蔺国梁

(兰州文理学院 数字媒体学院,甘肃 兰州 730010)

0 引言

图像是人类传递信息最便捷的载体之一，在医学、智能交通、安全监控、遥感及国防等领域应用广泛.然而在实际中因为环境和成像设备的限制，图像质量仍不理想，不利于信息传递的准确性和完整性.因此，如何提升图像质量成为研究者关注的热点.图像超分辨率(Super Resolution，SR)重建的主要思想是通过计算机软件技术在原有低分辨率(Low Resolution，LR)图像的基础上，产生单帧或多帧边缘和纹理清晰的高质量、高分辨率(High Resolution，HR)图像的过程[1-2].目前图像SR重建方法主要有3种：基于插值的方法、基于重建的方法和基于学习的方法[3-4].基于深度学习的方法近年来受到人们的青睐，其主要思想是利用观测到的LR图像和原始HR图像之间的映射关系及大量的训练样本数据，从中学习得到更多高频细节的HR图像.

2014年Dong等[5]在传统方法的基础上提出一种包含3层卷积的深度学习卷积神经网络(Convolutional Neural Network, CNN)实现图像SR重建，即SRCNN(Super Resolution Convolutional Network)方法，并取得了良好的效果.由于卷积层较少，HR图像预测仅依靠输入LR图像内较小局部区域像素之间相关信息，模型重建精度有限.Wang等[6]在CNN模型中应用稀疏编码表示先验信息，实现重建，提高了重建质量并简化了模型.Kim等[7]提出了一种带有深度反馈信息的网络模型SR方法(VSDR)运用20层的卷积网络来重建HR图像高频信息，利用残差学习加快网络收敛速度，证明了该方法有助于超分辨率重建的性能提升.但是VSDR方法增加了训练和重建的时间……