基于小递归卷积神经网络的图像超分辨算法

针对现有软件实现超分辨算法通常过于复杂、运算开销大、模型复杂度高的问题,本文从成像过程中图像退化的物理原理出发,提出一套基于小递归卷积神经网络的单帧图像超分辨模型.将物理模型的约束融入到模型中,与现有的基于统计学习的图像超分辨算法相比,本文提出的模型的模型复杂度和计算量几乎可以忽略不计,同时内部的参数也有着更加明确的物理意义,并且引入了外部数据辅助对相应的模型参数进行学习.使用运行速度、峰值信噪比的数值方法对结果进行评价,结果表明:本文提出的算法消耗时间只有传统反向投影算法的75%,而精度比反向投影算法提高了0.2dB,比双线性插值提高了1.2dB.本文提出的算法可以取得比迭代反投影算法更快、重建精度更高的超分辨重建效果.