论文部分内容阅读
图像具有信息储存量大、直观等优点,在信息时代的发展过程中占据着重要的地位。图像的分辨率是图像质量最重要的评价指标之一,代表了图像中储存的信息量。通常图像的分辨率越高,其包含的信息量就越大,因此,提升图像分辨率对于信息的存储和利用有十分重要的意义。图像超分辨率重建主要通过软件方法来实现图像分辨率的提升,重点在于软件算法的提升,而不是硬件的提升,大大的降低了研究和应用成本。在生产生活中,超分辨率重建在视频监控、遥感测绘和医学影像等领域有很广阔的应用前景。随着深度学习的研究与发展,卷积神经网络得到快速发展。近期的研究证明,深度卷积神经网络可以显著提高图像超分辨率的重建效果。根据目前图像超分辨率领域的研究来看,对重建图像质量的评价分为主观评价和客观评价,两种评价标准的区别在于主观评价标准为重建图像与原图像的视觉误差,而客观评价标准为图像间的像素误差。本文针对这两个问题,分别提出了多尺度残差密集网络(MSRDN)和Wasserstein超分辨率对抗网络(SRWGAN),MSRDN目的是减少重建图像与原图像的像素误差,SRWGAN则是为了生成视觉上更好的图像。首先,考虑到以往的深度神经网络中,图像特征没有被充分提取,各个卷积层的信息没有被充分利用。本文提出多尺度残差密集网(MSRDN),通过不同的卷积核来获取多尺度特征,充分提取了图像的信息。通过全局和局部的特征融合以及残差学习,充分利用每个卷积层的信息。最后考虑到不同上采样系数图像之间的内在联系,我们在网络的开头和结尾引入多上采样系数的结构和训练方法,使得在一个模型中可以实现多个上采样任务,大大减少了训练时间和占用的资源。其次,考虑到提升超分辨率图像重建的视觉效果,我们改进了生成式对抗网络模型,引入多尺度残差密集块和全局特征融合,充分利用原始低分辨率图像特征。考虑到生成式对抗网络难于训练的问题,我们引入WGAN,通过Wasserstein距离来表示两个数据集分布的差异程度,解决了训练不稳定的问题,提供可靠的训练进程指标。最后,我们将模型应用在遥感图像领域,设计遥感图像的超分辨率重建原型系统,得到较好的重建结果,证明我们的模型可以在现实生活中得到应用。