黄吉庆,王丽会,秦 进,程欣宇,张 健,李 智
贵州省智能医学影像分析与精准诊断重点实验室,贵州大学 计算机科学与技术学院,贵阳 550025
由于成像设备分辨率的限制,外加噪声及运动等因素的影响,采集图像的分辨率通常较低,无法满足应用需求。为了解决这一问题,超分辨率(Super Resolution,SR)重建技术应运而生,即在不改变硬件条件的情况下,利用图像的先验知识恢复出低分辨率图像(Low Resolution,LR)的细节信息,进而重建出高分辨率图像(High Resolution,HR)。
目前,基于先验信息的超分辨率重建算法主要分为以下几类,即基于插值的算法、基于学习的算法和基于建模的算法[1-6]。其中基于插值的算法是利用邻近像素点的灰度值对待插像素点的灰度值进行估计。较好的算法有基于边缘导向的插值算法(Edge-Directed Interpolation,NEDI)和基于自学习特征的交替插值算法(Selflearned Characteristics Based Switched Image Interpolation,SLCSI)[7]。这两种方法在图像边缘和细节区域的重建效果有所提升,但仍无法完全克服图像插值算法的缺点,即基于局部信息的图像像素估计会引入图像的模糊,降低图像质量。
随着深度学习和人工智能的快速发展,基于学习的方法进行超分辨率图像重建逐渐成为主流。其思想是利用多组低分辨率和高分辨率图像,通过算法学习到低分辨率和高分辨率图像的对应关系。常用的超分辨率重建模型包括卷积神经网络模型[8]、残差神经网络模型[9]、深度卷积对抗生成网络模型[10]。但无论哪种学习模型,对低分辨率和高分辨率图像样本对的数目有很高的要求,并且训练的时间较长,不具有实时性和广泛应用性。……