張子茜，熊再立，張 彪，楊琰鑫，付恩康

(東南大學(xué)能源與環(huán)境學(xué)院 火電機(jī)組振動國家工程研究中心，江蘇 南京 210096)

近年來，隨著航空航天技術(shù)的迅速發(fā)展，目標(biāo)識別技術(shù)在氣象預(yù)報/資源普查等領(lǐng)域的應(yīng)用逐漸得到重視.該技術(shù)具有遠(yuǎn)距離、多角度監(jiān)測等優(yōu)勢，適用于海洋監(jiān)測領(lǐng)域，具有廣闊的應(yīng)用前景.目前，遙感圖像主要包括合成孔徑雷達(dá)圖像和光學(xué)遙感圖像兩類.其中，合成孔徑雷達(dá)圖像由于具有主動成像的工作特點(diǎn)，通常不受云層、天氣等外界因素的干擾，能夠全天時、全天候地進(jìn)行監(jiān)測；光學(xué)遙感圖像則能夠反映被測物體的真實(shí)特征，較好地呈現(xiàn)圖像的顏色信息和細(xì)節(jié)紋理，具有對比度高和噪聲低等優(yōu)點(diǎn).這兩類遙感圖像對于海洋監(jiān)測均具有獨(dú)特優(yōu)勢，尤其是針對艦船目標(biāo)的識別，可以為監(jiān)測水面艦艇、開發(fā)海洋資源和維護(hù)領(lǐng)海安全提供有力保障，從而有效提高我國軍事偵察和海上預(yù)警能力.同時，隨著航天信息技術(shù)的發(fā)展，遙感監(jiān)測設(shè)備的數(shù)量迅速增加，因此研究遙感目標(biāo)識別具有重要意義.

超分辨率重建(Super Resolution，SR)技術(shù)可以將低分辨率圖像經(jīng)過特定的運(yùn)算轉(zhuǎn)化為高分辨率圖像，從而為圖像填充更多信息，對于遙感圖像中的艦船小目標(biāo)檢測意義重大.目前，超分辨率重建技術(shù)主要包括插值、重建、學(xué)習(xí)等三種算法.基于插值的算法[1]通過對周圍像素點(diǎn)取均值來描述中心像素點(diǎn)的估值.該算法在計算過程中用時較少、復(fù)雜度低，但是重建后的圖像存在細(xì)節(jié)信息缺失和過于平滑等缺點(diǎn)[2].基于重建的算法[3]指引入先驗信息建立圖像變換模型，利用低分辨率圖像對模型提供約束，通過模型的計算和檢驗來恢復(fù)圖像分辨率.該方法雖然可以較好地恢復(fù)圖像的細(xì)節(jié)信息，但是其重建效果不穩(wěn)定，計算過程復(fù)雜、效率較低，難以滿足數(shù)量龐大的樣本重建需求.基于學(xué)習(xí)的算法是目前學(xué)者們研究的重點(diǎn)，首先利用已有的高分辨率圖像和低分辨率圖像建立大樣本學(xué)習(xí)集，然后通過學(xué)習(xí)得到高分辨率圖像與低分辨率圖像之間的非線性關(guān)系，建立具有強(qiáng)魯棒性的重建模型.自2014年，Dong[4]提出基于卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network，CNN)的單幅圖像超分辨率重建方法(Single Image Super Resolution，SISR)后，深度學(xué)習(xí)(Deep Learning，DL)已逐漸成為超分辨率重建的重要方法.Kim[5]和Tai[6]分別對CNN進(jìn)行改進(jìn)，在保證學(xué)習(xí)速度的基礎(chǔ)上增加了CNN的網(wǎng)絡(luò)深度，通過改變不同的卷積層數(shù)提高模型學(xué)習(xí)能力.但是，這類方法重建后的圖片通常與人眼直觀感受相悖，容易出現(xiàn)紋理損失和過于平滑等問題.針對這些問題，LEDIG等[7]提出一種生成性對抗網(wǎng)絡(luò)(Generative Adversarial Network，GAN)，該網(wǎng)絡(luò)在生成器G與判別器D不斷對抗的過程中進(jìn)行對抗訓(xùn)練，有助于還原真實(shí)自然的目標(biāo)信息.

