论文部分内容阅读
图像是信息传递的主要载体之一。在现实生活中,由于受到成像系统等硬件设备和图像传输过程中带宽的约束,往往获得的是不能满足实际生活需求的低分辨率图像。因此,如何获得拥有高分辨率的高质量图像已成为一个研究界的迫切问题。图像超分辨率重建是指在不升级硬件的条件下,采用数字图像处理技术来提高图像的分辨率。该技术目前在医疗检测、通信领域、公共安全以及遥感成像等方面已经得到广阔的发展。随着机器学习和神经网络相关理论研究的发展,基于深度学习的图像超分辨率重建算法研究已经成为主流。本文针对基于生成对抗网络和深度学习的超分辨率重建技术,提出了两个新的具有较高客观评价指标和较好主观视觉效果的图像超分辨率重建算法。本文的研究贡献如下:(1)提出一种基于生成对抗网络框架的改进残差块和增强判别器的超分辨率重建算法SRRGAN(Super-Resolution Relativistic Generative Adversarial Networks)。针对传统基于残差网络的超分辨率重建算法存在参数量大、计算复杂度高的问题,SRRGAN在网络结构上,设计剔除多余批规范化层的残差块构成生成网络,加快了网络的训练过程。针对现有的超分辨率模型不能很好地恢复图像的纹理细节等问题,SRRGAN在损失函数中,引入相对平均GAN理论,设置判别器预测真实高分辨率图像比重建的高分辨率图像相对更真实的概率,以增强判别器的判别能力,为模型训练提供更强有力的监督。实验结果证明SRRGAN算法能较好地恢复LR图像的细节信息,提高图像的重建质量。(2)提出一种基于生成对抗网络的融合纹理损失的超分辨率重建算法TESRGAN(Texture Enhanced Super-Resolution Generative Adversarial Networks)。针对传统基于生成对抗网络的超分辨率重建算法存在模型难训练和生成图像含伪影的问题,TESRGAN首先在网络结构上,基于密集卷积网络思想引入残差密集块以加深生成网络的结构,使用VGG19网络作为判别网络的基础框架以控制生成图像的训练方向。然后在损失函数中,引入四个损失构成生成器的总目标函数:运用内容损失确保重建图像与原始图像低频信息的一致性;使用WGAN-GP理论优化模型的对抗损失,为模型训练提供更强大更有效地监督;采用激活层前的特征信息计算感知损失,有利于恢复更准确的亮度和逼真的纹理;最后引入纹理损失,鼓励局部纹理细节的匹配以获得更好的结果。实验结果证明TESRGAN算法在不损失过多速度的情况下,重建图像在客观评价指标上均优于其他对比算法,且在亮度信息、纹理细节等主观视觉评价上也均有明显提升。