超分辨率重建的matlab代码

% 读入两幅图象，找出他们的特征块，然后进行匹配，最后在各匹配块之间连线以表示匹配情况
% function num = match（image1 image2）
function angle=rotation（ab）
img1=uint8（a）;
img2=uint8（b）;
% image1 = im2double（image1）;
% H = fspecial（‘gaussian‘[3 3]1）; 
% image1 = conv2（image1H‘same‘）;
% image1 = imnoise（image1‘salt & pepper‘ 0.02）;
% 调用函数寻找每幅图象的特征点以及特征块.   
% im = double（image）
% des 特征描述符
% loc 特征点坐标、角度、尺度
[im1 des1 loc1] = sift（img1）; 
[im2 des2 loc2] = sift（img2）;
% fprintf（‘matching...‘）;

%两个向量（a1a2a3...）（b1b2b3...）的距离，可以用欧基里德距离来计算：d=（a1-b1）^2+（a1-b1）^2+
%（a1-b1）^2+...也可以用d=acos（a1*b1+a2*b2+a3*b3）来计算，由于在MATLAB中后者的运算速度要远远快于前者
%所以这里用后者来计算两个特征向量之间的距离

%匹配时，用图象1里的一个向量和图象2中的所有向量进行匹配（即计算距离），那么有一个最佳匹配和一个次佳。distRatio表示
%次佳和最佳之间的比值，可以用来消除很大一部分的误配，distRatio越大=最后匹配点越多（误差越大），distRatio越小=最后
%匹配点越少（误差越小），
distRatio = 0.75;   

%下面进行匹配
des2t = des2‘;                          % 转置
for i = 1:size（des11）
   dotprods = des1（i:） * des2t;        % 计算图象1中的一个向量和图象2中所有向量的距离，并进行排序
   [valsindx] = sort（acos（dotprods））;   

   % 如果最小距离小于次小距离的distRatio倍，则认为匹配成功.
   if （vals（1） < 0.15） && （vals（1） < distRatio * vals（2））
      match1（i） = indx（1）;     %匹配标记match1（i）>0表示此处匹配
   else
      match1（i） = 0;
   end
end
%利用欧基里德距离计算，速度要慢很多
% distRatio = 0.6; 
% for i = 1 : size（des11）
%     error1 = [];
%     for j = 1 : size（des21）
%         error1 = [error1 sum（abs（des1（i:） - des2（j:）））];
%     end
%     [valsindx] = sort（error1）;
%     if （vals（1） < distRatio * vals（2））
%         match1（i） = indx（1）;
%     else
%          match1（i） = 0;
%     end
% end
% 将2幅图象按一左一右放置.
%im3 = appendimages（im1im2）;

% 显示图象匹配点之间的连线.其实这一步可以到最后面再做，因为下面还要先进行误配点的剔除，但是既然写在这里了，我就懒的改了，哈哈
%figure（‘Position‘ [100 100 size（im32） size（im31）]）;
%colormap（‘gray‘）;
%imagesc（im3）;
%hold on;
cols1 = size（im12）;
j = 1;
for i = 1: size（des11）
  if （m