李现国，冯欣欣，李建雄

天津工业大学 电子与信息工程学院，天津 300387

图像超分辨率重建是近年来计算机视觉和图像处理领域的一个研究热点，由于其具有较高的理论研究价值和广泛的应用场景，已经引起了许多研究学者的关注[1]。该技术是由单帧或多帧低分辨率（Low Resolution，LR）图像重建出与真实图像更加相近的高分辨率（High Resolution，HR）图像[2]，广泛应用于医疗影像、卫星遥感、视频监控等领域[3]。目前单幅图像超分辨率重建技术大致可以分为三类：基于插值[4-5]、基于重建[6-7]和基于学习的方法。

基于插值的方法简单直观，能够快速得到结果，但是图像重建后存在边缘模糊等问题。基于重建的方法重点在于恢复图像的高频信息部分，该方法简单且计算量低，但是会忽略图像的部分高频细节信息[8]。基于学习的方法是通过大量的训练数据来建立低分辨率图像与高分辨率图像之间的映射关系，与其他重建方法相比，可获得更好的图像重建质量[9-10]。文献[11]提出了基于样例学习的重建方法，率先将基于学习的方法应用于图像超分辨率重建中；文献[12]采用稀疏编码理论，并且利用字典学习的方式学习高低分辨率之间的映射关系以重建图像；文献[13]利用分层的决策树来表示数据，采用随机森林（Random Forest）方法来实现高分辨率图像的重建；文献[14]提出了基于卷积神经网络的图像超分辨率（Super-Resolution Convolutional Neural Network，SRCNN）方法，能够取得更好的图像重建效果。

SRCNN方法使用三层卷积网络分别实现图像块的提取和特征表示、特征非线性映射和图像的重建，但由于该方法使用的卷积层数较少、网络的感受野小以及泛化能力差等问题，使得无法提取到图像深层次的特征，从而导致重建的图像效果较差。……