楊宇輝 劉昌華

摘要：大田油菜花航拍圖像由于光照因素、氣候影響、硬件條件成本限制等原因，所拍出的圖片往往較為模糊，效果不佳。為了解決這一問(wèn)題，提出一種基于快速卷積神經(jīng)網(wǎng)絡(luò)的大田油菜花圖像超分辨率重建算法（AFSRCNN），通過(guò)基于深度學(xué)習(xí)的方法，在卷積神經(jīng)網(wǎng)絡(luò)圖像超分辨率（SRCNN）上進(jìn)行網(wǎng)絡(luò)的加深和優(yōu)化，增加了反卷積層和小感受野卷積核。與傳統(tǒng)的雙三次插值法和卷積神經(jīng)網(wǎng)絡(luò)超分辨率（SRCNN）重建的圖像結(jié)果相比較，該算法計(jì)算所得的圖像的平均峰值信噪比（PSNR）分別高1.590 dB和0.335 dB。實(shí)驗(yàn)結(jié)果表明，將此算法應(yīng)用到大田油菜圖像超分辨率重建問(wèn)題中，可以得到更豐富的油菜輪廓信息，重建出更加優(yōu)質(zhì)的高分辨率圖像。

關(guān)鍵詞：航拍圖像;快速卷積神經(jīng)網(wǎng)絡(luò);反卷積層;峰值信噪比;高分辨率圖像

中圖分類號(hào)：TP301.6文獻(xiàn)標(biāo)志碼：A文章編號(hào)：1008-4657（2020）03-0012-07

0?引言

我國(guó)作為人口大國(guó)和農(nóng)業(yè)大國(guó)，對(duì)于糧油的需求量一直很大。居民日常食用的菜籽油營(yíng)養(yǎng)豐富，油菜餅粕作為優(yōu)質(zhì)的蛋白質(zhì)飼料和肥料也被廣泛的應(yīng)用于種植業(yè)和畜牧業(yè)，為農(nóng)民帶來(lái)了可觀的收益[1]。我國(guó)油菜花田的種植面積和總產(chǎn)量均占世界的1/3[2]，油菜充當(dāng)著我國(guó)最為重要的油料作物和優(yōu)質(zhì)的蛋白質(zhì)作物，因此如何種植出更為優(yōu)質(zhì)的油菜是我們目前所面臨的問(wèn)題。

隨著現(xiàn)代智慧農(nóng)業(yè)的推廣和數(shù)字圖像處理技術(shù)的不斷發(fā)展，無(wú)人機(jī)作為精準(zhǔn)農(nóng)業(yè)航空[3]的重要傳感設(shè)備，以其全自動(dòng)飛行、厘米級(jí)定位、自主航線規(guī)劃等得天獨(dú)厚的優(yōu)勢(shì)，在大田油菜花圖像采集中發(fā)揮著至關(guān)重要的作用。為保證油菜品質(zhì)，需要利用無(wú)人機(jī)航拍對(duì)其生長(zhǎng)狀況以及花期識(shí)別做到實(shí)時(shí)監(jiān)測(cè)和圖像采集，但由于航拍時(shí)受限于光照強(qiáng)度、氣候影響和無(wú)人機(jī)攝像頭硬件成本等因素，采集的油菜田圖像集中存在小部分圖片較為模糊、田埂之間紋理以及油菜花分布細(xì)節(jié)不清晰等問(wèn)題，為解決這方面的問(wèn)題，就需要修復(fù)重建，提高其圖像質(zhì)量。

