基于残差网络图像超分辨率算法改进研究.docVIP

基于残差网络图像超分辨率算法改进研究 　　摘 要：图像超分辨率重建算法的主要内容是使用低分辨率的图像信息生成高分辨率图像。近年来，随着深度学习和卷积神经网络的发展，出现了很多基于卷积神经网络与残差网络的超分辨率算法。为了解决这些算法参数数量过多、处理过程复杂、训练时间长等问题，结合现有残差网络模型和深度学习算法对其进行改进，包括调整网络结构，减少需要学习的参数，以及去除批归一化层，降低计算复杂度。改进后的网络模型能够取得更好的效果，生成图像的主观和客观评价有一定提高。 　　关键词：图像超分辨率；残差网络；深度学习；卷积神经网络 　　DOI：10.11907/rjdk.172519 　　中图分类号：TP312 　　文献标识码：A 文章编号：1672-7800（2018）004-0091-03 　　Abstract：The main content of the image super-resolution reconstruction algorithm is to use low-resolution image information to generate high-resolution images. In recent years， with the development of deep learning and convolution neural network， there are many super-resolution algorithms based on convolution neural networks and residual networks appear. In order to solve the problem of excessive number of parameters， complex processing process and long training time in these algorithms， this article proposed an improved algorithm that combined with the existing residual network model and the deep-learning algorithm. The key improvements are adjusting the network structure， reducing the need to learn the parameters， removig the Batch-Normalization layer and reducing the computational complexity. The improved network model can achieve better results， and the subjective and objective evaluation of the generated images are improved. 　　Key Words：image super-resolution； residual network； deep learning； convolutional neural network 　　0 引言 　　图像超分辨率重建技术（SR）是一种使用一幅或多幅低分辨率（LR）图片生成高分辨率（HR）图像的技术，使用该技术可以使低分辨率图像在放大时能够取得比常用的双三次插值更好的效果。其中，使用单幅图像进行超分辨率重建（SISR）方法是研究的重点[1]。目前超分辨率技术实现方法主要有基于插值[3]、基于重构[2]和基于学习[4]3种方法。基于学习的方法又分为自学习和样本学习方法，自学习使用输入低分辨率图像的内部结构相似性重建高分辨率图像，样本学习是通过对外部的大量图像进行学习，找出LR块和HR块的对应关系，然后将这种对应关系应用到重建中，实现超分辨率重建。 　　在使用外部样本的超分辨率算法中，Yang等[12]首先在大量训练图像中找出LR/HR对，然后利用稀疏表达，得到一对共享参数且误差最小的字典，在重建中利用训练得到的字典将LR图像进行非线性变换得到HR信息，然后与LR的双三次插值相加，得到HR图像。近年来，随着深度学习和人工神经网络的发展，Dong等[6]提出使用卷积神经网络进行LR/HR变换与训练的SRCNN算法，SRCNN算法是使用三层卷积神经网络进行超分辨率重建的算法。因为网络结构过深会造成训练速度变慢，而且由于过拟合的影响，图像质量提升不明显，所以只采用了三层网络。 　　本文将卷积神经网络用于图像超分辨率重建方法的优化。受文献[5]的启发，借鉴深度残