王鹤铭，沈文忠

（上海电力大学 电子与信息工程学院，上海 200090）

引言

虹膜识别技术[1]是从拍摄到的虹膜图像中提取生物特征并识别身份。在不可控的应用场景中，例如监控、移动生物识别，由于设备或采集距离的限制，采集的虹膜图像缺失像素分辨率，导致虹膜定位错误，严重影响识别性能。图像超分辨率（Super Resolution，SR）重建技术为解决这一问题提供了方法。

图像超分辨率重建技术[2]可分为基于插值、基于重构和基于学习的方法。基于插值的方法，如双三次插值法和Lanczos 重采样，快速简单，但重建图像精度不足。基于重构的方法，如邻域嵌入法[3]、梯度轮廓清晰法[4]等，采用复杂的先验信息限制可能的解空间，并生成锐利清晰的纹理细节。但当缩放因子增大时，耗时也增加，重建性能迅速退化。

近年来，随着计算机硬件的进步及深度学习技术的发展，基于学习的方法在自然图像领域取得巨大成功。该方法主要利用卷积神经网络，通过学习大量高、低分辨率图像对，找到它们之间的非线性映射，利用映射关系重建高分辨率图像。Dong[5]首次利用CNN 进行SR 重建（SRCNN），SRCNN 仅有三层卷积层，图像的重建质量远远优于插值法和重构法。但由于网络结构简单，非线性映射不充分，重建图像仍有模糊现象。Kim[6]拓展SRCNN 的网络深度，提出深度卷积网络VDSR，以20 层的VGG-net 为基本架构，并采用梯度削波解决网络过深带来的梯度消失问题，取得良好的重建效果。Shi[7]改进了SRCNN 的放大策略，将亚像素卷积层作为一种新的后放大策略，在低维度空间实施超分辨，降低了计算复杂度。……