劉永信，段添添

?

基于深度學(xué)習(xí)的圖像超分辨率重建技術(shù)的研究

劉永信，段添添*

（內(nèi)蒙古大學(xué)，內(nèi)蒙古 呼和浩特 010021）

圖像的超分辨率重建技術(shù)指的是將給定的低分辨率圖像通過特定的算法恢復(fù)成相應(yīng)的高分辨率圖像。隨著人工智能的不斷發(fā)展，超分辨率重建技術(shù)在視頻圖像壓縮傳輸、醫(yī)學(xué)成像、遙感成像、視頻感知與監(jiān)控等領(lǐng)域得到了廣泛的應(yīng)用。簡要介紹了圖像超分辨率技術(shù)的研究背景與意義，同時(shí)，概述了其基本原理及評(píng)估指標(biāo)，著重介紹了基于深度學(xué)習(xí)的超分辨率重建技術(shù)的處理流程及幾種具有代表性的超分辨率深度學(xué)習(xí)模型。

人工智能；深度學(xué)習(xí)；超分辨率；制造工藝

1 超分辨率重建技術(shù)的研究背景與意義

圖像分辨率是一組用于評(píng)估圖像中蘊(yùn)含細(xì)節(jié)信息豐富程度的性能參數(shù)，包括時(shí)間分辨率、空間分辨率及色階分辨率等，體現(xiàn)了成像系統(tǒng)實(shí)際所能反映物體細(xì)節(jié)信息的能力。相比于低分辨率圖像，高分辨率圖像通常包含更大的像素密度、更豐富的紋理細(xì)節(jié)及更高的可信賴度。但在實(shí)際中，受采集設(shè)備與環(huán)境、網(wǎng)絡(luò)傳輸介質(zhì)與帶寬、圖像退化模型本身等諸多因素的約束，我們通常并不能直接得到具有邊緣銳化、無成塊模糊的理想高分辨率圖像。提升圖像分辨率的最直接的做法是改進(jìn)采集系統(tǒng)中的光學(xué)硬件，但這種做法受制造工藝難以大幅改進(jìn)、制造成本十分高昂等約束，所以，從軟件和算法的角度著手，實(shí)現(xiàn)圖像超分辨率重建的技術(shù)成為了圖像處理和計(jì)算機(jī)視覺等多個(gè)領(lǐng)域的熱點(diǎn)研究課題。

1955年，Toraldo di Francia在光學(xué)成像領(lǐng)域首次明確定義了超分辨率這一概念，主要是指利用光學(xué)相關(guān)的知識(shí)，恢復(fù)出衍射極限以外的數(shù)據(jù)信息的過程；1964年，Harris和Goodman首次提出了圖像超分辨率這一概念，主要是指利用外推頻譜的方法合成出細(xì)節(jié)信息更豐富的單幀圖像的過程；1984年，在前人的基礎(chǔ)上，Tsai和Huang等人首次提出使用多幀低分辨率圖像重建出高分辨率圖像的方法后，超分辨率重建技術(shù)開始受到了學(xué)術(shù)界和工業(yè)界廣泛的關(guān)注和研究。 具體而言，圖像超分辨率重建技術(shù)指的是利用數(shù)字圖像處理、計(jì)算機(jī)視覺等領(lǐng)域的相關(guān)知識(shí)，借由特定的算法和處理流程，從給定的低分辨率圖像中復(fù)原出高分辨率圖像的過程。其旨在克服或補(bǔ)償由于圖像采集系統(tǒng)或采集環(huán)境本身的限制，導(dǎo)致的成像圖像模糊、質(zhì)量低下、感興趣區(qū)域不明顯等問題。 圖像超分辨率重建技術(shù)在多個(gè)領(lǐng)域都有著廣泛的應(yīng)用和研究意義，主要包括以下幾個(gè)領(lǐng)域。

1.1 圖像壓縮領(lǐng)域

在視頻會(huì)議等實(shí)時(shí)性要求較高的場合，可以在傳輸前預(yù)先對(duì)圖片進(jìn)行壓縮，等待傳輸完畢，再由接收端解碼后通過超分辨率重建技術(shù)復(fù)原出原始圖像序列，極大減少存儲(chǔ)所需的空間及傳輸所需的帶寬。