圖像超分辨率重建技術(shù)旨在將一幅退化過(guò)后的低分辨率圖像還原成一張高分辨圖像，該技術(shù)可以有效地克服因傳感器成像過(guò)程中出現(xiàn)的噪音干擾、模糊等一系列退化因素的影響，在圖像處理、計(jì)算機(jī)視覺(jué)和數(shù)學(xué)應(yīng)用等領(lǐng)域發(fā)揮著重要的作用[4]，同時(shí)在醫(yī)療、航天、工業(yè)控制等領(lǐng)域有著廣闊的應(yīng)用前景。由Keys[5]提出的基于雙三次插值的超分辨率方法利用像素點(diǎn)的值對(duì)周圍的像素點(diǎn)進(jìn)行擴(kuò)充以得到高分辨率圖像。在基于重建的方法中由Irani等[6]提出的迭代反向投影算法，通過(guò)迭代更新投影的初始估計(jì)得到的低分辨率圖像與原圖像的計(jì)算誤差來(lái)進(jìn)行反向投影以輸出高分辨率圖像。雖然這兩種方法簡(jiǎn)單高效，但是所得的圖像會(huì)產(chǎn)生更為平滑的邊，細(xì)節(jié)上還有很多不足，模糊問(wèn)題無(wú)法得到解決。隨后由Yang等[7]提出的稀疏表示的方法拉開了基于學(xué)習(xí)的超分辨率重建技術(shù)的序幕，而由Dong等[8]提出的SRCNN（Super Resolution Convolutional Neural Net-work），更是將深度學(xué)習(xí)與其中經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用到了圖像超分辨重建領(lǐng)域，在重建出的高分辨率圖像方面取得了傲人的成績(jī)。

為了更加充分地突出大田油菜圖像的細(xì)節(jié)信息，本文仍采用深度學(xué)習(xí)的方法，基于SRCNN中整體網(wǎng)絡(luò)計(jì)算復(fù)雜度過(guò)大，利用FSRCNN[9]的網(wǎng)絡(luò)模型框架，提出了一種快速卷積神經(jīng)網(wǎng)絡(luò)的大田油菜花圖像超分辨率重建算法（AFSRCNN）。將縮小后的原始圖像運(yùn)用不同大小的卷積核層層提取圖像特征;為避免SRCNN網(wǎng)絡(luò)中的計(jì)算量過(guò)大而影響整體的網(wǎng)絡(luò)訓(xùn)練速度，通過(guò)在普通的6層3 × 3的卷積核兩側(cè)分別加入兩個(gè)1 × 1的不同維度的卷積核來(lái)實(shí)現(xiàn)網(wǎng)絡(luò)訓(xùn)練速度的提升;并在最后利用反卷積層進(jìn)行采樣與圖像特征的最終提取，從而達(dá)到了對(duì)大田油菜花圖像的細(xì)節(jié)還原。

1?SRCNN算法原理

SRCNN算法屬于監(jiān)督式學(xué)習(xí)，對(duì)于由無(wú)人機(jī)航拍的大田油菜的自然圖片，利用深度學(xué)習(xí)理論，搭建一個(gè)基于卷積神經(jīng)網(wǎng)絡(luò)超分辨率模型3層特征提取，完成由低分辨率圖像到高分辨率圖像之間的映射。該算法首先利用原始圖像，通過(guò)雙三次插值法并設(shè)置升級(jí)因子放大到與要還原的高分辨率圖像尺寸一樣的大小，再通過(guò)一層特征提取層提取特征圖像，并在下一層完成非線性的特征映射，最后經(jīng)過(guò)一層重建層還原出高分辨率的大田油菜圖片，該網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

網(wǎng)絡(luò)通過(guò)ReLU[10]作為激活函數(shù)以增強(qiáng)網(wǎng)絡(luò)的非線性表達(dá)能力，其公式如下

SRCNN網(wǎng)絡(luò)整體結(jié)構(gòu)較為精簡(jiǎn)，能夠通過(guò)卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于圖像處理的問(wèn)題，重建出高分辨率的圖像。但該算法的缺陷在于在圖像預(yù)處理上，因?yàn)槭褂昧穗p插值算法增加了運(yùn)算的復(fù)雜度;另外由于網(wǎng)絡(luò)層數(shù)的精簡(jiǎn)致使重建質(zhì)量無(wú)法達(dá)到更佳。

