基于混合采样率亚像素图像改进的主动多图像超分辨率方法

为解决传统主动多图像超分辨率（MISR）方法因理想脉冲模型导致的精度损失问题，研究人员提出一种基于矩形脉冲模型的改进方法，通过混合采样率亚像素图像采集与融合，实现了PSNR提升18.25%、SSIM提高23.51%的高效重建，为显微成像等领域提供了更精准的超分辨率解决方案。

　　

在显微成像、非接触测量等领域，图像分辨率提升一直是技术突破的关键。传统多图像超分辨率（MISR）方法通过融合多幅低分辨率图像重建高分辨率结果，但现有主动MISR技术依赖理想脉冲模型，忽略了光学成像系统的非理想特性，导致重建精度受限。此外，现有方法需采集大量亚像素图像，效率与精度难以兼顾。针对这一矛盾，山东大学的研究团队在《Optics and Lasers in Engineering》发表论文，提出了一种基于矩形脉冲模型的改进主动MISR方法。

研究团队采用三项关键技术：1）用矩形脉冲替代理想脉冲构建数字图像模型，更贴合实际成像物理过程；2）设计混合采样率亚像素图像采集策略，通过纳米定位平台实现精准位移；3）搭建多尺度显微成像系统（含20×/50×/100×镜头和Hikvision相机），验证方法有效性。

改进主动多图像超分辨率方法
通过分析传感器像素与图像特征尺寸的关系，提出当像素大于特征尺寸时会形成混合像素（mixed pixels），导致边界模糊。新方法通过优化采样位置与速率，以最少低分辨率图像输入实现重建，其核心是将传统四帧采集扩展为混合采样率框架。

系统实现
实验系统包含成像子系统（可换镜头显微镜）和机械运动子系统（纳米定位平台）。通过控制0.1μm精度的位移台实现亚像素位移，结合不同NA（数值孔径）镜头验证多尺度采样效果。

结论
该方法将PSNR和SSIM分别提升18.25%和23.51%，逼近顶级技术精度。矩形脉冲模型显著降低了传统理想脉冲的建模误差，而混合采样策略兼顾效率与精度。研究为医学显微图像分析、工业检测等需高分辨率场景提供了新思路。

讨论
作者指出，非理想采样核（non-ideal sampling kernel）的引入是突破传统局限的关键。未来可结合深度学习进一步优化采样位置预测。该成果得到山东省重点研发计划（2023CXGC010207）和国家自然科学基金（U24A20109）支持，凸显其在精密成像领域的应用价值。