随着图像测量技术在非接触、精度高、动态范围大、信息丰富、测量速度快、自动化程度高等方面的优异性逐渐获得了认可,图像测量技术也得到越来越广泛的应用。但是,在实际应用中,图像测量技术仍存在一些亟待满足的需求。目前想要提升测量精度的主要途径是硬件设备的更新换代,但是,硬件更换和升级是一个缓慢的过程,而且往往价格昂贵、难以符合通用的应用场合并且不利于大规模部署。在考虑如何对图像测量进行优化时,本文将注意力放在了图像测量系统中的边缘检测算法中。在调研并分析了现有的图像测量系统及其中关键技术后,本文尝试通过引入超分辨率重建技术以达到像素加密的目的,从而变相地弥补了硬件方面成像设备分辨率不足的短板,以提高图像测量精度。对此,本文提出了一个基于深度学习的、具有语义感知能力的超分辨率重建模型,通过引入目标检测领域中常见的滑动窗口,网络能够“粗糙地检测目标物体的所在”并减少对滑动窗口以外区域的计算量,从而大大提高了重建效率。实验结果表明,本文针对图像测量任务提出的优化模型,在提高了计算效率的同时,其重建效果在PSNR上仍然能够达到优化前的VDSR模型的95.71%,与基于差值的方法相比,重建效果在PSNR上平均提高了 1 7.53%;将超分辨率重建算法用于优化Canny边缘检测算法时,使用了超分辨率重建算法的边缘检测在PSNR上提升了 1.11%～1.53%,即基于学习的超分辨率重建算法比基于重建的算法更适用于边缘检测优化;最后,实现了基于超分辨率重建算法的图像测量,测量结果的误差率在3%以内,且误差值均在工件的尺寸偏差值以内。