基于深度卷积网络的单图像超分辨率重建

韦玉婧，林贵敏，邱立达，张 腾

(闽江学院物理学与电子信息工程学院，福建 福州 350108)

高清图像可以提供更多的纹理细节信息，在现实生活中有着广泛的应用。例如：高清的医学图像有助于帮助医生进行更准确的疾病诊断，高清的监控图像有利于公安部门进行疑犯的追踪与识别。由于在实际的成像过程中，受到成像环境、成像设备等多因素的影响，采集到的图像在空间分辨率上往往不能达到实际应用的要求。通过更换更高空间分辨率的成像设备，将面临着高昂的经济成本。采用软件算法的方法实现图像空间分辨率的提升就显得既经济又高效。因此，针对图像的超分辨率重构已成为机器视觉领域中的一个研究热点。

超分辨(super-resolution, SR)重构的目的就是由单张或多张低分辨率(low-resolution, LR)的图像来重构出一张更高空间分辨率(high-resolution, HR)的图像。值得注意的是，超分辨率重构是一个病态的(ill-posed)问题。因为差异较大的多张超分辨图像，经过下采样之后可能得到相同的低分辨率图像。针对超分辨率重构的方法，大致可以分为3类：基于插值的(interpolation-base)、基于重建的(reconstruction-based)和基于样本学习的(example learning-based)。基于插值的超分辨率重构方法并不能有效地恢复图像的高频信息，因此重构得到的图像往往带有明显的锯齿。基于重建的方法是通过反向投影在LR上求差值来完善HR图像，并引入一些先验知识作为约束条件。由于这个问题有无穷多个解，一般采用迭代的方法求解，因此称为迭代反向投影(iterative back-projection, IBP)算法[1]。……