2?本文算法

相較于SRCNN而言，在圖像的預(yù)處理方面，由原來(lái)將原始圖像X按照尺度因子大小進(jìn)行采樣，通過(guò)雙三次插值法以同等比例的升級(jí)因子放大上采樣，改為僅僅將圖像進(jìn)行采樣，得到低分辨率圖像Y，相當(dāng)于直接將原始圖像尺寸縮小作為網(wǎng)絡(luò)模型的輸入，從而減少了運(yùn)算的復(fù)雜度。

針對(duì)顏色通道的處理方面，我們首先將原始的RGB圖像轉(zhuǎn)換成YCbCr的顏色空間。由于人眼僅對(duì)亮度通道敏感，所以為了降低網(wǎng)絡(luò)模型的計(jì)算量，我們僅輸入Y通道進(jìn)行重建。剩下的Cb、Cr通道在Y通道完成網(wǎng)絡(luò)映射之后，再進(jìn)行通道合并，重建出一幅高分辨率彩色大田油菜圖像。

2.1?網(wǎng)絡(luò)模型

網(wǎng)絡(luò)模型如圖2所示，可分為五個(gè)部分，分別為特征提取層、收縮層、特征映射層、擴(kuò)張層和反卷積層，整個(gè)網(wǎng)絡(luò)結(jié)構(gòu)共有十層，形狀呈“沙漏”狀。前四個(gè)部分都是不同核大小普通卷積層，最后一個(gè)部分為反卷積層。

首先第一層為特征提取層，運(yùn)用56個(gè)核大小為5、通道為1的卷積核（后續(xù)所有卷積核通道數(shù)均為1）對(duì)輸入的原始油菜田圖像的基本紋理細(xì)節(jié)進(jìn)行粗略的特征信息提取，由低分辨率圖像Y到高分辨率圖像F（Y）之間的映射關(guān)系為F，該過(guò)程可以表示為F1（Y），第一層輸入Z1為

其中W1為卷積核大小，可表示為56 × 5 × 5 × 1，Y為下采樣后的原始低分辨率圖像，B1為該卷積層的偏置項(xiàng)。而對(duì)于前四個(gè)部分所用到的激活函數(shù)，我們?cè)谶@里采用PReLU代替原SRCNN中的ReLU，PReLU的函數(shù)形式為

其中xi是激活函數(shù)f（xi）在第i個(gè)通道上的輸入信號(hào)，這里默認(rèn)為1，ai則是負(fù)數(shù)部分的系數(shù)。相比較ReLU而言，它們負(fù)數(shù)部分的系數(shù)是不同的。傳統(tǒng)的ReLU負(fù)數(shù)部分為0，而且經(jīng)常容易在零梯度時(shí)產(chǎn)生“壞死特征”，但對(duì)于PReLU來(lái)說(shuō)這樣設(shè)置參數(shù)是可學(xué)習(xí)的，并且激活性能更加穩(wěn)定。通過(guò)激活函數(shù)得到第一層輸出F1（Y）。

2.1.1?收縮層與擴(kuò)張層

當(dāng)?shù)玫降谝粚虞敵龊?，粗略提取的特征信息進(jìn)入收縮層。收縮層與擴(kuò)張層實(shí)際上都是由核大小為1 × 1但維度不同的卷積核所組成，之所以在收縮層中利用12個(gè)1 × 1這種“小感受視野”的卷積核是因?yàn)樗鸬教卣鹘稻S，節(jié)省計(jì)算量作用，另外還可以增加模型非線性表達(dá)能力。該層輸入Z2和通過(guò)激活函數(shù)輸出的F2（Y）表達(dá)式過(guò)程分別為

