樊国华

（中国石油大学胜利学院 山东省东营市 257000）

图象超分辨率技术是从一幅或多幅低分辨率图象中提取高分辨率图象的技术。利用插值、重构、增强和学习等不同的方法，能够给图像提供更好的视觉效果和更多的图像信息[1]。在这些方法中，基于学习的图象超分辨方法发展迅速，它利用图像数据库或图像本身进行学习，以获得高分辨率图像与低分辨率图像之间的关联，以此作为高分辨率图像的先验约束[2]。该方法主要有两类：自主学习方法和外部数据库方法。

本文应用深度学习理论对图像的超分辨率进行了研究，提出了一种基于卷积神经网络的图像超分辨率重建方法。利用深度卷积网络模型，提出一种大规模视觉识别算法。在调整卷积核大小时，通过改进神经网络结构，深化卷积网络，增加池化层，减小参数，提高训练速度。实验表明，改进后的算法具有较好的超分辨性能。

1 基于深度学习的图像超分辨率算法

通过外部库，深度学习神经网络提取图像超分辨率信息，提取步骤如下：

（1）为基本培训建立必要的外部影像库；

（2）建立网络模式；

（3）通过训练数据集的数据量，估计并优化网络参数，获得输入数据的特征表达式和先验知识；

该模型输入低分辨率图像，输出高分辨率图像；

这种方法可以有效地减少网络的训练参数，简化神经网络，并具有较好的自适应性。在这些方法中，超分辨率卷积神经网络是最有代表性的一种，它包括特征提取，非线性映射和高分辨率图像重建三层卷积网络[3]。该算法框架如图1 所示。

特征提取指的是在初始图像中提取信息，将得到的图像以特征图的形式输出，输出的图像为F1(Y)，表达公式为：

式中，Y表示初始高分辨率图像，*表示卷积运算，W1为卷积核，B1为神经元偏置向量。卷积得到的特征图再经过激活函数进行处理。

相对于其它方法，卷积算法在主观评价、峰值信噪比和结构相似度等客观指标上有明显的优势，而且在图像的超分辨率处理方面计算速度更快。可在以下方面对卷积算法进行进一步改进：

（1）调节卷积核的尺寸和参数，减少计算的复杂性；

（2）适当增加卷积层数目而不增加计算量，可以提高特征提取的精确度和细度，改善超分辨率图像质量；

（3）多迭代要花很长时间，改进网络可以使网络迭代的次数尽可能少，从而减少训练时间。

2 改进的基于卷积神经网络的图像超分辨率算法

该算法的改进过程如下：

（1）利用激活函数激活卷积层处理训练图像所获得的特征模式；

（2）池化层处理后，卷积层处理后的特征激活函数；

（3）转换层处理后的聚合层，激活函数计算损失层，当结果收敛时，训练结束。

2.1 卷积层

图1：卷积算法框架

图2：参数模型图

图3：改进分辨率处理结构图

此模型主要考虑了卷积核的大小和数量，以及学习率对模拟结果和速度的影响[4]。

常规模型是9-1-5 作为模型，3-3-3 作为改进模型。该算法在性能上明显优于传统的三层卷积层模型算法，但又不同于传统的卷积层模型算法，其改进后的卷积层核心尺寸减小首当其冲。卷积核心是9X9,3X3 实际上足以覆盖图像特征。利用改进模型和3X3 大小的卷积核可以有效地减少参数。所以，改进算法把卷积核的第一层的大小设置为3X3。

常规建模方法中，双层卷积核越大，超分辨率越好，但计算量也越大[5]。采用3X3 双层卷积核方法，不仅提高了分辨率，而且不增加计算量。考虑到加入第二层卷积核后会增加参数，因此选择第三层卷积核为5X5，以提高计算效率。用3-3-3-3 模型和3-3-5 模型分别训练和检验了第三个卷积核。实验证明，该方法能有效地减小第三级卷积核，3-3-5 模型在训练阶段比3-3-3-3 模型平均多消耗7小时的训练时间1000 次，而在测试阶段，与3-3 模型相比，输出超分辨率图像的平均 PSNR 仅提高0.13 小时。

