朱海琦, 李 宏, 李定文, 李 富

(1. 东北石油大学 电气信息工程学院, 黑龙江 大庆 163318; 2. 大庆钻探工程公司 钻井一公司, 黑龙江 大庆 163458)

图像超分辨率是指从一张低分辨率图像或图像序列重建出含有更多高频信息和纹理细节的高分辨率图像, 在人脸识别[1]、视频监控[2]、卫星遥感[3]和医学成像[4]等领域应用广泛. 传统的图像超分辨重建方法主要有3类： 基于插值的[5]、基于重建的[6]和基于学习的[7-8]方法. 但上述方法重建出的图像存在边缘模糊、丢失高频信息或只能处理结构简单的图像等问题. 由于神经网络具有较强的拟合建模能力, 可在数据驱动下充分提取图像的本质特征, 所以基于深度学习的超分辨率重建方法能得到更好的图像视觉效果. Dong等[9]将卷积神经网络(convolutional neural network, CNN)应用于图像超分辨率, 提出了一种基于CNN的超分辨率重建算法(super resolution convolutional neural network, SRCNN), 该方法使用3层卷积神经网络学习低分辨率图像和高分辨率图像之间的映射, 其重建效果好于其他传统算法; Shi等[10]采用亚像素卷积层上采样, 提出了一种亚像素卷积神经网络(efficient sub-pixel convolutional neural network, ESPCN)方法, 提高了图像的重建质量； He等[11]设计了一种残差网络(residual network, ResNet)解决网络结构较深时无法训练的问题; 在此基础上, Kim等[12]提出了一种基于深度卷积神经网络的超分辨率算法(very deep convolutional networks, VDSR), 扩大了图像的感受野; Lai等[13]提出了基于Laplace金字塔网络的超分辨率重建算法(deep Laplacian pyramid networks for fast and accurate super-resolution, LapSRN), 通过级联方式逐步上采样, 很好地实现了图像中纹理细节的重建； Tong等[14]设计了一种基于密集跳跃连接网络的超分辨率……