其中，W2為卷積核大小，可表示為12 × 1 × 1 × 1，B2為收縮層卷積層的偏置項(xiàng)。

非線性映射層則是影響超分辨率性能的最重要部分，影響最大的因素是卷積核數(shù)量和維度。為構(gòu)建一個(gè)更高效的映射層，我們使用核大小為33的卷積核，這樣，在性能和網(wǎng)絡(luò)規(guī)模之間進(jìn)行權(quán)衡，通過(guò)借鑒SRCNN的實(shí)驗(yàn)發(fā)現(xiàn)，網(wǎng)絡(luò)模型中使用的卷積核大小種類越多，性能就越好，為了保持與SRCNN相同的良好性能，在映射部分使用6層每層12個(gè)3 × 3卷積核來(lái)代替單個(gè)寬層，于是W3=W4=W5=W6=W7=W8=12 × 3 × 3 × 1。

接下來(lái)在第8層（擴(kuò)張層）中，該層與收縮層的作用正好相反，是來(lái)進(jìn)行維度擴(kuò)張的。加這一層的主要目的是為了彌補(bǔ)在非線性映射中重建的高分辨率圖像所產(chǎn)生的效果不理想的問(wèn)題，以此來(lái)擴(kuò)展特征圖像的維度，為保證與收縮層卷積核大小的一致性，同樣使用1 × 1的卷積核，而維度則為56。前面八層輸出可表示為F8（Y）這里第九層輸入Z9和輸出F9（Y）表達(dá)式過(guò)程分別為

2.1.2?反卷積層

最后一個(gè)部分是反卷積deconv層，使用一組反卷積的卷積核對(duì)前面的特征進(jìn)行采樣和聚集。對(duì)于反卷積，可以看作是一種卷積的逆過(guò)程、逆運(yùn)算。在卷積層設(shè)置步長(zhǎng)stride時(shí)若設(shè)置為n，則輸出圖像尺寸是輸入圖像尺寸的1n倍。相反，在反卷積中若設(shè)置卷積步長(zhǎng)為n，則輸出圖像尺寸是輸入的n倍。將圖像預(yù)處理中通過(guò)升級(jí)因子縮小的原始圖像，模型在經(jīng)過(guò)了9層卷積的過(guò)程中通過(guò)反卷積層，按升級(jí)因子放大到原始圖像的尺寸，其過(guò)程如下

其中，反卷積核W10為1 × 9 × 9 × 1，stride= 3，B10為該層偏置項(xiàng)，步長(zhǎng)與升級(jí)因子相同，最后一層沒(méi)有用激活函數(shù)，最終重建出與原始圖像尺寸相同的高分辨率圖像。

2.2?損失函數(shù)

為重建圖像與原圖像更加接近，在損失函數(shù)上仍選取MSE均方誤差函數(shù)作為預(yù)測(cè)值和真實(shí)值之間的平方和的平均數(shù)[11]，也就是重建的高分辨率圖像與原始圖像像素之間的插值（歐氏距離），這個(gè)差值越小，表示重建的結(jié)果越好。損失函數(shù)形式如下

其中θ表示各層網(wǎng)絡(luò)中的參量的集合向量θ={W1，W2，…，B1，B2，…}，Xi表示原始圖像，Yi為重建的高分辨率圖像，n是訓(xùn)練的樣本個(gè)數(shù)。在網(wǎng)絡(luò)不斷迭代學(xué)習(xí)的過(guò)程中，利用反向傳播算法[12]各層的網(wǎng)絡(luò)參數(shù)按照損失函數(shù)的像素差值使得和也在不斷更新，以達(dá)到更好的重建效果。

3?實(shí)驗(yàn)與分析

3.1?圖像質(zhì)量評(píng)價(jià)標(biāo)準(zhǔn)

除了通過(guò)肉眼的觀測(cè)來(lái)主觀的評(píng)價(jià)一張圖像重建質(zhì)量的好壞之外，另外我們還需要選取一種更為精準(zhǔn)的評(píng)價(jià)圖像質(zhì)量的標(biāo)準(zhǔn)，在此模型中，平均峰值信噪比（PSNR）[13]作為目前廣泛應(yīng)用于評(píng)測(cè)圖像質(zhì)量的指標(biāo)之一無(wú)疑是最好的選擇。而計(jì)算PSNR要先知道MSE的差值，公式如下

