余 萍

（江苏盐城师范学院 信息工程学院，江苏 盐城 224002）

1 前言

随着大数据时代的到来和计算机运算能力的显著提升，以深度学习为首的智能算法正在占据我们的日常生活。对于提高图像分辨率，可以依靠提高拍摄系统的精度和稳定性来实现。但这样做的费用高，且制作技术难以实现，因此不能很好的解决提高图像分辨率的问题。然而卷积神经网络作为深度学习模型中的一种，在图像识别领域的准确率很高，比人类肉眼更加精准，因此结合深度神经网络在图像分辨率增强技术的出色表现，研究基于深度神经网络的图像分辨率增强技术具有重要的意义。图像信息在我们的日常生活中有着举足轻重的地位，图像的分辨率大小是衡量图像质量的重要指标之一，所以我们也可以利用深度神经网络的优点，将图像和相关的神经网络聚集到一起，使它不仅让图像分辨率增强，也可以广泛应用于图像处理的其他领域，以得到我们需要的结果。

本文讨论的图像分辨率增强技术主要指超分辨率技术，在80年代以前，针对超分辨率提出过长椭球波函数法、线性外推法、叠加正弦模板法等不同的方法，但在实用中的效果并不好[1]。80年代以后，超分辨率技术有了突飞猛进的发展，Huang等在用多幅遥感图像恢复一张高质量的Landsat卫星图像时，采用多幅卫星图像对一幅图像进行增强，取得了较好的效果[2]。随后，基于重建的方法蓬勃发展，形成了基于插值的方法、迭代反向投影法（IBP）、最大后验概率法（MAP）、凸集投影法（POCS）、正则化方法等不同的方法[3]。……