论文部分内容阅读
图像超分辨率重建是由单帧或多帧低分辨率图像重构出细节更加丰富的高分辨率图像,在公共安全监控、医学图像成像等领域拥有广阔的应用前景。基于学习的算法可获得较好的重建效果,已成为当前超分辨率重建研究的热点;其中基于卷积神经网络的图像超分辨率重建算法具有良好的重建性能,但经典的基于深度卷积神经网络的图像超分辨率重建算法(Image Super-Resolution Using Deep Convolutional Networks,SRCNN)存在网络层较少、感受野小等缺陷。本文针对SRCNN算法及其改进算法的不足,研究并提出了三种基于卷积神经网络的超分辨率重建算法,具体工作包括:1.提出了基于中间层监督卷积神经网络的图像超分辨率重建算法。该算法利用定义的监督层误差函数和重建误差函数,改善了深层卷积神经网络梯度消失现象,极大减少了模型训练时的计算量,能完成不同模糊程度的低分辨率图像重建。实验结果表明,该算法重建后的高分辨率图像细节更细腻,峰值信噪比(PSNR)比SRCNN算法最大提高了0.41dB,且重建耗时更短。2.提出了基于Residual-Dense卷积神经网络的图像超分辨率重建算法。该算法采用密集卷积网络和深度残差网络连接方式,解决了传统卷积网络链式连接严重阻碍模型层之间信息流传递的问题,实现了不同特征层重用和信息流最大化流动,加快了模型训练时的收敛速度。实验结果表明,该算法重建后的图像边缘细节信息更丰富,PSNR比SRCNN算法最大提高了 1.04dB,且重建耗时最短为0.03s。3.提出了基于对称残差卷积神经网络的图像超分辨率重建算法。该算法采用对称残差网络连接方式,增加了不同层之间信息流的传播通道,实现了不同卷积层之间的特征融合,而且对称的连接对模型具有深层监督作用,减轻了梯度消失现象。实验结果表明,该算法重建后的图像清晰度和边缘锐度更好,PSNR比SRCNN算法最大提高了 1.16dB,重建耗时最短为0.29s。4.经分析比较,选用改进的基于Residual-Dense卷积神经网络的图像超分辨率重建算法实现了钢丝绳输送带X光图像的超分辨率重建,取得了较好的重建效果,并且可满足一定的实时性要求。