摘要
随着信息时代的快速发展，人们对图像清晰度的要求越来越高，图像分辨率越高，图像中的信息层次越丰富，有利于人们获取更全面的信息。受采集设备和环境等现实因素的影响，导致获取的图像分辨率不佳。使用硬件设备改善图像分辨率成本高，不利于操作，使用软件实现的超分辨率重建技术不仅节约成本而且效果更好，使得应用范围越来越广泛。针对现有的图像超分辨率重建算法对图像细节信息提取不全面的问题，本文以此为切入点展开研究，主要工作如下： 1）针对传统的算法提取细节信息能力差，信息得不到充分利用的问题，本文提出了一种基于融合分数阶傅里叶变换(FRactional Fourier Transform, FRFT)的深度残差网络的图像超分辨率重建算法。首先使用降质模型得到对应的低分辨率图像，利用卷积层提取图像浅层特征，其次引入残差块加快网络收敛速度，在残差块中加入FRFT，将图像转至分数域进行离散化计算，再转回至空域，提高网络对纹理等高频细节信息的提取能力，最后用反卷积层来实现图像的上采样，将网络输入的低分辨率图像与网络上采样得到的图像相融合实现图像的重建。 2）为了缓解单一尺度卷积核提取的图像特征不够充分，会轻易引起信息残缺、消耗等现象，本文提出了基于多尺度密集残差注意力网络的图像超分辨率重建算法。网络的结构主要由三部分组成，第一部分是多尺度特征提取网络，中间的结构是密集残差注意力模块，最后是亚像素卷积网络。一开始使用不同尺寸的卷积核对输入的图像进行浅层特征提取，将得到的结果送入网络的下一部分；接着利用密集残差注意力模块完成深层次的特征提取，使得到的图像特征信息更全面；最后，采用亚像素卷积完成上采样的过程，得出最后重建的图像。 3）实验结果与分析。在提出的算法模型后面用具体的实验验证本文所提出算法的有效性，其中算法一主要分析了FRFT的最优阶次和残差块的数量，并将本文所提算法结果与其他算法相比较，证明本文所提出的算法得到的重建效果更出色，评价指标的结果值更优；算法二加入多尺度与单一尺度进行特征提取的对比，分析了加入密集连接和注意力机制的有效性，并将实验结果与其他算法进行对比，证明本文算法结果取得的效果更佳，得到的评价指标值更高。
NETL