目前，針對深度學(xué)習(xí)背景的遙感圖像艦船目標(biāo)檢測算法正在快速發(fā)展.與傳統(tǒng)檢測算法不同，深度學(xué)習(xí)算法無需對圖像特征進(jìn)行人工提取，識別過程的適應(yīng)性和一般性得到提升[8，9]，成為艦船識別領(lǐng)域中的主要算法[10].GIRSHICK[11]于2015年對R-CNN網(wǎng)絡(luò)的分割和定位方式進(jìn)行改進(jìn)，在VOC 2012上的檢測結(jié)果顯示，平均精度相比之前提高50%以上.2017年，Krizhevsky等[12]嘗試建立一個由5個卷積層的R-CNN網(wǎng)絡(luò)，有效減少連接層的過度擬合，數(shù)據(jù)集的測試錯誤率明顯降低.在R-CNN基礎(chǔ)上，F(xiàn)ast R-CNN[13]和Faster R-CNN[14]陸續(xù)被應(yīng)用于艦船檢測中，尤其是Faster R-CNN，在選取候選區(qū)域(Regions of Interest，RoIs)方面提出區(qū)域生成網(wǎng)絡(luò)(Region Proposal Network，RPN)，有效提升了網(wǎng)絡(luò)運(yùn)行速度，成為當(dāng)前研究的熱門方向.

但是，基于深度學(xué)習(xí)的艦船目標(biāo)檢測算法仍有一些問題需要解決.首先，艦船遙感圖像中目標(biāo)的背景通常較為復(fù)雜，易受海岸線、天氣和云霧等外界因素干擾；其次，艦船目標(biāo)在圖像中的尺寸較小，單純依靠卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行檢測容易導(dǎo)致目標(biāo)的位置信息丟失；最后，當(dāng)前的檢測算法對目標(biāo)的類型和色彩魯棒性差，難以同時識別合成孔徑雷達(dá)(Synthetic Aperture Radar，SAR)圖像和光學(xué)遙感圖像.

針對以上問題，我們提出一種基于超分辨率重建的艦船遙感圖像小目標(biāo)檢測算法，首先將目標(biāo)恢復(fù)為高分辨率圖像，然后運(yùn)用Faster R-CNN對復(fù)雜背景下的艦船小目標(biāo)進(jìn)行檢測.在AIR-SAR Ship和HRSC2016數(shù)據(jù)集上進(jìn)行訓(xùn)練，結(jié)果顯示改進(jìn)后算法的綜合效率達(dá)到65.5%，相比傳統(tǒng)檢測算法提高12.9%，可以有效完成復(fù)雜背景下的艦船小目標(biāo)檢測任務(wù)，且算法的魯棒性和準(zhǔn)確率均明顯提高.

圖1 艦船檢測算法的整體結(jié)構(gòu)

圖2 GAN網(wǎng)絡(luò)的具體過程

1 算法研究

本研究所提出的基于超分辨率重建的艦船遙感圖像小目標(biāo)檢測算法結(jié)構(gòu)如圖1所示.首先通過超分辨率重建為低分辨率圖像恢復(fù)更多的內(nèi)容信息，克服艦船目標(biāo)過小帶來的紋理細(xì)節(jié)不足問題，同時彌補(bǔ)后續(xù)檢測算法中CNN網(wǎng)絡(luò)導(dǎo)致的高頻細(xì)節(jié)損失.然后，采用Faster R-CNN網(wǎng)絡(luò)進(jìn)行目標(biāo)檢測，該網(wǎng)絡(luò)引入RPN網(wǎng)絡(luò)對目標(biāo)的候選區(qū)域選取過程進(jìn)行加速，能夠快速準(zhǔn)確地識別出復(fù)雜背景下的艦船小目標(biāo).

