基于深度学习的图像超分辨率算法研究  

The Research on Super-resolution Method Using Deep Learning

作　　者：胡传平[1] 钟雪霞 梅林[1,2] 邵杰[1] 王建[1,3] 何莹[1] 

机构地区：[1]公安部第三研究所,上海200031 [2]上海辰锐信息科技公司,上海201204 [3]上海国际技贸联合有限公司,上海200031

出　　处：《铁道警察学院学报》2016年第1期5-10,共6页Journal of Railway Police College

基　　金：2014年上海市国际科技合作基金项目"小型一体化移动宽带卫星通讯系统"(项目编号:15530701300);2015年上海市优秀技术带头人计划项目"智能视频监控评测服务平台"(项目编号:15XDl520200);2014年上海市科委组建上海工程技术研究中心项目"上海智能视频监控工程技术研究中心"(项目编号:14DZ2252900);2013年科技部"863"计划项目"面向城市运行管理的数据高性能分析技术与系统"(项目编号:2013AA01A603);2012年工信部物联网发展项资金项目"视频图像融合感知与智能分析技术研究及系统研制"

摘　　要：单幅图像超分辨率算法的主要任务是根据一幅给定的低分辨率图像重建出对应的高分辨率图像。大多数基于外部样例学习的单幅图像超分辨率算法首先提取低分辨率样例图像块和高分辨率样例图像块的图像特征,然后用机器学习的某种方法学习它们之间的非线性映射关系,最后将重叠的高分辨率图像块聚合生成高分辨率图像。对基于深度学习的端到端学习架构进行改进,端到端的超分辨率学习架构无需预处理和图像聚合过程;通过加深和改进深度学习网络结构,我们提出了一种新的基于卷积神经网络的图像超分辨率算法。与其他优秀的图像超分辨率算法进行对比,实验结果证明了该算法的优越性。The task of single image super-resolution （SISR） is to reconstruct a high-resolution （HR） image from a given low-resolution （LR） image. The most external exemplar-based SISR algorithms learn the non-linear mapping from the low to high resolution image pairs by feature extraction using a machine learning method. An HR image is finally generated by aggregating the overlapping HR image patches. On the basis of end-to-end learning framework, which is a breakthrough for SISR using deep convolution networks without the process of image feature extraction and patches aggregation, we propose a new SISR algorithm by means of deepening and the convolutional neural network. Experimental results prove the effectiveness of the Robust Super-solution method using Convolutional Neural Networks （NSRCNN） by comparison of other state-of-art algorithms.

关 键 词：单幅图像超分辨率 外部样例学习 卷积神经网络 端到端学习 

分 类 号：TP391[自动化与计算机技术—计算机应用技术]