1.2 醫(yī)學(xué)成像領(lǐng)域

對(duì)醫(yī)學(xué)圖像進(jìn)行超分辨率重建，可以在不增加高分辨率成像技術(shù)成本的基礎(chǔ)上，降低對(duì)成像環(huán)境的要求，通過復(fù)原出的清晰醫(yī)學(xué)影像實(shí)現(xiàn)對(duì)病變細(xì)胞的精準(zhǔn)探測，有助于醫(yī)生對(duì)患者病情作出更好的診斷。

1.3 遙感成像領(lǐng)域

高分辨率遙感衛(wèi)星的研制具有耗時(shí)長、價(jià)格高、流程復(fù)雜等特點(diǎn)，由此研究者將圖像超分辨率重建技術(shù)引入了該領(lǐng)域，試圖解決高分辨率的遙感成像難以獲取這一問題，從而在不改變探測系統(tǒng)本身的前提下提高觀測圖像的分辨率。

1.4 公共安防領(lǐng)域

公共場合的監(jiān)控設(shè)備采集到的視頻往往受到天氣、距離等因素的影響，存在圖像模糊、分辨率低等問題。通過對(duì)采集到的視頻進(jìn)行超分辨率重建，可以為辦案人員恢復(fù)出車牌號(hào)碼、清晰人臉等重要信息，為案件偵破提供必要線索。

1.5 視頻感知領(lǐng)域

通過圖像超分辨率重建技術(shù)，可以起到增強(qiáng)視頻畫質(zhì)、改善視頻質(zhì)量、提升用戶視覺體驗(yàn)的作用。

2 圖像超分辨率重建技術(shù)概述

2.1 降質(zhì)退化模型

低分辨率圖像在成像過程中受到很多退化因素的影響，運(yùn)動(dòng)變換、成像模糊和降采樣是其中最主要的3個(gè)因素。如圖1所示，整個(gè)過程可以通過使圖示的線性變換模型來表征。

上述退化模型可以由以下線性變換表示：

=+. （1）

式（1）中：為觀測圖像；為降采樣矩陣，通常由成像系統(tǒng)的分辨率決定；為模糊作用矩陣，通常由環(huán)境或成像系統(tǒng)本身引起；為運(yùn)動(dòng)變換矩陣，通常由運(yùn)動(dòng)、平移等因素造成；為輸入的高分辨率圖像；為加性噪聲，通常來自于成像環(huán)境或成像過程。

圖像降質(zhì)退化模型描述了自然界中的高分辨率圖像轉(zhuǎn)換成人眼觀測到的低分辨率圖像的整個(gè)過程，即高分辨率圖像成像逆過程，為圖像超分辨率技術(shù)提供了堅(jiān)實(shí)的理論基礎(chǔ)。

圖1 圖像的降質(zhì)退化模型

2.2 重建圖像的評(píng)估

為了衡量重建算法優(yōu)劣，需要引入一種評(píng)估指標(biāo)來對(duì)重建后的圖像進(jìn)行評(píng)估。重建圖像的評(píng)價(jià)方式一般分為兩大類，即主觀評(píng)價(jià)和客觀評(píng)價(jià)。

主觀評(píng)價(jià)以人為評(píng)價(jià)主體，對(duì)重建后圖像的視覺效果進(jìn)行主觀和定性的評(píng)估。為了保證圖像的主觀評(píng)價(jià)具有一定的統(tǒng)計(jì)意義，此種評(píng)估方法需要選擇足夠多的評(píng)價(jià)主體，并保證評(píng)價(jià)主體中未受訓(xùn)練的普通人和受過訓(xùn)練的專業(yè)人員數(shù)量大致均衡。