1.1 超分辨率重建

本研究采用基于生成性對抗網(wǎng)絡(luò)的超分辨率重建技術(shù)(Super-Resolution GAN，SRGAN)，與傳統(tǒng)的SRCNN相比，該算法有效抑制重建過程中的梯度變化較小和圖像紋理損失等問題.重建后的高分辨率圖像具有更豐富的紋理細(xì)節(jié)和像素信息，從而提高復(fù)雜背景下小目標(biāo)檢測過程的檢出率.

GAN是一種運(yùn)用博弈思想訓(xùn)練的重建模型方法，主要由生成器G和判別器D構(gòu)成，具體過程如圖2所示.它通過構(gòu)建生成器G來不斷形成逼真的圖像，并使用判別器D來判別輸入圖像真?zhèn)?在該過程中生成器G形成的圖像逐漸接近真實(shí)的高分辨率圖像，并且最終達(dá)到判別器D難以準(zhǔn)確區(qū)分水平.經(jīng)過多次迭代優(yōu)化后的生成器G可以使判別器D無法判別圖像的真?zhèn)涡?，可以認(rèn)為生成的圖像近似于真實(shí)圖像.

GAN的目標(biāo)函數(shù)表示為

ξ(G，D)=Ex～pdata(x)[lnD(x)]+Ez～pz(z)[ln(1-D(G(z)))]

.

(1)

其中，真實(shí)樣本和任意變量分別被記為x和z；生成器所生成的樣本滿足的數(shù)據(jù)分布記為G(z)；D(x)為判別生成樣本真?zhèn)蔚暮瘮?shù)，若輸入為真則輸出1，反之則為0.當(dāng)生成樣本足以欺騙判別器D時，判別函數(shù)D(G(z))的數(shù)值需要盡可能大.經(jīng)過生成器G和判別器D的不斷博弈訓(xùn)練，最終達(dá)到納什平衡，此時的生成器即具有最優(yōu)效果.

SRGAN網(wǎng)絡(luò)中的生成器主要由深度殘差區(qū)域和子像素卷積區(qū)域兩部分組成，具體結(jié)構(gòu)如圖3所示，其中顏色相同的方框代表所在部分執(zhí)行同一功能.可以看出，每一個深度殘差塊均從卷積層開始，之后依次通過批歸一化層和PReLU層，最終提取出輸入樣本的特征.生成器網(wǎng)絡(luò)的后端設(shè)置子像素卷積區(qū)域，通過卷積變換從而放大輸入樣本的尺寸.該網(wǎng)絡(luò)多次采用跳鏈技術(shù)，引入輸入樣本x作為設(shè)定值，使深層次網(wǎng)絡(luò)與淺層輸入直接聯(lián)系，避免卷積深度過大時造成的誤差增加和梯度發(fā)散等問題.

圖3 SRGAN網(wǎng)絡(luò)的生成器結(jié)構(gòu)

判別器是SRGAN網(wǎng)絡(luò)中用來判斷圖像真?zhèn)蔚哪K，輸出只能為0或1.判別器網(wǎng)絡(luò)的具體結(jié)構(gòu)如圖4所示，其中包含多個串聯(lián)的卷積層，且越深程度的卷積層所包含的卷積核數(shù)目越多，不斷降低圖像的分辨率以提取樣本的本質(zhì)特征.判別器網(wǎng)絡(luò)的開始部分未設(shè)置BN層，從而防止卷積過程中出現(xiàn)梯度變化過緩的問題.通過對判別器網(wǎng)絡(luò)進(jìn)行同步訓(xùn)練和優(yōu)化，不斷增加SRGAN網(wǎng)絡(luò)的過程鑒別能力，進(jìn)而提高生成器的圖像重建精度.

