1.1 研究目的及意义

近些年来，科技发展日新月异，人工智能、数据挖掘、5G传输等技术的出现，对图像质量的要求不断提高。衡量图像质量的一个重要指标是图像的分辨率，它表示的是图像单位长度的像素点数。分辨率高的图像更清晰，含有更加丰富的细节信息，对于人类观赏体验的提升和后续的图像处理都有着重要的意义。拥有高分辨率的高清图像，一直是学术界和工业界不懈追求的目标。获取高分辨率图像最可靠的方法就是直接采用高分辨率传感器，然而由于图像采集设施、存储编码算法以及网络传输带宽等因素的限制，且客观世界的自然场景本身就是一个类型繁多、结构复杂、相互作用关系复杂的系统，加上人为采样图像的过程中可能会出现失真、模糊或混声，必然要造成图像有效信息的衰减，导致图像分辨率的降低。所以，利用数字图像处理技术成为提高图像的分辨率的主要方法。

传统的提升图像分辨率的数字图像处理方法是插值法。插值法是指利用图像的已知像素值，运用不同的估计模型增添估计像素值。插值法又包括最邻近插值、双线性插值、双三次内插等。插值法算法简单，时效性高，但是处理过程不考虑图像内在结构，容易造成重建后的图像过度平滑。因此需要性能更优越的方法提升图像分辨率。

2012年，Hinton^[1]在计算机视觉比赛ImageNet竞赛中利用深度学习的方法夺取第一名，一鸣惊人。深度学习因此在图像处理领域迅速普及。应用深度学习思想而提出的基于学习的超分辨率图像重建的方法也应运而生。其中包括SRCNN（Super-ResolutionConvolutional Neural Network）超分辨率卷积神经网络与SRGAN（Super Resolution Generative Adversarial Network，超分辨率生成对抗网络 ），两种方法都有着良好的超分辨率图像重建效果。

1.2 国内外研究现状

超分辨率技术（Super-Resolution，SR）是计算机视觉领域的一门重要学科，其概念最早由国外学者Harris提出。自1964年Harris提出以来，SR领域已经形成基于插值的方法、基于重建的方法、基于学习的方法分为3类主流方法^[2]。其中基于学习的SR方法是近年来图像SR 领域的热点方向，它的基本思路是通过大量样本训练得到 LR图像与 HR 图像之间的映射关系，并借此作为先验知识进行重建。

Yang^[3] 等人提出基于稀疏编码的图像超分辨率(SC-SR) 算法，对高、低分辨率图像块进行联合训练得到相应的一个过完备字典，通过这个字典进行高低分辨率图像块的稀疏关联，取得非常不错的效果。Hinton等人凭借卷积神经网络(CNN，Convolutional Neural Network) 这一利器以绝对优势赢得了 2012 年的ImageNet图像分类大赛，同时也激起

新一轮的研究CNN的热潮。 之后几年，不断涌现出像ZFNet、GoogLeNet、ResNet 等人优秀的CNN模型^[4]。实践证明，用于分类任务的CNN模型迁移到其他任务也可以取得非常优秀的效果。因此，Dong^[5][6]等人在基于样本学习的SR算法基础上提出了SRCNN。SRCNN 首次将CNN引入SR任务中，将传统SR方法的分步处理整合到一个深度学习模型中，大大简化了SR工作流程。SRCNN 的提出证明将深度学习，特别是 CNN 应用到 SR任务中是非常合适的，发展前景广阔。

CNN在传统的超分辨率重建上取得了非常好的效果，可以取得较高的PSNR（PeakSignal to Noise Ratio，峰值信噪比）。他们大都以MSE（Mean Square Error，均方误差）为最小化的目标函数，这样虽然可以取得较高的PSNR，但是当图像下采样倍数较高时，重建的得到的图片会过于平滑，丢失细节。2016年，SRGAN^[7]的提出为超分辨率图像重建提供了新的思路。SRGAN利用感知损失(perceptualloss)和对抗损失(adversarial loss)来提升恢复出的图片的真实感。感知损失是利用CNN提取出的特征，通过比较生成图片经过CNN后的特征和目标图片经过CNN后的特征的差别，使生成图片和目标图片在语义和风格上更相似。2017年Ajvosky^[8]在 SRGAN的基础上，提出基于Wasserstein距离的改进方法WGAN(WassersteinGenerative Adversarial Network，Wasserstein距离生成对抗网络)使GAN的训练更加稳定。

以上列举的都是一些国外研究人员在SR领域中关于算法的研究。而国内研究在SR领域起步较晚，研究人员更多的是在前人算法研究的基础上提出改进创新。例如；浦剑^[9]等人提出迭代学习字典的方法，加快了字典训练的速度，提升了SR算法的效率。孙宝玉^[10]等人提出了多形态稀疏性正则化的方法，有效地减少了图像重建过程中对图像几何和纹理的损坏。刘晨羽^[11]等人提出的基于SRCNN的6层卷积结构有效地保留了图像边缘的信息。