高分辨率图像通常具有清晰稳定且细节丰富等优点,应用在教育、军事和气象等领域往往可以发挥十分重要的作用,然而受到现有的光学图像采集技术的限制以及自然条件等客观因素的影响,所采集到的图像往往会出现降质、噪声等现象。图像超分辨率重建技术可以将降质的低分辨率图像重新生成为高分辨率图像,由于传统的超分辨率重建技术得到的重建图像的质量不能满足某些特定场景的需求,而卷积神经网络通过构建网络模型可以很好地拟合图像之间的结构映射关系,从而得到质量更高的高分辨率图像,因此本文在卷积神经网络的基础上对超分辨率重建技术进行研究,通过引入残差结构、卷积块和密集连接进一步提高重建图像的像素质量,本文主要的研究工作如下:一.首先介绍了超分辨率重建技术的研究背景及意义,并对现有超分辨率重建技术进行了调研,典型技术主要可分为基于插值的方法、基于重建的方法和基于学习的方法,本文重点研究的基于卷积神经网络的超分辨率重建算法利用了深度学习的思想进行图像重建,通过研究神经网络的基本原理指出SRCNN(Super-Resolution Convolutional Neural Network)算法中存在卷积核尺寸较大、模型复杂度过低等不足,针对SRCNN算法中的不足之处,本文提出了基于残差结构的超分辨率重建算法和基于密集连接的超分辨率重建算法。二.SRCNN算法主要存在卷积核尺寸较大且网络模型复杂度过低的缺点,本文通过引入残差结构设计了将多种维度的特征图进行拼接的超分辨率重建网络,使得神经网络能够更好地提取低分辨率图像的结构特征。三.密集连接是另一种跨层连接的网络结构,并且可以最大限度地利用网络的输出特征图,因此本文通过3组卷积块之间的密集连接设计了基于密集连接的超分辨率重建网络,使得网络模型可以更好地学习图像之间的结构映射关系。四.为进一步验证两种超分辨率重建网络的算法性能,本文将分别进行网络模型的训练实验和多种超分辨率重建算法的对比实验。在训练环节,实验是基于上位机平台进行的,并采用Adam算法作为最优化算法,而网络模型是在Pytorch深度学习框架上搭建的;在对比实验环节,首先将上采样参数分别设置为2和3,其次将多种算法的重建结果在图像质量主观评价标准和客观评价标准两种体系下进行评价,最后综合所有评价结果证明了本文所提出的两种算法具有优异的图像重建效果。综上,本文通过残差连接、卷积层分组和密集连接的形式提出了两种基于卷积神经网络的超分辨率重建算法,并通过实验验证了算法具有优异的图像重建性能。