基于深度学习的图像超分辨率重建算法研究与实现.pdf

摘要

摘要

图像是信息传播较为简单和快速的载体。但是，由于受到图像采集硬件、环

境噪声和信息传输要求等因素的影响，最后人们所采集并获得到的图像往往是原

来的高分辨率图象经过退化后的低质图像，或者称为低分辨率图像。基于学习的

超分辨率重建技术，可以在不修改原图像系统硬件设备的前提下，从软件和算法

层面提升图像分辨率。所以，图像超分辨率重建技术是一个获得更高分辨率图象

的经济且可行性较高的技术，在医疗图像、智能显示、监控和遥感图像，以及工

程控制等领域都具有非常广泛的应用前景。本论文主要研究工作如下。

首先，考到基于生成对抗网络超分算法存在的局限性，即重建图像质量较低

以及梯度消失等问题。为此提出了改进的基于多尺度特征提取生成对抗网络的图

像超分重建算法模型来，该模型在生成器中使用密集连接的多尺度特征提取模块

来进行图像特征提取，并且使用渐进式的两阶段重建过程代替原有的单阶段重建

过程，可以精确提取原始特征与高层次特征，缓解计算复杂度高和梯度消失等问

题，提升网络的特征表达的能力的同时，有效提升了重建图像的质量。

其次，以敞车厢体检修课题为出发点，考虑到敞车厢体图像进行超分辨率重

建过程中，图像采集受到硬件设备和工况环境等条件限制，高质量图像采集通常

成本高昂且耗时，但中等质量的图像采集速度更快，设备成本更低，而且数量更

大。为了可以利用多个层次的图像训练以提高网络性能，将改进密集连接的多尺

度特征提取超分模型结合混合监督和网络级联方法，提出了基于混合监督多级生

成对抗网络的敞车厢体图像超分重建算法。该方法可以使用多个质量级别的图像

训练数据以提高模型性能，解决了图像采集受到的成本以及环境限制，在敞车厢

体图像超分辨率重建效果上具有很好的提升。

最后，根据课题在敞车厢体检修课题中的具体应用需求，对敞车厢体图像超

分重建功能进行了应用与测试。该应用过程主要包括对应用功能进行设计，然后

根功能设计的结果对于应用总体和各个模块进行了实现，对应用的具体实现与结

果进行了测试与展示。

关键词：图像超分辨率，生成对抗网络，敞车厢体，超分重建应用

I

ABSTRACT

ABSTRACT

Imageisarelativelysimpleandfastcarrierofinformationdissemination.However,

duetotheinfluenceoffactorssuchasacquisitionhardware,environmentalnoiseand

informationtransmissionrequirements,theimagesthatpeoplefinallycollectandobtain

areoftenlow-qualityimagesthathavebeendegradedfromtheoriginalhigh-resolution

images,orarecalledlow-resolutionimages.Thelearning-basedsuper-resolution

reconstructiontechnologycanimprovetheimageresolutionofthesoftwareand

algorithmlevelswithoutmodifyingthehardwareequipmentoftheoriginalimage

system.Therefore,imagesuper-resolutionreconstructiontechnologyisaneconomical

andhighlyfeasibletechnologytoobtainhigher-resolutionimages,andhasaverywide

rangeof