圖4 SRGAN網(wǎng)絡(luò)的判別器結(jié)構(gòu)

圖5 RPN網(wǎng)絡(luò)結(jié)構(gòu)

1.2 目標(biāo)檢測算法

本研究采用Faster R-CNN[15]網(wǎng)絡(luò)對超分辨率重建后的高分辨率圖像進(jìn)行檢測，并且提出基于Faster R-CNN的艦船遙感圖像小目標(biāo)檢測框架.Faster R-CNN網(wǎng)絡(luò)是在Fast R-CNN網(wǎng)絡(luò)的基礎(chǔ)上發(fā)展形成的，它繼承了Fast R-CNN網(wǎng)絡(luò)的候選區(qū)域池化算法(RoI Pooling)，有效提高網(wǎng)絡(luò)的運(yùn)算速度；同時，它采用RPN網(wǎng)絡(luò)對提取RoIs過程進(jìn)行優(yōu)化，克服了傳統(tǒng)select search算法的效率低下問題[16].

RPN網(wǎng)絡(luò)是整個Faster R-CNN網(wǎng)絡(luò)中最核心的部分，它解決了目標(biāo)檢測中的最復(fù)雜的標(biāo)定候選區(qū)域問題.在深度學(xué)習(xí)過程中，進(jìn)行目標(biāo)檢測和分類之前需要為圖像標(biāo)定邊界框，然而由于目標(biāo)存在復(fù)雜性，因此邊界框的大小和位置難以確定.針對這一問題，RPN網(wǎng)絡(luò)引入錨點(diǎn)進(jìn)行歸一化處理，通過在圖像中設(shè)置大小一致的邊界框，將復(fù)雜問題統(tǒng)一代入到邊界框中進(jìn)行解決.如圖5所示，RPN網(wǎng)絡(luò)在邊界框中產(chǎn)生一定數(shù)量的錨點(diǎn)，將錨點(diǎn)捕捉到的圖像信息進(jìn)行分析，進(jìn)而判斷邊界框中是否存在目標(biāo)對象，同時優(yōu)化錨點(diǎn)位置以確定目標(biāo)的最佳位置.

Faster R-CNN網(wǎng)絡(luò)通過采用RPN網(wǎng)絡(luò)提高了對候選區(qū)域的感知能力，克服了傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)設(shè)置邊界的固有缺點(diǎn).錨點(diǎn)的引入增強(qiáng)了候選區(qū)域提取的時效性和準(zhǔn)確性，進(jìn)一步緩解了后續(xù)目標(biāo)分類和標(biāo)定的壓力.本文中采用的Faster R-CNN網(wǎng)絡(luò)結(jié)構(gòu)如圖6所示，其將卷積神經(jīng)網(wǎng)絡(luò)、RPN網(wǎng)絡(luò)和RoI Pooling網(wǎng)絡(luò)融于一體，檢測速度和精度均較傳統(tǒng)網(wǎng)絡(luò)有了較大的提升[17].

圖6 Faster R-CNN網(wǎng)絡(luò)結(jié)構(gòu)

Faster R-CNN網(wǎng)絡(luò)的工作流程可以概括為圖像特征提取、候選區(qū)域標(biāo)定和目標(biāo)分類回歸等三部分.首先，圖片在CNN網(wǎng)絡(luò)內(nèi)經(jīng)過處理轉(zhuǎn)化為特征圖(Feature Map)；然后，特征圖進(jìn)入RPN網(wǎng)絡(luò)中標(biāo)定目標(biāo)邊界框，利用Anchors準(zhǔn)確獲取目標(biāo)的具體位置；最后，將CNN網(wǎng)絡(luò)提取到的特征信息和RPN網(wǎng)絡(luò)標(biāo)定的候選區(qū)域一起輸入RoI Pooling網(wǎng)絡(luò)中進(jìn)行池化，從而獲得一個同時包含特征和位置信息的新向量.通過R-CNN網(wǎng)絡(luò)對該向量進(jìn)行處理，得到目標(biāo)的類別信息和置信度，同時在對邊界框位置進(jìn)行微調(diào)后最終獲得目標(biāo)的具體坐標(biāo).