表1：实验参数

图4：图像清晰度处理结果

图5：图像锐化处理结果

通过比较处理结果与计算速度，选择3-3-3 型，既增大了卷积核的尺寸，提高了处理效果，又使第一层和第三层的体积减小。通过对成品芯数大小的控制，减少了计算量。

在这些因素中，第一卷积核和第二卷积核的数量和大小都会对其产生影响。常规模型算法中，9-1-5 模型的卷积层过多，利用3-3-3模型对不同卷积层进行尺寸测试，最后确定最佳卷积层数目。

在此基础上，对3-3-3 模型进行了改进，获得了超分辨率图像的 PSNR 值。用5 X 10 次迭代训练测试图像，以测试图像为例，得到具有相同学习率和卷积核数的超分辨率图像。

针对图象超分辨率处理过程中信息量大、计算量大的特点，利用改进的模型选择33X33 的图象分块，并对分块进行适当放大，该算法能适当增大训练块，提高训练速度，缩短训练时间。

对权值进行连续更新，系数乘梯度项得到的最优学习率。学习率过于微小，收敛缓慢；如果过于庞大，代价函数将振荡。基于此，本文提出的改进算法提高了学生的学习率，并对学习率进行了测试。基于相同的迭代次数和不同的学习率，设计了一种新的网络学习模型，该模型通过对被测图像进行超分辨率处理，可以获得每个超分辨率图像的 PSNR 值。

2.2 池化层

常规算法不使用池化层，而是在第一层和第二层卷积层后增加一层。参照池化层能减小卷积层输出特征向量，减小维数，提高训练速度，因此本文引进了池化层。引进池化层后，网络深度达到5 层，其网络结构更利于图像数据的实质表达。另外，池化层能减少参数数目，有利于简化网络，提高参数训练效率。

采用图像中连续区域作为池化区域时，仅对由同一隐藏单元产生的特征进行池化，且这些池化单元具有平移不变性，即当平移较小时，图像仍具有相同的特征。在池化层中，输入特征图数变化不大，而输出特征图尺寸减小；这一过程的实质是抽样。

在定义变量时，通过池化层分析候选测量姿态；An 表示候选测量姿态数量；Sn 表示用于DETMAX 算法的含有n 个姿态；N1表示所含最小姿态的数量；Ni 表示第i 个测量姿态；Ns 表示测量姿态最小数量值；T1 是测量姿态的集合，含有N+1 个姿态，采用DETMAX 算法剔除和选取测量姿态，T2 表示剔除姿态后的姿态结合；姿态数量用Tn 表示。

增加姿态：从测量姿态集合T1 中随机抽出n1 个姿态，逐一增加测量姿态在算法中加入比较模块，从中找出最大化姿态。

剔除姿态;将抽取出的姿态剔除最大化姿态，形成新的姿态组T3，使姿态满足最小化姿态。

终止条件对于DETMAX 算法而言，若最终剔除后的最小测试姿态集合的可惯性指数H 满足数值大于1，则表示姿态可选取，若不满足将返回上一级重新剔除。

3 基于卷积神经网络的小样本图像分辨率数据分析

在卷积过程中，图像处理工艺对于分辨率设备有着较高的需求标准，在处理的同时需处理冲压信息数据，并按照处理信息数据的状况进行结构性分析，查找不同结构的基本操作条件，并根据操作条件分配速度均匀性，在速度均匀性分配中将产生一系列的控制失效问题，该问题将阻碍图像处理的技术发展，为此，不少研究学者针对小样本图像分辨率数据分析的控制性能进行技术应用分析，提升控制设计的有效率。

由于图像分辨率数据分析速度均匀性控制设计在技术应用过程中需要大量的基础数据作为研究基础，为此，应调整小样本图像的参数信息状态，优化信息结构，获取精准的参数数据。传统技术应用将不同的技术方案应用于小样本图像控制设计中，并根据控制设计的控制效率反应技术的应用效果。