客觀評(píng)價(jià)中，峰值信噪比（Peak signal-to-noise ratio，PSNR）和結(jié)構(gòu)相似性（Structural Similarity，SSIM）是最常用的2種圖像質(zhì)量評(píng)估指標(biāo)。其中，PSRN通過比較兩幅圖像對(duì)應(yīng)像素點(diǎn)的灰度值差異來評(píng)估圖像的質(zhì)量，SSIM則從亮度、對(duì)比度和結(jié)構(gòu)這3個(gè)方面來評(píng)估兩幅圖像的相似性。具體計(jì)算公式如下：

2.3 圖像分辨率重建技術(shù)分類

根據(jù)分類準(zhǔn)則的不同，可以將圖像超分辨率重建技術(shù)劃分為不同的類別。從輸入的低分辨率圖像數(shù)量角度來看，可以分為單幀圖像的超分辨率重建和多幀圖像（視頻）的超分辨率重建；從變換空間角度來看，可以分為頻域超分辨率重建、時(shí)域超分辨率重建、色階超分辨率重建等；從重建算法角度來看，可以分為基于插值的重建、基于重構(gòu)的重建和基于學(xué)習(xí)的超分辨率重建。本節(jié)主要從算法內(nèi)容出發(fā)，介紹幾類常見的超分辨率重建技術(shù)。

2.3.1 基于插值的超分辨率重建

基于插值的方法將每一張圖像都看做是圖像平面上的一個(gè)點(diǎn)，則對(duì)超分辨率圖像的估計(jì)可以視為是利用已知的像素信息為平面上未知的像素信息進(jìn)行擬合的過程，這通常由一個(gè)預(yù)定義的變換函數(shù)或者插值核來完成。基于插值的方法計(jì)算簡單、易于理解，但是也存在著一些明顯的缺陷：它假設(shè)像素灰度值的變化是一個(gè)連續(xù)、平滑的過程，但實(shí)際上這種假設(shè)并不完全成立；在重建過程中，僅根據(jù)一個(gè)事先定義的轉(zhuǎn)換函數(shù)來計(jì)算超分辨率圖像，不考慮圖像的降質(zhì)退化模型，往往會(huì)導(dǎo)致復(fù)原出的圖像出現(xiàn)模糊、鋸齒等現(xiàn)象。常見的基于插值的方法包括最近鄰插值法、雙線性插值法和雙立方插值法等。

2.3.2 基于重構(gòu)的超分辨率重建

基于重構(gòu)的方法則是從圖像的降質(zhì)退化模型出發(fā)，假定高分辨率圖像是經(jīng)過了適當(dāng)?shù)倪\(yùn)動(dòng)變換、模糊及噪聲才得到低分辨率圖像。這種方法通過提取低分辨率圖像中的關(guān)鍵信息，并結(jié)合對(duì)未知的超分辨率圖像的先驗(yàn)知識(shí)來約束超分辨率圖像的生成。常見的基于重構(gòu)的方法包括迭代反投影法、凸集投影法和最大后驗(yàn)概率法等。

2.3.3 基于學(xué)習(xí)的超分辨率重建

基于學(xué)習(xí)的方法則是利用大量的訓(xùn)練數(shù)據(jù)，從中學(xué)習(xí)低分辨率圖像與高分辨率圖像之間某種對(duì)應(yīng)關(guān)系，然后根據(jù)學(xué)習(xí)到的映射關(guān)系來預(yù)測低分辨率圖像所對(duì)應(yīng)的高分辨率圖像，從而實(shí)現(xiàn)圖像的超分辨率重建過程。常見的基于學(xué)習(xí)的方法包括流形學(xué)習(xí)、稀疏編碼和深度學(xué)習(xí)方法。

3 基于深度學(xué)習(xí)的圖像超分辨率重建技術(shù)

機(jī)器學(xué)習(xí)是人工智能的一個(gè)重要分支，而深度學(xué)習(xí)則是機(jī)器學(xué)習(xí)中最主要的一個(gè)算法，其旨在通過多層非線性變換，提取數(shù)據(jù)的高層抽象特征，學(xué)習(xí)數(shù)據(jù)潛在的分布規(guī)律，從而獲取對(duì)新數(shù)據(jù)做出合理的判斷或者預(yù)測的能力。

