刘 爽， 周长才， 王 昕

(长春工业大学 计算机科学与工程学院， 吉林 长春 130012)

0 引 言

图像的超分辨率重建是一种将模糊的低分辨率图像转变为相对应的清晰的高分辨率图像技术[1]。传统的图像超分辨率重建算法主要分为基于插值[2]和重建[3]的方法，近年来，基于学习[4]的方法成为研究热点,2014年，Dong C等[5]首次提出超分辨卷积神经网络(Super-Resolution Convolutional Neural Network， SRCNN) 算法，将深度学习引入到图像重建领域，SRCNN结构非常简单，仅用三个卷积层就完成了图像的重建，并取得了较好的重建效果。

2016年，Kim J等[6]提出 VDSR 算法，该算法共有20个卷积层，并引入了全局残差学习，与浅层模型算法相比，该算法对自然图像的重建取得了更好的效果。本研究对遥感图像进行重建，对VDSR图像的重建进行改进，使其更适合遥感图像重建。

1 遥感图像超分辨率重建框架

1.1 网络结构

改进的网络模型结构如图 1 所示。

图1 改进的网络结构

模型一共20层，输入层为双三次插值(Bicubic)后的低分辨率图像；中间的18层结构相似，每一层都包括64个3×3的卷积核；最后一层用于图像重建，卷积核尺寸为3×3；激活函数由ReLU函数修改为LeakyReLU函数；为了保证输入图像与输出图像尺寸保持不变，在卷积前对图像边缘进行边框扩充(Padding=1)。

1.2 激活函数的改进

残差网络在训练时可能会出现梯度消失(爆炸)的情况，使训练不易收敛， VDSR 算法使用修正线性单元(ReLU)激活函数，其表达式为

ReLU(x)=max(x,0)。

(1)

ReLU 函数在大于0的区域梯度为常数，可以缓解梯度消失问题。ReLU函数只有线性关系，如果有一个很大的梯度流过……