结合结构自相似性和卷积网络的单幅图像超分辨率

向 文，张 灵，陈云华，姬秋敏

(广东工业大学 计算机学院，广州 511400)

超分辨率(Super Resolution, SR)图像重建是指对低质量、低分辨率(Low-Resolution, LR)图像进行处理,恢复出高分辨率(High-Resolution, HR)图像的技术,在军事、医学、公共安全、计算机视觉等方面都存在着广泛的应用前景。超分图像重建的一种方法是采用大量高分辨率图像学习,以得到图像的高频细节对低分辨率图像进行恢复[1-4]。目前算法多依赖训练数据库数据,没有充分利用待重构图片自身的结构特点,造成重构效果不佳[5-7]。Freedman等[8]指出在单幅图像的局部空间邻域内存在大量结构自相似的图像块，因而提出了一些利用局部结构自相似性方法[9-10]，但是这些算法不能有效处理没有重复结构的不规则纹理图像块，图像块间的错误匹配会带来很多虚假纹理,重构效果难以保证。鉴于目前存在的问题，本文提出了一个基于待重构图像的结构相似性特征和卷积神经网络(Convolution Neural Network, CNN)相结合的超分图像重构方法,从单幅低分辨率图像中获取自身结构在相同尺度和不同尺度下的结构冗余信息,并结合深度学习方法进行超分辨率重建。首先提取单幅图像在相同及不同尺度下的重复出现结构特征；然后融合高分辨率字典图像块输入到CNN中进行学习,从而实现单幅低分辨率图像的重构,实验结果验证了本文算法的有效性。

1 卷积神经网络模型

近年来,深度学习在许多计算机视觉图像问题上取得了很大的成功,说明了神经网络模型在学习数据集本质特征上具有强大的能力。……