隨著人工智能和計(jì)算機(jī)硬件的不斷發(fā)展，Hinton等人在2006年提出了深度學(xué)習(xí)這一概念，其旨在利用多層非線性變換提取數(shù)據(jù)的高層抽象特征。憑借著強(qiáng)大的擬合能力，深度學(xué)習(xí)開始在各個(gè)領(lǐng)域嶄露頭角，特別是在圖像與視覺領(lǐng)域，卷積神經(jīng)網(wǎng)絡(luò)大放異彩，這也使得越來越多的研究者開始嘗試將深度學(xué)習(xí)引入到超分辨率重建領(lǐng)域。2014年，Dong等人首次將深度學(xué)習(xí)應(yīng)用到圖像超分辨率重建領(lǐng)域，他們使用一個(gè)三層的卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)低分辨率圖像與高分辨率圖像之間映射關(guān)系，自此，在超分辨率重建率領(lǐng)域掀起了深度學(xué)習(xí)的浪潮。

基于深度學(xué)習(xí)的圖像超分辨率技術(shù)的重建流程主要包括以下幾個(gè)步驟：①特征提取。對(duì)輸入的低分辨率圖像進(jìn)行去噪、上采樣等預(yù)處理，然后將處理后的圖像送入神經(jīng)網(wǎng)絡(luò)，擬合圖像中的非線性特征，提取代表圖像細(xì)節(jié)的高頻信息。②設(shè)計(jì)網(wǎng)絡(luò)結(jié)構(gòu)及損失函數(shù)。組合卷積神經(jīng)網(wǎng)絡(luò)及多個(gè)殘差塊，搭建網(wǎng)絡(luò)模型，并根據(jù)先驗(yàn)知識(shí)設(shè)計(jì)損失函數(shù)。③訓(xùn)練模型。確定優(yōu)化器及學(xué)習(xí)參數(shù)，使用反向傳播算法更新網(wǎng)絡(luò)參數(shù)，通過最小化損失函數(shù)提升模型的學(xué)習(xí)能力。④驗(yàn)證模型。根據(jù)訓(xùn)練后的模型在驗(yàn)證集上的表現(xiàn)，對(duì)現(xiàn)有網(wǎng)絡(luò)模型進(jìn)行評(píng)估，并據(jù)此對(duì)模型進(jìn)行相應(yīng)調(diào)整。以下是幾種常見的基于深度學(xué)習(xí)的超分辨率重建技術(shù)及其對(duì)比。

3.1 SRCNN

SRCNN（Super-Resolution Convolutional Neural Network）是首次在超分辨率重建領(lǐng)域應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)模型。對(duì)于輸入的一張低分辨率圖像，SRCNN首先使用雙立方插值將其放大至目標(biāo)尺寸，然后利用一個(gè)三層的卷積神經(jīng)網(wǎng)絡(luò)去擬合低分辨率圖像與高分辨率圖像之間的非線性映射，最后將網(wǎng)絡(luò)輸出的結(jié)果作為重建后的高分辨率圖像。SRCNN的網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

3.2 ESPCN

與SRCNN不同，ESPCN（Real-Time Single Image and Video Super-Resolution Using an Efficient Sub-Pixel Convolutional Neural Network）在將低分辨率圖像送入神經(jīng)網(wǎng)絡(luò)之前，無需對(duì)給定的低分辨率圖像進(jìn)行一個(gè)上采樣過程，得到與目標(biāo)高分辨率圖像相同大小的低分辨率圖像。如圖3所示，ESPCN中引入一個(gè)亞像素卷積層（Sub-pixel convolution layer），來間接實(shí)現(xiàn)圖像的放大過程。這種做法極大地降低了SRCNN的計(jì)算量，提高了重建效率。

圖2 SRCNN的網(wǎng)絡(luò)結(jié)構(gòu)

圖3 ESPCN的網(wǎng)絡(luò)結(jié)構(gòu)

