少有人走的路1 亚像素理解
在相机成像的过程中，获得的图像数据是将图像进行了离散化的处理，由于感光元件本身的能力限制，到成像面上每个像素只代表附近的颜色。例如两个感官原件上的像素之间有4.5um的间距，宏观上它们是连在一起的，微观上它们之间还有无数微小的东西存在，这些存在于两个实际物理像素之间的像素，就被称为“亚像素”。亚像素实际上应该是存在的，只是缺少更小的传感器将其检测出来而已，因此只能在软件上将其近似计算出来。
亚像素可以表示为如下图所示,每四个红色点围成的矩形区域为实际原件上的像素点，黑色点为亚像素点:
根据相邻两像素之间插值情况的不同，可以调整亚像素的精度，例如四分之一，就是将每个像素从横向和纵向上当做四个像素点。也就是上面图里的红色点之间有三个黑色点。这样通过亚像素插值的方法可以实现从小矩形到大矩形的映射，从而提高分辨率。
正因为这样的操作，所以在图像超分辨的任务里使用pixel shuffle的方式获得高分辨图像（例如ESPCN）。在一般的反卷积里会存在大量补0的区域，这可能对结果有害。因此pixel shuffle通过亚像素卷积的方式，实现从低分辨图到高分辨图的重构，具体如下所示，通过将多通道feature上的单个像素组合成一个feature上的单位即可，每个feature上的像素就相当于新的feature上的亚像素了。
2 图像处理中的subpixel是什么意思？
子像素卷积，是一种正常卷积的简化形式，并加了很强的假设，结果就是去除了大量的卷积运算。
子像素卷积的结果一般是一张更大的图片，可用作超分辨率。
一个正常的逆卷积长这样：
逆卷积
把一个3x3的小图片变成一个5X5的大图片。白色虚线区域全填0。
subpixel作者认为，这些白色的填0区域，是无效信息，甚至对求梯度优化有害处。
明明可以直接从原图得到信息，何必非要填0呢。
于是作者搞了这个：
第一个白色矩阵图片是输入层。
第二个、第三个白色张量是隐藏层，做步长为1的正常卷积。
第四个彩色图片，经过子像素卷积，得到最后一张斑斓的大图。
就这样。
超分辨率的效果如下
最上面一排是输入的模糊图像x。
中间是超分辨后的图片f(x)
最下面是对照样例y
3 相机的像素精度，物理定位精度，亚像素定位之间的关系和进行像素的固定误差累积
4 亚像素级角点定位原理及opencv实现
