人类获取外界信息最主要的感官是视觉,而图像又是视觉信息中的重要部分,图像质量决定了图像中信息量的大小和准确性,由此,图像的分辨率成为了图像处理中的重要参数。图像超分辨率(Super-Resolution,SR)重建是指通过一幅或多幅低分辨率(Low Resolution,LR)图像恢复出对应的高分辨率(High Resolution,HR)图像。传统的超分辨率算法往往具有复杂度高、限制条件多、图像大小固定等缺点,导致超分辨率效果不理想,图像质量较低。本文研究出了一种改进深度卷积神经网络算法(Improved Deep Convolution Neural Network,IDCNN),在图像的超分辨率重建上取得了较好效果。文章主要内容如下:1.论述了图像超分辨率重建的研究背景和意义,介绍了不同的图像超分辨率算法,包括三大类——基于插值、基于重建与基于学习的方法,阐释了它们各自的算法原理和优缺点,重点研究了插值法中的双三次插值(Bicubic),该方法经常在图像问题的预处理环节使用,可以将已有的图像插值缩放至目标尺寸。介绍了图像质量的评价标准,主观评价和客观评价可以全面反映出一张图像的重建结果,保证实验对比的公平性。2.重点研究了卷积神经网络。理解网络模型的核心思想,对于特征的提取,采用了局部感知、权值共享以及降采样的方式;网络的基本结构是特征提取层和特征映射层的反复连接,将图像特征通过降采样和卷积的方式不断细化分类,在最后的全连接层综合输出。网络训练时的参数通过反向传播算法进行更新,常用的有梯度下降法;激活函数作为特征提取和映射时的重要参数,会直接影响最终的图像重建质量;对比介绍了五种损失函数,针对不同的实验对象,损失函数的选择也有所不同。3.在卷积神经网络(SRCNN)的框架基础上,提出了改进的深度卷积神经网络模型,详细说明了改进及创新点所在。改进算法在特征提取模块使用随机纠正线性单元,避免了既有算法经常出现的梯度弥散和过度压缩现象;在非线性映射部分,采用深度映射结构,将网络深度增加至24层,并且加入了残差学习以避免深层网络的退化问题,同时提高网络训练速度。最终实验表明,残差学习的加入可以有效地降低网络收敛时间,在重建效果上也有一定提升;RReLU激活函数优化了函数的负半轴区间,避免了信息压缩现象,在峰值信噪比(PSNR)和结构相似度(SSIM)指标上均优于其他激活函数;在与Bicubic、ScSR、SRCNN三种算法的对比实验中,IDCNN在客观评价和主观评价指标上取得了更好的重建结果,PSNR及SSIM在Set-5和Set-14测试集上普遍高于前三种算法,图像纹理更清晰,光照信息更加丰富。