毕玉萍 李劲华 赵俊莉

(青岛大学数据科学与软件工程学院 山东 青岛 266000)

0 引 言

图像超分辨率(Super Resolution，SR)重建一直以来是一个热门研究方向。它是将一幅或多幅低分辨率(Low Resolution，LR)图像作为输入，输出高分辨率(High Resolution，HR)图像的一种计算机视觉任务。该研究虽然具有较高的挑战性，但有许多应用价值，如医学图像处理[1]、卫星成像[2]、面部图像增强[3-4]和压缩图像[5]等领域。

目前，图像超分辨率算法已趋于成熟，主流的学习算法主要分为三种：基于插值[6]的方法、基于重建[7]的方法和基于学习[8-10]的方法。基于插值的方法主要通过对已有特征进行观测来获取像素点，通过这些已有的像素点拟合出数学模型，从新建的数学模型中提取特征来重建图像。基于插值方法的算法存在计算量大、图像边缘和细节处理效果差的问题。基于重建的方法虽然可以重建较清晰的图像，但是存在计算量大、丢失高频细节的问题。基于深度学习的超分辨率图像重建技术主要有以下几种主要的方法：(1) 基于冗余字典建立低分辨率图片和高分辨率图片的特征块投影矩阵[11-13]；(2) 通过建立数学模型实现低分辨率和高分辨率图像之间的一一对应关系[11-12]，主要方法有固定的领域回归、岭回归等模型。基于深度卷积神经网络的图像超分辨率模型[14](Super Resolution Convolutional Neural Network,SRCNN)能够保持现有的重建效果，同时实现了较优的实验效果。该模型由三层卷积层组成，并分别负责特征提取、高分辨率特征表示的非线性映射以及高分辨率特征表示的非线性图像重建。……