随着时代的不断发展进步,深度学习理论和应用取得了令人瞩目的突破,特别是在计算机视觉领域。图像超分辨率重建技术一直以来都是计算机视觉领域的热点问题。超分辨率重建技术是指在保持图像特有结构信息的条件下,将低分辨率的图像转换为更高质量的高分辨率的图像。图像超分辨率重建的算法可分为传统重建算法和基于深度学习的重建算法。基于深度学习的重建算法比传统方法效果更好。而基于深度学习的超分辨率重建算法虽然能取得较好的结果,但通常计算复杂,模型参数量大,存在大量冗余,不利于移动设备上的实现。为了得到便于在移动终端实现的深度学习超分辨率重建算法,本文以深度学习技术为基础对超分辨重建算法进行了深度学习权重量化,并基于安卓平台设计了相应的超分辨率重建APP,主要内容如下:(1)本文详细研究了超分辨率重建的算法及其性能。通过调研近几年深度学习理论和技术,尤其是深度学习在超分辨率重建领域的应用,从前人的工作中获取灵感取长补短,本文新的超分辨率重建算法是基于这些从前的算法提出的。(2)为了得到大量的训练集,本文从行车记录仪中得到大量超清车载图像和降采样、加噪后的标清图像作为深度学习的训练集,并通过裁剪、旋转、翻折等方法增强该训练集。(3)本文将生成对抗网络作为超分辨率重建模型的核心,基于权重量化降低该模型大小。首先,基于权重量化方法实现量化卷积权重模块,并结合残差结构和密集网络的特性设计信息压缩模块,这样做可以去除冗余和增强权重的关联性。然后,网络主要部分由特征提取模块、多个堆叠的信息压缩模块和一个重建模块构成,并使用全局的跳跃连接将双三次插值后超分辨率空间的信息与低分辨率空间重建后的图像融合,在不增加模型复杂度的基础上,提高网络表达能力。最后,将网络作为生成网络嵌套到生成对抗网络中,再通过数据集进行训练。(4)为了将所提出的模型应用到移动设备中去,本文开发一个安卓APP程序,实现了移动智能终端的车载图像超分辨率重建功能。由于引入参数量化,该APP占用的内存相比其它深度学习模型产生的APP小,更适合于移动智能终端的应用。本文设计的基于深度学习的超分辨率重建算法可以得到良好的主观视觉感受,并且轻量高效。与Lap SRN算法相比较,本文模型占用内存不足其2/5,且重建所需要的时间不到其1/7。基于本文算法设计的APP在硬件设备受限的情况下仍能得到质量较高的高清图像。