由于图像采集设备硬件条件的限制或图像传输过程中受随机信号干扰等因素的影响，采集到的图像会存在分辨率较低或图像中存在噪声。因此能够从低分辨率或噪声图像中尽可能的恢复出原始图像的方法应运而生，超分辨率重建算法就是最常用的方法。现有的基于卷积神经网络(Convolutional Neural Network，CNN)的图像超分辨率重建算法相对于传统的方法在很大程度上改善了图像的重建效果，然而随着算法的改进，算法的参数量和复杂度提升、训练周期变长、重建效果依然模糊，而且现有的超分辨率算法大多基于无损图像而言，对噪声图像重建效果差。针对目前超分辨率重建算法参数较多导致训练周期长，重建后的图像模糊，对噪声图像重建效果差等问题，本文主要研究工作如下: (1)针对目前超分辨率重建算法参数较多、训练周期较长、重建后的图像模糊等问题。本文在极深卷积网络实现图像超分辨率重建(Super-Resolution Using Very Deep Convolutional Networks，VDSR)的基础上对其进行改进。改进后的算法通过增加网络层与层之间的短跳跃连接数来充分利用神经网络各卷积层特征，相比单纯的采用级联方式进行层与层连接的神经网络算法，能学习到图像更丰富的局部特征。同时在残差网络非线性激活层之前通过扩展特征数量，并在激活函数之后引入线性低秩卷积核，使得算法在不增加参数情况下提升图像重建效果。在算法中，通过引入权值归一化，最后在网络末端增加子像素卷积层实现低分辨率图像到高分辨率图像端到端的学习，减少了网络因输入高分辨率图像而增加网络各层卷积运算时间，提升网络收敛速度、降低网络训练周期。实验结果表明，本文的方法在提高重建图像质量的同时，加快网络的收敛速度，降低网络训练周期。 (2)针对卷积神经网络对噪声图像超分辨率重建效果不佳。本文在图像去噪——图像超分辨率重建级联网络的基础上考虑到该方法因为不同图像中噪声水平差别大导致重建图像质量差，设计出一种多通道去噪网络实现图像超分辨率重建。该方法通过降低各通道网络处理图像的噪声水平范围并结合本文所设计的图像质量评估算法实现各通道竞争输出，提高噪声图像超分辨率重建图像的质量。实验结果证明该方法对噪声水平不确定的图像超分辨率重建效果提升明显。
展开▼
