深度學(xué)習(xí)在超分辨率圖像重建中的應(yīng)用

1、深度學(xué)習(xí)在超分辨率圖像重建中的應(yīng)用深度學(xué)習(xí)在超分辨率圖像重建中的應(yīng)用單幀圖像的超分辨率（superresolution，SR）重建是指利用已知的低分辨率圖像，重構(gòu)出具有更高像素密度的圖像，并且重構(gòu)出的圖像還能夠保持豐富的紋理、質(zhì)地等細(xì)節(jié)信息。它在視頻監(jiān)控、圖像打印、醫(yī)學(xué)圖像處理、衛(wèi)星成像等領(lǐng)域有較廣泛的應(yīng)用。超分辨率圖像的重建本質(zhì)上是一個病態(tài)（illposed）問題，因?yàn)椴煌耆嗤亩鄰垐D像高分辨圖像在經(jīng)過相同的降采樣都可以產(chǎn)生相同的低

2、分辨圖像，這是一種典型的一對多問題，因此存在惟一解，特別是在放大倍數(shù)較高的情況下該問題將變得更為復(fù)雜。1算法分類當(dāng)前的超分辨算法大致可分為三類：基于插值的超分辨率重建算法，基于重構(gòu)的超分辨率重建算法和基于學(xué)習(xí)的超分辨率重建算法?；诓逯档闹亟ㄋ惴僭O(shè)像素的灰度值是連續(xù)變化的，并利用鄰近像素的灰度值計(jì)算待插值像素的灰度值，然而實(shí)際應(yīng)用中許多圖像并不滿足這種假設(shè)。并且該算法通過一個預(yù)定義的數(shù)學(xué)公式直接將低分辨率圖像生成高分辨率的圖像而不考慮

3、任何的圖像特性，也不接受任何的訓(xùn)練。所以基于差值方法得到的重建圖像容易產(chǎn)生模糊、鋸齒現(xiàn)象。常見的線性插值方法有最近鄰插值方法，雙線性插值方法，雙三次插值方法等?；谥貥?gòu)的超分辨率重建算法是依照特定的退化模型，將已知的圖像塊，并將每個圖像塊表示為一個高維向量，這些向量包含一些特征映射，映射的個數(shù)與向量的維數(shù)相同。非線性映射：這個功能將每個高維向量非線性地映射成另外一個高維向量。從概念上來講每個映射后的向量代表了一個高分辨率圖像塊。這些向量

4、構(gòu)成了另外一個特征集。重建：這個處理聚集以上高分辨率基于像素塊的替代對象，用于生成最終的高分辨率圖像。并且我們希望這個圖像能盡可能與高分辨率原圖相近。對重建后的超分辨率圖像的質(zhì)量進(jìn)行定量評價的兩個常用指標(biāo)是PSNR[10]（PeakSignaltoNoiseRatio）和SSIM[11]（StructureSimilarityIndex）。這兩個值代表重建圖像的像素值和原始圖像像素值的接近程度，具體對比結(jié)果如表1，在2、3、4的放大倍數(shù)

5、下，SRCNN與傳統(tǒng)方法的對比，可以看出無論是在哪個放大倍數(shù)下，SRCNN的PSNR值都比其他的重建算法要高出0.4Db左右。SRCNN的網(wǎng)絡(luò)層數(shù)較少，同時局部感受野也較小，所以從輸入圖像中提取到的信息就非常有限。因此DRCN（DeeplyRecursiveConvolutionalwkfImageSuperResolution）提出在網(wǎng)絡(luò)中增加更多的卷積層增加局部感受野的大小，這樣可利用更多的鄰域像素。同時為了避免過多網(wǎng)絡(luò)參數(shù)，DRC