗	32
5.2 調整過的方法與結果	34
第六章 結論與未來研究方向	38
參考文獻	39
附錄：英文論文	40

圖目錄
圖 1 影像超解析示意圖	1
圖 2 不同解析度影像中邊緣梯度	3
圖 3 W.T. Freeman提出的馬可夫網路模型	6
圖 4 影像中區塊在不同尺寸間存在的重覆性	8
圖 5 利用影像中不同尺寸的重覆性進行超解析的示意圖	9
圖 6 IBP工作流程圖[5]	10
圖 7 原圖與YCbCr分割後的影像	12
圖 8 Canny邊緣檢測前後的影像	14
圖 9 Bilinear interpolation(利用鄰近4點)	15
圖 10 雙立方內插示意圖(利用鄰近16點)	16
圖 11 一階微分遮罩	21
圖 12 階層式特徵比對示意圖	25
圖 13 區塊重疊區域權重示意圖	26
圖 14 YCbCr影像合成示意圖	27
圖 15 訓練影像	28
圖 16 四倍放大(上:輸入影像，左:bicubic結果，右:實驗結果)	33
圖 17 四倍放大影像(左:輸入影像，上:bicubic結果，下:實驗結果)	33
圖 18 四倍放大(上:輸入影像，左:bicubic結果，右:實驗結果)	34
圖 19 固定式與可適性參數實驗結果圖(butterfly)	36
圖 20 固定式與可適性參數實驗結果圖(child)	37
圖 21 固定式與可適性參數實驗結果圖(girl)	37

[1] T. S. Huang and R. Y. Tsai, “Multi-frame image restoration and registration,” Adv. Comput. Vis. Image Process., vol. 1, pp. 317–339, 1984.
[2] Jian Sun, Zongben Xu, Heung-Yeung Shum, “Image super-resolution using gradient profile prior,” In Proceedings of IEEE Conference on Computer Vision and Pattern Recognition, 2008.
[3] H. Chang, D.-Y. Yeung, and Y. Xiong, “Super-resolution through neighbor embedding,” In IEEE Computer Society Conference on Computer Vision and Pattern Recognition, volume 1, pages 275–282, 2004. 
[4] W. T. Freeman, T. R. Jones, and E. C. Pasztor. “Example-based super-resolution,” Comp. Graph. Appl, 2002. 
[5] M. N. Bareja, C. K. Modi, “An Effective Iterative Back Projection based Single Image Super Resolution Approach,” International Conference on Communication Systems and Network Technologies, 2012 IEEE. 
[6] Glasner, D., Bagon, S., Irani, M, “Super-Resolution from a Single Image,” In Proc. of ICCV, 2009.