2 實(shí)驗過程及結(jié)果

2.1 訓(xùn)練集介紹及實(shí)驗準(zhǔn)備

圖7 AIR-SAR Ship數(shù)據(jù)集示例

圖8 HRSC2016數(shù)據(jù)集示例

本文針對SAR圖像和光學(xué)遙感圖像進(jìn)行無差別檢測，其中SAR圖像來自AIR-SAR Ship數(shù)據(jù)集，光學(xué)遙感圖像來自HRSC2016數(shù)據(jù)集[18].AIR-SAR Ship數(shù)據(jù)集由高分三號衛(wèi)星拍攝，示例圖像如圖7所示，它包含31景大圖，單幅圖像分辨率為1 m～3 m，尺寸一般為(3 000×3 000)像素，數(shù)據(jù)集包括訓(xùn)練集和測試集兩部分，其中訓(xùn)練集由1023張21景大圖組成，測試集由763張10景大圖組成.

HRSC2016數(shù)據(jù)集來源于谷歌地球系統(tǒng)，示例圖像如圖8所示，單幅圖像分辨率為0.2 m～2 m，尺寸為(200×300)像素到(1 500×600)像素之間，其中訓(xùn)練集有783張圖片組成，測試集由569張圖片組成.兩種測試集均為復(fù)雜背景下的艦船小目標(biāo)圖像，且圖片中包含港口、海岸、島嶼及其他交通工具.

實(shí)驗在64 G內(nèi)存、NVIDIA GeForce 1080Ti GPU和Intel Core i7 8550U CPU的操作平臺上進(jìn)行，采用基于python的編程環(huán)境，操作系統(tǒng)為Lunix，編譯軟件選用VS Code.

2.2 實(shí)驗結(jié)果及分析

本研究采用基于超分辨率重建的小目標(biāo)檢測算法對AIR-SAR Ship和HRSC2016數(shù)據(jù)集中的圖像進(jìn)行訓(xùn)練和檢測，并且引入不同的指標(biāo)對超分辨率重建效果和整體的目標(biāo)檢測效果進(jìn)行評估.

首先，引入峰值信噪比(Peak Signal-to-Noise Ratio，PSNR)和結(jié)構(gòu)相似比(Structural SIMilarity，SSIM)對圖像重建效果進(jìn)行評價.同時，因為簡單使用上述指標(biāo)會導(dǎo)致重建圖像過于平滑，且PSNR和SSIM兩項指標(biāo)無法較好地體現(xiàn)出SRGAN網(wǎng)絡(luò)的重建優(yōu)勢，因此采用主觀質(zhì)量指標(biāo)進(jìn)行補(bǔ)充評價.

其中，PSNR可以衡量重建后圖像的可信度高低，PSNR越大說明圖像重建效果越好，具體公式為

(2)

公式中：n為每個采樣值的比特數(shù)；i、j分別為圖像橫縱坐標(biāo)編號；I、J分別為兩幅圖像的灰度值；M、N分別為圖像橫縱坐標(biāo)的總像素數(shù).SSIM通過向量法對高低分辨率圖像之間的對比度、亮度等方面進(jìn)行比較，從而反映出圖像重建前后的相似程度，具體公式為

(3)

(4)

公式中：i為得分編號；k為總的得分?jǐn)?shù)；ni為每種得分的評分人數(shù)；ci為得分.

