Page 178 - 公共安全18年12月刊_150dpi

C 前沿技术
Cutting-edge Technology

于自顶向下的视觉注意机制的检测模型大多是简单 重建技术，我们可以依据数字图像处理、计算机视
地加入某类目标识别的具体特定的知识特征，用于 觉等领域的相关知识，借由特定的算法和处理流程，
识别特定的目标从而辅助图像的显著性区域的检 从给定的低分辨率图像中复原出高分辨率的图像。
测，未能充分实现统一的自顶向下的视觉注意机制。 图像超分辨率重建在国计民生的多个领域均
近些年，深度学习的人工神经网络模型在大规 具有重要的应用意义。在视频监控、电视会议等需
模的图像分类等图像处理任务中展现出了很好的 要进行广域视频传输的场合，传输前对视频图像进
效果。随着深度学习相关理论和实践的不断发展， 行有损压缩，接收端解码后再通过超分辨率重建技
开始有学者和研究人员将深度学习方法引入图像 术复原出原始图像序列，从而极大地减少传输的带
显著性区域问题的研究。例如利用 3 层的稀疏编 宽需求和存储的空间需求。在医学图像、遥感成像、
码器以无监督的学习方式从图像中提取更高的特 公共安全、消费电子等领域，改造图像采集设备成

征用于图像的显著性区域检测；或采用一组通过 本高昂，超分辨率重建技术可以在不增加图像视频
k-means 算法训练学习到的卷积滤波器提取低级 采集成本的基础上复原出的清晰的影像，有助于提
和中级特征，之后利用中央 - 周边差值方法计算局 升医学诊断、遥感探测、目标识别、观赏体验的效果。
部对比度。 视频图像的成像过程受到很多退化因素的影
虽然深度神经网络模型表现出了很好的效果 响，其中最主要的三个因素是：运动变换，通常由运
和优秀的潜力，依旧不算完善。例如上述的两种方法， 动、平移等因素造成；模糊作用，通常由环境或成像
前者只关注了高级顶层特征的提取而忽略了低级特 系统本身引起；降采样，通常由成像系统的分辨率
征，而后者则忽略了高级特征。 决定。此外，还有加性噪声，通常来自于成像环境或
成像过程。衡量重建算法的优劣通常基于重建后图
视频解码与图像超分辨率重建 像的评估。重建图像的评价方式分为两大类：主观
为追求低码率，视频编码会尽力压缩视频，从 评价和客观评价。主观评价以人为评价主体，对图
而导致图像细节信息的丢失。基于有损视频编码文 像的视觉效果做出主观和定性的评估；为保证一定
件而解码后的视频图像自然就存在图像的损伤。为 的统计意义，需要选择足够多的评价主体，并保证
了修复这类损伤，甚至为了追求更好的图像效果， 评价主体中未受训练的普通人和受过训练的专业
产生了图像超分辨率重建技术。图像分辨率是一组 人员数量大致均衡。客观评价通常采用峰值信噪比
用于评估图像中蕴含细节信息丰富程度的性能参 （Peak signal-to-noise ratio ，PSNR）和结构相似
数，包括时间分辨率、空间分辨率及色阶分辨率等， 性 (Structural Similarity， SSIM) 两种图像质量评
体现了成像系统实际所能反映物体细节信息的能 估指标；PSRN 通过比较两幅图像对应像素点的灰

力。高分辨率图像通常包含了更大的像素密度、更 度值差异来评估图像的好坏，SSIM 则从亮度、对比
丰富的纹理细节及更高的可信赖度。 度和结构三个方面评估两幅图像的相似性。
编码后的实时视频或历史视频，相对原始场景， 根据分类准则的不同，图像超分辨率重建技术
其图像通常会带来各类损伤。受采集设备与环境、 可以划分为不同的类别。从输入的低分辨率图像数
网络传输介质与带宽、图像退化模型本身等诸多因 量看，可分为单帧图像的超分辨率重建和多帧图像
素的约束，通常无法直接得到具有边缘锐化、无成 （视频）的超分辨率重建；从变换空间角度看，可分
块模糊的理想高分辨率图像。利用图像超分辨率 为频域超分辨率重建、时域超分辨率重建、色阶超

156 2019第八届深圳国际智能交通与卫星导航位置服务展览会(2019.6.20-6.22深圳会展中心)www.its-expo.com

భခ࠯ඌ JOEE ྒ௹ؽ