基于多尺度反向投影的图像超分辨率重建算法

熊亚辉,陈东方,王晓峰

(武汉科技大学 a.计算机科学与技术学院; b.湖北省智能信息处理与实时工业系统重点实验室,武汉 430065)

0 概述

单幅图像超分辨率(Single Image Super-Resolution,SISR)重建一直以来都是图像处理领域的研究重点,旨在将一张低分辨率(Low-Resolution,LR)的图像恢复成给定的高分辨率(High-Resolution,HR)图像。SISR广泛应用于图像压缩、医疗成像、遥感成像、公共安防和视频感知等诸多领域。经过多年的发展,已取得大量关于SISR技术的研究成果。一般来说,超分辨技术主要分为3种类型:基于插值[1-2]的方法、基于重建[3]的方法和基于学习的方法。其中,基于插值的方法主要分为双线性插值、双三次插值(Bicubic)等算法,其方法简单直观,能够快速得到相应的结果,但是图像重建之后容易存在锯齿、模糊等一系列问题。基于重建的方法有迭代反投影算法[4]和凸集投影算法等,其主要关注图像的高频信息,通过一系列方法恢复图像的高频细节部分。这类算法的迭代次数较少,容易忽略某些重要的细节信息。基于学习的超分辨率方法是近年来超分辨率研究的热点,采用机器学习技术通过事先给定的范例学习LR和HR图像块间映射关系的先验知识,利用这种先验知识能够更好地恢复图像的细节信息,其主要包括邻域嵌入法[5-6]、稀疏表示法[7-9]和基于深度学习的超分辨率算法[10-12]等。

近年来,基于深度学习的超分辨率算法越来越得到研究学者的关注。SRCNN[13]是深度学习应用于超分辨率重建上的开山之作,它采用前端升采样网络结构,直接使用双三次插值算法将LR图像升采样至目标分辨率大小,并将其作为输入,使用深度卷积网络模型重建得到HR图像。……