其中MSE為前文的均方誤差值，按照其評(píng)價(jià)標(biāo)準(zhǔn)，PSNR的值越高（其值的單位為dB），所重建的高分辨率圖像質(zhì)量就越好。

3.2?實(shí)驗(yàn)參數(shù)設(shè)置

本文所采集的航拍油菜田圖片數(shù)據(jù)，均由中國(guó)農(nóng)業(yè)科學(xué)院油料作物研究所種質(zhì)資源研究室采用無(wú)人機(jī)設(shè)備在規(guī)模化種植的油菜田中航拍所得。與Set5[14]和Set14[15]中的Image_91和General_100數(shù)據(jù)集相比，本文訓(xùn)練集圖像內(nèi)存較大，為減小單張圖像的內(nèi)存和尺寸大小，于是將訓(xùn)練集中的十幾張高分辨率圖像裁剪出50張圖片，通過(guò)鏡像垂直翻轉(zhuǎn)的操作把這50張圖片擴(kuò)充一倍，得到100幅圖像，再對(duì)這100幅圖像分別進(jìn)行逆時(shí)針旋轉(zhuǎn)0°、90°、180°、270°，所以此次總共的訓(xùn)練的圖片集數(shù)據(jù)共有400張。進(jìn)行實(shí)驗(yàn)之前首先對(duì)訓(xùn)練的樣本數(shù)據(jù)做預(yù)處理，先預(yù)設(shè)升級(jí)因子為3，將圖片尺度按Bicubic[16]（雙三次插值法）下采樣縮小3倍，將圖片由RGB轉(zhuǎn)為YCbCr的顏色通道，并只對(duì)Y通道進(jìn)行訓(xùn)練。

整個(gè)網(wǎng)絡(luò)是在caffe網(wǎng)絡(luò)框架上搭建的，在網(wǎng)絡(luò)訓(xùn)練過(guò)程中有如下的全局參數(shù)設(shè)置：網(wǎng)絡(luò)總體的基礎(chǔ)學(xué)習(xí)率固定為0.001，momentum為0.9，網(wǎng)絡(luò)共10層，前9層卷積層中的pad為0，stride為1，最后的反卷積層stride為3，pad為4，與升級(jí)因子3相同，以保證原始圖像與重建圖像尺寸大小一致。整個(gè)實(shí)驗(yàn)過(guò)程在win10系統(tǒng)下通過(guò)matlab進(jìn)行仿真實(shí)現(xiàn)，實(shí)驗(yàn)完整硬件配置如下：處理器AMD Ryzen 5 3600X 6-Core六核;內(nèi)存16 GB DDR4 3200 MHz;GPU為Nvidia GeForce RTX 2060 SUPER（8 GB/Nvidia）。軟件部分配置如下：Windows10專業(yè)版64位（DirectX 12）;caffe;matlab2018a;CUDA10.0;CUDNN10.1。

3.3?實(shí)驗(yàn)結(jié)果與分析

整個(gè)網(wǎng)絡(luò)模型全程通過(guò)GPU加速訓(xùn)練十萬(wàn)次，為了對(duì)比SRCNN算法與雙三次插值算法，利用本文自建的數(shù)據(jù)集，同樣對(duì)SRCNN模型訓(xùn)練十萬(wàn)次。首先要體現(xiàn)本文算法在訓(xùn)練速度上的優(yōu)勢(shì)。在訓(xùn)練過(guò)程中，分別記錄了兩種模型訓(xùn)練10 000次、50 000次和100 000次的總耗時(shí)進(jìn)行對(duì)比，如表1所示。由于兩種算法模型的復(fù)雜度不同，所以在迭代訓(xùn)練時(shí)有一定的時(shí)間差距。