传统数据建模技术在小样本图像分辨率数据分析均匀性控制设计中的应用利用数据建模方案构建系统控制模型，并按照模型的操作标准调配控制信息，强化内部控制性能，并及时作出数据管理反应，提升控制设计的有效率。传统虚拟样机技术在小样本图像分辨率数据分析设计中的应用对控制设计进行仿真模拟操作，完整再现操作步骤，具有良好的操作性能，操作时间较短。但传统应用研究在实际操作的过程中将遭受外界信息干扰，在应用的同时将无法进行数据沟通与信息查找操作，造成最终的操作结果数据综合性能较差。为此，针对上述问题，本文应用研究具有较强的操作性，能够完整处理控制设计中的数据信息，并标记操作数据，时刻记录控制方案，具有较为广阔的应用前景。

本文利用标准建模方案将图像参数进行模型构建，并设置模型图如图2 所示。

在上述模型图中选用中心参数调节功能对内部参数进行处理，并分配中心关系数据，在数据操作的基础上进行操作管理。时刻检验控制数据的状态，保证数据处于可操作状态。标定操作信息，对控制数据的分析效果进行检验。判断不同区域的控制数据信息，并标定处理程度数。将加速度最大化，调整分辨处理状态，并匹配与参数相适宜的参数。查询信息。并将查询的数据信息录入中心系统中等待控制设计处理。调配控制数据信息，将控制数据与信息数据相匹配，并按照匹配标注掌控外部八连杆操作信息。调整信息参数状态，时刻追踪状态参数数据。审核中心滑块位置，并加强对滑块位置的管理力度。调整滑块信息。

完善基础信息导向，将导向数据引导至外部结构整合空间中，等待整合处理，构建此时的改进分辨率结构如图3 所示。

强化中心控制数据的操作力度，转变操作力度信息数据，将操作力度数据与控制信息连接至内层系统中，同时掌控信息基础模型，提升基础模型的操作能力。由此结束对小样本图像分辨率数据分析均匀性控制数据的分析操作。

4 实验研究

为验证本文设计的基于卷积神经网络的小样本图像分辨率改进方法的分析效果，设计对比实验，选用传统的分析方法和本文设计的改进方法进行图像清晰度处理和边缘锐度处理。设置的实验参数表如表1 所示。

得到的图像清晰度处理结果如图4 所示。

根据图4 可知，当处理时间为4s 时，传统方法处理清晰度为60.21%，本文方法处理清晰度为70.42%；当处理时间为8s 时，传统方法处理清晰度为50.88%，本文方法处理清晰度为80.94%；当处理时间为12s 时，传统方法处理清晰度为71.36%，本文方法处理清晰度为88.74%；

图像锐化处理结果如图5 所示。

当实验次数为1 次时，传统算法锐化处理效果为23%，改建算法锐化处理效果为51%；当实验次数为1 次时，传统算法锐化处理效果为23%，改建算法锐化处理效果为51%；当实验次数为2 次时，传统算法锐化处理效果为19%，改建算法锐化处理效果为58%；当实验次数为3 次时，传统算法锐化处理效果为24%，改建算法锐化处理效果为59%；当实验次数为4 次时，传统算法锐化处理效果为19%，改建算法锐化处理效果为67%；当实验次数为5 次时，传统算法锐化处理效果为19%，改建算法锐化处理效果为82%；当实验次数为6 次时，传统算法锐化处理效果为11%，改建算法锐化处理效果为72%。

综上所述，本文研究的基于卷积神经网络的小样本图像分辨率改进方法具有较高的图像处理能力和边缘锐度处理能力，能够更好地处理小样本图像分辨率，处理速度快，反应灵敏，具有较高的应用效果，能够满足当前用户对图像分辨率提出的要求。

5 结束语

造成此种差异的原因在于本文在性能分析之前检验研究数据的存在合理性，并将不合理的数据排除在性能分析外，由此获取科学可靠的性能分析数据，并执行性能分析指令，分析效果良好。本文分辨率分析方法，在性能分析前，利用信息查询技术数据进行系统检验，标记检验的数据信息，并构建安全的数据传输通道。确保数据的完整性传输，由此获取较优的分析结果。传统分析虽匹配了处理装置，对于性能分析的机制控制力度较小，性能分析精准率较差。