论文部分内容阅读
随着科学技术的快速发展,人们对图像分辨率的要求越来越高,以便用于图像的理解、分割和识别等方面,但获取高清晰图像还存在一定困难。因此,如何获取高分辨的图像和视频成为图像处理领域的热点研究问题之一。该研究在目标检测、图像编码、卫星遥感、视频监控和医疗诊断等领域有着广泛的应用。目前,图像超分辨率重建的算法主要包括传统方法(插值法,重构法,学习法)和深度学习方法。传统方法人工提取特征,存在一定的局限性。深度学习方法可以自动提取特征,得到了越来越多的关注。但仍存在一些不足,如需要进行放大预处理、卷积核尺度单一、通道单一、不符合人眼视觉感知等。因此,基于上述问题,本文提出采用两种结构的深度学习网络进行单幅图像的超分辨率重建。第一,本文提出了一种浅层和深层相结合的双通道卷积神经网络用于单幅图像超分辨重建。首先,浅层通道主要恢复图像的大致轮廓,深层通道用于提取详细的纹理信息,两者很好地互补;其次,该算法直接学习低分辨率至高分辨率图像之间的端到端映射。通过反卷积将上采样嵌入到两个通道中,无需提前采取插值的预处理操作;最后,在重建阶段,深层通道采取多尺度的方式,以提取不同大小尺度的纹理特征。该方法在三个不同公共数据集(包括图像和视频)上进行评估,平均PSNR值高于现有算法。lenna图像扩大3倍后的重建图像PSNR值高达39.97dB,且细节丰富,纹理清晰。且一幅280*280大小的图像重建只需要约0.17s。实验结果表明,该方法的精度以及视觉效果明显优于现有方法。第二,针对采用均方误差作为损失函数的算法,所得重建图像易过平滑的问题。生成对抗网络将均方误差和人眼感知融入损失函数进行超分辨率重建,用于解决此类问题。本文在此基础上提出了改进的生成对抗网络。该算法采用子像素卷积进行上采样,更易找到相邻像素间的关联,而且,中间无需进行卷积操作,运算速度更快。实验中用lenna图像进行测试,尽管扩大2倍后的重建图像的PSNR值仅为29.20 dB,但该模型得到的重建图像细节丰富,更符合人眼的视觉感知。