從表1數(shù)據(jù)來(lái)看，本文算法在訓(xùn)練模型的速度上優(yōu)于SRCNN模型。

本次實(shí)驗(yàn)的測(cè)試集為保證隨機(jī)性，從未經(jīng)過(guò)訓(xùn)練的航拍高分辨率油菜田圖像中任意選取了七張作為測(cè)試集，實(shí)驗(yàn)結(jié)果分別由主觀評(píng)價(jià)和客觀評(píng)價(jià)指標(biāo)來(lái)驗(yàn)證。下面從測(cè)試集中選取了三張圖像編號(hào)分別為1、2、3的大田油菜圖通過(guò)主觀評(píng)價(jià)來(lái)對(duì)比幾種算法的結(jié)果，如圖3～6所示。

為了更加直觀的通過(guò)肉眼感知，圖3～6都是通過(guò)矩形框選取圖中的感興趣區(qū)域進(jìn)行局部放大以便觀察。從人眼主觀評(píng)價(jià)分析，圖4的Bicubic插值算法所重建的圖像無(wú)論是在土壤紋理的細(xì)節(jié)上，還是油菜花從的邊緣方面，都有比較嚴(yán)重的振鈴現(xiàn)象和偽影，較為模糊，重建質(zhì)量有所欠缺?？梢酝ㄟ^(guò)肉眼發(fā)現(xiàn)，圖5、圖6和圖4相比較，有了較為明顯的改善，說(shuō)明SRCNN與本文算法所重建的圖像都能高度還原出原始圖像的細(xì)節(jié)信息。

三種算法對(duì)大田油菜圖像重建后的PSNR值如表2所示。

由表2可知，基于深度學(xué)習(xí)的重建算法SRCNN所重建的圖像要比傳統(tǒng)的Bicubic插值算法的平均PSNR值要高1.255 dB，而本文算法又要比SRCNN的平均PSNR值要高0.335 dB，比Bicubic插值算法高1.590 dB，由此可得，本文算法的峰值信噪在三種算法中最高。

為驗(yàn)證本文訓(xùn)練數(shù)據(jù)集要優(yōu)于傳統(tǒng)的Image_91和General_100訓(xùn)練集，在實(shí)驗(yàn)中，另外又利用本文模型分別對(duì)三個(gè)訓(xùn)練集進(jìn)行100 000萬(wàn)次訓(xùn)練，使用相同測(cè)試集進(jìn)行測(cè)試結(jié)果比較，所計(jì)算的平均PSNR值如表3所示。

由表3可知，本文訓(xùn)練集所重建的油菜圖像的平均PSNR值最高。雖然Image_91和General_100訓(xùn)練集選取的圖像已充分捕獲到自然圖像的變化性，但就大田油菜圖像的針對(duì)性而言，卻不如本文只從航拍油菜圖像中選取的訓(xùn)練集效果好。

4?結(jié)束語(yǔ)

本文提出了一種基于快速卷積神經(jīng)網(wǎng)絡(luò)的圖像超分辨率算法，鑒于SRCNN模型只有3層卷積層，無(wú)法更細(xì)致還原出高分辨率圖像，在網(wǎng)絡(luò)模型上采用卷積和反卷積相結(jié)合的方式，利用6層映射層，完成了圖像從粗略的特征提取到細(xì)致的圖像映射過(guò)程。再通過(guò)反卷積層解決圖像的尺度和特征提取問(wèn)題，當(dāng)使用大田油菜圖像作為訓(xùn)練數(shù)據(jù)集時(shí)，不需要大量的數(shù)據(jù)圖片集就能夠有效的重建出高分辨率圖像。

使用本文算法（AFSRCNN）利用深度學(xué)習(xí)理論的圖像超分辨率重建圖像，質(zhì)量高于傳統(tǒng)的雙三次插值算法和SRCNN算法。在航拍圖像所受限于傳感器帶來(lái)的成本問(wèn)題以及天氣原因的情況下，通過(guò)AFSRCNN可以較為有效的解決大田油菜圖像模糊、油菜輪廓不清晰的問(wèn)題，能重建出更高質(zhì)量的高分辨率圖像。