3.3 SRGAN

與上述兩種方法類似，大部分基于深度學(xué)習(xí)的圖像超分辨率重建技術(shù)使用均方誤差作為其網(wǎng)絡(luò)訓(xùn)練過程中使用的損失函數(shù)，但是由于均方差本身的性質(zhì)，往往會(huì)導(dǎo)致復(fù)原出的圖像出現(xiàn)高頻信息丟失的問題。而生成對(duì)抗網(wǎng)絡(luò)（Generative Adversarial Networks，GAN）則通過其中的鑒別器網(wǎng)絡(luò)很好地解決了這個(gè)問題，GAN的優(yōu)勢(shì)就是生成符合視覺習(xí)慣的逼真圖像，所以，SRGAN（Photo-Realistic Single Image SuperResolution Using a Generative Adversarial Network）的作者就將GAN引入了圖像超分辨率重建領(lǐng)域。如圖4所示，SRGAN也是由一個(gè)生成器和一個(gè)鑒別器組成。生成器負(fù)責(zé)合成高分辨率圖像，鑒別器用于判斷給定的圖像是來自生成器還是真實(shí)樣本。通過一個(gè)二元零和博弈的對(duì)抗過程，使得生成器能夠?qū)⒔o定的低分辨率圖像復(fù)原為高分辨率圖像。

4 總結(jié)與展望

深度學(xué)習(xí)在圖像超分辨率重建領(lǐng)域已經(jīng)展現(xiàn)出了巨大的潛力，極大地推動(dòng)了該領(lǐng)域的蓬勃發(fā)展發(fā)展。但距離重建出既保留原始圖像各種細(xì)節(jié)信息、又符合人的主觀評(píng)價(jià)的高分辨率圖像這一目標(biāo)，深度學(xué)習(xí)的圖像超分辨率重建技術(shù)仍有很長的一段路要走。目前，主要存在以下幾個(gè)問題：①深度學(xué)習(xí)的固有性約束。深度學(xué)習(xí)存在著需要海量訓(xùn)練數(shù)據(jù)、高計(jì)算性能的處理器以及過深的網(wǎng)絡(luò)容易導(dǎo)致過擬合等問題。②類似傳統(tǒng)的基于人工智能的學(xué)習(xí)方法，深度學(xué)習(xí)預(yù)先假定測試樣本與訓(xùn)練樣本來自同一分布，但現(xiàn)實(shí)中二者的分布并不一定相同，甚至可能沒有相交的部分。③盡管當(dāng)前基于深度學(xué)習(xí)的重建技術(shù)使得重建圖像在主觀評(píng)價(jià)指標(biāo)上取得了優(yōu)異的成績，但重建后的圖像通常過于平滑，丟失了高頻細(xì)節(jié)信息。因此，進(jìn)一步研究基于深度學(xué)習(xí)的圖像超分辨率技術(shù)仍有較大的現(xiàn)實(shí)意義和發(fā)展空間。

圖4 SRGAN的網(wǎng)絡(luò)結(jié)構(gòu)

［1］Park S C，Park M K，Kang M G.Super-resolution image reconstruction：a technical overview［J］.IEEE signal processing magazine，2003，20（03）：21-36.

［2］Kim J，Kwon Lee J，Mu Lee K.Accurate image super-resolution using very deep convolutional networks［C］//Proceedings of the IEEE conference on computer vision and pattern recognition， 2016：1646-1654.

［3］Dong C，Loy C C，He K，et al.Image super-resolution using deep convolutional networks［J］.IEEE transactions on pattern analysis and machine intelligence，2016，38（02）：295-307.

［4］Shi W，Caballero J，Huszár F，et al.Real-time single image and video super-resolution using an efficient sub-pixel convolutional neural network［C］//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition，2016：1874-1883.

［5］Ledig C，Theis L，Huszár F，et al.Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network［C］//CVPR，2017，2（03）：4.

2095－6835（2018）23－0040－04

TP391.41

A

10.15913/j.cnki.kjycx.2018.23.040

＊本文作者：人工智能開放創(chuàng)新平臺(tái)（chinaopen.ai）聯(lián)合學(xué)者

〔編輯：張思楠〕