应自炉，龙祥

（五邑大学 智能制造学部，广东 江门 529020）

图像超分辨率重建可以应用在城市安防、卫星遥感、医学图像等多个领域，具有重要的研究价值，其实现方法包括基于插值法[1]、基于重建法[2]和基于学习法[3-5]等.2006年，Geoffrey Hinton[5]提出深度学习算法，该算法被成功地应用在多个领域，并且取得了很好的实验结果.2014年，Dong等人[6]提出基于卷积神经网络的图像超分辨率（Super Resolution Convolutional Neural Network，SRCNN），首次将深度学习方法应用在SRR.SRCNN是一个三层的卷积神经网络，该网络建立了经过插值处理后的LR图像和HR图像之间端到端的映射关系.其实验结果远超前人提出的方法.Kim等人[7]在前人的基础上增加了网络的深度提出基于深度卷积神经网络的图像超分辨率算法（Very Deep Super Resolution），取得了比SRCNN更好的结果.深度学习算法的广泛应用使得图像超分辨率重建在最终的图像质量上取得了较大的进步，但是仔细比较重建后的图像与目标图像后，深度学习算法在图像的高频细节恢复上还有所欠缺.因此，本文提出一种基于特征补偿的深度神经网络重建超分辨率图像算法.该算法将针对图像的纹理细节恢复问题，从而进一步提高图像质量.主要工作是将低分辨率图像的高频信息单独提取并进行上采样处理后再与重建后的图像融合，形成特征补偿，提取低分辨率图像的高频信息使用U型网络[8]，同时为重建出质量更高的图像，本文算法引入密集型卷积网络[9]思想用以增加网络深度.

1 相关理论基础

1.1 U型网络

图像超……