不足的是，本文算法在模型深度上雖有較大幅度的增加，但是在訓(xùn)練過(guò)程中，仍然需要花費(fèi)較長(zhǎng)時(shí)間。所以后續(xù)的工作中對(duì)于模型訓(xùn)練中，使用隨機(jī)梯度下降的方法還有待改進(jìn)。

參考文獻(xiàn)：

[1] 陳兆波，余健.我國(guó)油菜生產(chǎn)形勢(shì)分析及科研對(duì)策研究[J].中國(guó)油料作物學(xué)報(bào)，2010，32（2）：303-308.

[2] ?劉榮家，葉兵.“花田”在中國(guó)發(fā)展的可行性分析——以油菜花田和菊花田為例[J].現(xiàn)代園藝，2017（15）：48-50.

[3] ?蘭玉彬，鄧小玲，曾國(guó)亮.無(wú)人機(jī)農(nóng)業(yè)遙感在農(nóng)作物病蟲草害診斷應(yīng)用研究進(jìn)展[J].智慧農(nóng)業(yè)，2019，1（2）：1-19.

[4] ?龍超.圖像超分辨率重建算法綜述[J].科技視界，2015（13）：88-89.

[5] ?Keys R G.Cubic Convolution Interpolation for Digital Image Processing[J].IEEE Transactions on Acoustics Speech & Signal Processing，1982，29（6）：1 153-1 160.

[6] ?Irani M，Peleg S.Improving Resolution by Image Registration[J].CVGIP：Graphical Models and Image Processing，1991，53（3）：231-239.

[7] ?Yang Jianchao，Wright J，Huang T S，et al.Image Super-resolution Via Sparse Representation[J].IEEE Transactions on Image Processing：A Publication of the IEEE Signal Processing Society，2010，19（11）：2 861-2 873.

[8] ?Dong C，Loy C C，He K，et al.Learning a Deep Convolutional Network for Image Super-resolution[C]//European Conference on Computer Vision.Springer：Cham，2014.

[9] ?Dong Chao，Loy Chen Change，He Kaiming，et al.Image Super-resolution Using Deep Convolutional Networks[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2016，38（2）：295-307.

[10] ?Krizhevsky A，Sutskever I，Hinton G E.Imagenet Classification with Deep Convolutional Neural Networks[J].Communications of the ACM，2017，60（6）：84-90.

[11] ?倪申龍，曾接賢，周世健.整體車牌圖像超分辨率重建研究[J].計(jì)算機(jī)技術(shù)與發(fā)展，2019，29（4）：195-199.

[12] ?雷為民，王玉楠，李錦環(huán).基于FSRCNN的圖像超分辨率重建算法優(yōu)化研究[J].傳感器與微系統(tǒng)，2020，39（2）：54-57.

[13] ?陳文靜，唐軼.基于深度學(xué)習(xí)的圖像超分辨率重建方法綜述[J].云南民族大學(xué)學(xué)報(bào)（自然科學(xué)版），2019，28（6）：597-605.

[14] ?曾接賢，倪申龍.改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)單幅圖像超分辨率重建[J].計(jì)算機(jī)工程與應(yīng)用，2019，55（13）：1-7.

[15] ?孫旭，李曉光，李嘉鋒，等.基于深度學(xué)習(xí)的圖像超分辨率復(fù)原研究進(jìn)展[J].自動(dòng)化學(xué)報(bào)，2017，43（5）：697-709.

[16] ?劉超，張曉暉，胡清平.圖像超分辨率卷積神經(jīng)網(wǎng)絡(luò)加速算法[J].國(guó)防科技大學(xué)學(xué)報(bào)，2019，41（2）：91-97.

[責(zé)任編輯：許立群]