基于GAN 的井下图像超分辨率重构

王思懋，陈昱吉

（1 中国矿业大学( 北京) 机电与信息工程学院 北京 100083）

（2 北京外国语大学国际关系学院 北京 100089）

1 引言

煤矿资源是我国重要的基础能源，富煤、贫油、少气是我国能源资源的主要特点。尽管中国煤炭资源种类丰富，但优质焦煤较为稀缺，人均占有量低。矿井内地质环境复杂，开采条件恶劣，开采过程仍需人工干预，空气中大量粉尘不仅对人的身体健康产生严重危害，同时还会模糊操作人员的视野，存在安全隐患。利用井下视频监控，可以实时监测井下状况，解放人力。

井下工作面在综采和综掘过程产生大量粉尘，导致图像模糊不清，操作人员无法对细节部分进行准确判断，这不仅是矿井监控的难题，也是图像处理的困难。传统超分辨率重建技术是将图像进行线性插值或样条函数插值，只能简单缩放图像，未对细节部分做任何优化。由此衍生出长椭球波函数法、线性外推法、叠加正弦模板法等；到21 世纪，Yang 提出使用图形patch 的稀疏字典表示实现超分辨率。随着深度学习的发展，神经网络得到广泛运用，将采集到的低分辨率图像输入所设计的神经网络中便能生成高分辨率图像，不再需要人为收集先验知识或构造复杂的数学转换模型，只需利用训练好的网络模型，就能实现端到端的超分辨率重构[1]。

2014 年，受到神经网络的启发，香港中文大学Dong等首次将卷积神经网络应用于单张图像超分辨率重建上，发表SRCNN，开启超分辨率领域的新篇章。……