超分辨率图像重建是一项从包含信息较少的低分辨率图像中恢复出包含信息较多的高分辨率图像的技术,目前已经成功应用在医学造影、图像分割、目标检测等领域.论文基于深度学习和稀疏表示理论,进行深度卷积网络及其应用的研究,主要提出了基于双层可变形卷积网络的超分辨率重建算法、递归密集卷积神经网络、基于空间约束递归密集卷积神经网络的高光谱图像超分辨重建算法、基于自适应半耦合字典学习的超分辨率图像重建算法.具体研究内容如下:1.传统的基于深度学习的超分辨率图像重建方法大多数都不考虑图像的尺度与几何变化等问题.针对上述问题,本论文提出基于双层可变形卷积网络的超分辨率图像重建方法.首先,该方法将标准的卷积层替换为可变形卷积层,模拟图像中的简单几何变化过程;其次,利用两个不同尺寸的可变形卷积层构造双层可变形卷积单元,来提取图像在不同尺度下的特征信息;最后,在特征图之间增加残差连接,缓解梯度消失带来的训练难度.实验结果说明本文方法比现有的一些重建方法能更好地提取图像的特征信息,提高图像的重建效果.2.一般来说,随着神经网络的深度增加,网络性能也会提高.但这也会导致网络中参数的快速增加,需要大量的存储空间和运算.在本文中,考虑到深度网络的参数效率,提出了一种改进的深度卷积网络,称为递归密集卷积神经网络.所提出的网络仍然利用密集卷积网络中的密集模块作为基本结构,但是与密集网络中的密集块串联不同,它再次使用密集块的输出作为当前块的输入.也就是说,所提的递归密集网络将密集网络中的串联结构转换为递归结构,从而减少了实际需要存储的参数数量.实验表明,我们提出的递归密集网络仍然可以保持或超过一些最先进的深度网络的准确性,并且参数量大大减少.3.在现实应用中,如何获得具有高分辨率的高光谱图像仍然是一个挑战问题.在本文中,我们提出了一种基于递归密集卷积神经网络和空间约束策略的算法提高高光谱的分辨率.该方法利用提出的深度网络学习到从低分辨率高光谱图像到高分辨率高光谱图像的映射关系,然后采用空间约束策略进一步提高高光谱图像的重建效果.由于递归结构,所提出的递归密集网络可以加深网络而不增加参数的数量.此外,空间约束策略可以明显提高重建高分辨率图像的效果.实验表明我们提出的方法优于几种最先进的高光谱图像超分辨率重建方法.4.传统的基于稀疏表示的超分辨率图像重建方法,大多是基于高、低分辨率图像块在各自字典下的表示系数是相同的前提假设下,并且分开考虑表示系数的稀疏性和协同性.针对上述问题,论文以半耦合字典学习为基础,提出了基于自适应半耦合字典学习的超分辨率图像重建方法.假设高、低分辨率图像块所对应的表示系数存在某种线性映射关系而非完全相同,这样就放宽了约束,同时也更加符合实际情况.另外利用核范数构建一个新的正则项,将稀疏性和协同性作为一个整体进行考虑,使得方法可以根据字典的变化自适应地平衡稀疏性与协同性的关系,并通过两者之间的协调产生一个最合适的表示系数.实验结果表明,该方法比现有的一些基于字典学习的重建方法具有更好的重建效果,并且在噪声环境下具有一定的抗干扰能力.