Page 179 - 公共安全18年12月刊_150dpi

分辨率重建等；从重建算法角度看，可分为基于插 及多个残差块，搭建网络模型，并根据先验知识设
值的重建、基于重构的重建和基于学习的超分辨率 计损失函数；
重建。 训练模型：确定优化器及学习参数，使用反向
基于插值的超分辨率重建 传播算法更新网络参数，通过最小化损失函数提升
基于插值的方法对超分辨率图像的估计可视 模型的学习能力；
作利用已知像素信息为未知像素信息进行的拟合过 验证模型：根据训练后的模型在验证集上的表
程，通常由一个预定义的变换函数或者插值核完成。 现，对现有网络模型做出评估，并据此对模型做出
基于插值的方法计算简单、易于理解，但也存在着 相应的调整。
明显的缺陷：首先，它假设像素灰度值的变化是一 深度学习在图像超分辨率重建领域展现出了巨
个连续的、平滑的过程，实际上该假设并不完全成立； 大的潜力，极大地推动了该领域的蓬勃发展。但距

其次，重建过程仅根据一个事先定义的转换函数计 离重建出既保留原始图像各种细节信息、又符合人
算超分辨率图像，不考虑图像的降质退化模型，会 的主观评价的高分辨率图像的目标，仍有很长的路
导致复原出的图像出现模糊、锯齿等现象。 要走。主要存在着以下几个问题：
基于重构的超分辨率重建 深度学习需要海量训练数据、高计算性能的处
基于重构的方法从图像的降质退化模型出发， 理器以及过深的网络容易导致过拟合等问题。
假定高分辨率图像经过了适当的运动变换、模糊及 深度学习预先假定测试样本与训练样本来自同
噪声才得到低分辨率图像，通过提取低分辨率图像 一分布，但现实中二者的分布并不一定相同，甚至可
中的关键信息，并结合对未知的超分辨率图像的先 能没有相交的部分。
验知识来约束超分辨率图像的生成。 尽管当前基于深度学习的重建技术使得重建图
基于机器学习的超分辨率重建 像在主观评价指标上取得了优异的成绩，但重建后
基于学习的方法利用大量的训练数据，从中学 的图像通常过于平滑，丢失了高频细节信息。
习低分辨率图像和高分辨率图像之间某种对应关
系，然后根据学习到的映射关系来预测低分辨率图 结束语
像所对应的高分辨率图像，从而实现图像的超分辨 基于人眼视觉关注点的感兴趣区域编码和图像
率重建过程。最重要的方法是深度学习。 超分辨率重建两大技术可以大幅降低视频传输所
深度学习则是机器学习中最主要的一个算法， 需的带宽和视频存储所需的空间，同时保证优秀的
其旨在通过多层非线性变换，提取数据的高层抽象 图像质量和良好的观看效果。但是，如何精准地识
特征，学习数据潜在的分布规律，从而对新数据做 别关注目标，以及精确地还原图像原始信息，依旧

出合理的判断或者预测。基于深度学习的图像超分 有很长一段路要走。这中间，深度学习扮演了关键
辨率技术的重建流程包括以下几个主要步骤： 的角色，我们期待不断完善的学习机制和神经网络
特征提取：首先对输入的低分辨率图像进行去 的出现。
噪、上采样等预处理，然后将处理后的图像送入神
经网络，拟合图像中的非线性特征，提取代表图像 作者单位：浙江宇视科技有限公司
细节的高频信息；
设计网络结构及损失函数：组合卷积神经网络

2019第四届深圳国际无人机展览会（2019.6.20-22 深圳会展中心） www.china-drone.com.cn 157

భခ࠯ඌ JOEE ྒ௹ؽ