14、基于深度卷积神经网络的单图像超分辨率技术

基于深度卷积神经网络的单图像超分辨率技术

1. 引言

单图像超分辨率（SR）在图像和计算机视觉任务领域取得了显著的成果。其主要目标是将低分辨率（LR）输入图像转换为高分辨率（HR）输出图像，这一过程也被称为图像上采样、增强、放大、缩放或变焦。

图像SR在许多硬件应用中是一项具有挑战性的任务，例如医学成像设备、法医学、视频安全监控和目标检测等。图像SR的主要方法包括传统方法、基于频率的方法（如傅里叶变换、小波变换和第二代小波变换）、基于空间域的方法（如凸集投影、卡尔曼滤波器和最小均方算法）、直接方法（如中值滤波器、加权中值滤波器或基于SVD的滤波器）、基于概率的方法（如最大似然法、最大后验估计和马尔可夫随机场）以及基于深度学习的方法。本文主要关注基于卷积神经网络（CNN）的深度学习图像SR方法。

主要贡献如下：
- 探索近期用于图像SR方法的深度CNN方法的基础知识。
- 讨论在训练和测试图像SR方法时，深度CNN使用的数据集。
- 讨论一些基于多个峰值信噪比（PSNR）和结构相似性指数（SSIM）的定量结果。

2. 传统和基于深度学习的图像超分辨率方法

2.1 基于插值的图像超分辨率上采样方法

图像插值是一种将LR图像转换为HR图像的方法，其设计简单，实现容易。插值在各个领域的应用包括太空成像、军事应用、医学图像增强和图像解压缩等。基于插值的技术主要分为最近邻、双线性和双三次插值方法。
- 最近邻插值 ：这是一种简单基本的插值方法，它不使用加权标准计算平均值，也不使用复杂方法生成中间值，而是直接找到“最近”的相邻像素并采用其强度值。 <