SSIM在0到1之間變化，其值越大則代表相似程度越高，當(dāng)兩張圖像相同時值為1.主觀質(zhì)量指標(biāo)MOS主要用來衡量圖像的直觀視覺效果，MOS評分在0到5之間，0分最差，5分最好，MOS值越大，表明對應(yīng)圖像的主觀質(zhì)量越好.我們采用雙插值方法(Bicubic)、SRCNN和本文方法進(jìn)行實(shí)驗，測得的各項指標(biāo)如表1所示.可以看出，本研究采用的超分辨率重建方法較傳統(tǒng)方法有明顯的提高，尤其在人眼視覺感受方面格外突出，重建后的圖片具有更豐富的細(xì)節(jié)紋理.圖9為采用本研究方法分別對SAR圖像和光學(xué)遙感圖像進(jìn)行超分辨率重建前后的效果對比，可見重建后的圖像在色彩、紋理和分辨率方面均獲得明顯改善，這也進(jìn)一步提高了對復(fù)雜背景下小目標(biāo)識別的檢測水平.

表1 不同方法的超分辨率重建結(jié)果比較

采用識別模型對Faster R-CNN網(wǎng)絡(luò)進(jìn)行訓(xùn)練，通過不斷增加迭代次數(shù)來增強(qiáng)網(wǎng)絡(luò)的目標(biāo)檢測準(zhǔn)確率.損失值隨迭代次數(shù)的變化關(guān)系如圖10所示，可以看出，當(dāng)?shù)螖?shù)發(fā)生較大梯度的增加時，損失值出現(xiàn)明顯的下降趨勢，目標(biāo)檢測網(wǎng)絡(luò)的可信度也隨之增加.

圖9 超分辨率重建前后的效果對比圖10 損失值隨迭代次數(shù)的變化關(guān)系

圖11 艦船圖像檢測結(jié)果

通過Faster R-CNN檢測網(wǎng)絡(luò)對超分辨率重建后的SAR圖像和光學(xué)遙感圖像進(jìn)行檢測，檢測結(jié)果如圖11所示，其中每個例圖中的(a)均為待檢測的低分辨率圖片；(b)為未結(jié)合超分辨率重建算法的檢測結(jié)果；(c)為超分辨率重建后的高分辨率圖片；(d)為結(jié)合超分辨率重建算法的檢測結(jié)果.

圖11(a)和圖11(c)分別為SAR圖像和光學(xué)遙感圖像中的艦船小目標(biāo)檢測結(jié)果.這類圖片通常具有目標(biāo)模糊、面積較小等特點(diǎn)，而且圖片中可能具有多個大小不同的被測對象，相鄰對象之間存在相互干擾現(xiàn)象，傳統(tǒng)算法針對毗鄰對象的檢測結(jié)果漏檢率較高.結(jié)合超分辨率重建的檢測算法可以提高艦船檢測的魯棒性，對不同大小的被測對象具有較好的適應(yīng)能力，有效降低對于小目標(biāo)艦船對象的漏檢率.

圖11(b)和圖11(d)分別為復(fù)雜背景下的SAR圖像和光學(xué)遙感圖像中的艦船目標(biāo)檢測結(jié)果.這類圖像中一般具有海岸線、云霧以及其他的交通工具等干擾因素，因此艦船目標(biāo)的檢出率低、錯檢率高.而且由于傳統(tǒng)算法中存在非極大值抑制現(xiàn)象，目標(biāo)錯檢后通常會影響相鄰正確目標(biāo)的檢測，因此檢測效果較差.采用改進(jìn)后的檢測算法可以為艦船目標(biāo)的紋理細(xì)節(jié)，從而抑制周圍復(fù)雜環(huán)境對目標(biāo)檢測的影響，進(jìn)一步提高目標(biāo)的檢出率.

本研究引入準(zhǔn)確率P、召回率R和綜合效率M等三項指標(biāo)對整個檢測過程的結(jié)果進(jìn)行評價，具體公式為

(5)

(6)

(7)

公式中：Np為檢測正確的樣本數(shù)量；Fp為檢測錯誤的樣本數(shù)量，F(xiàn)n為檢測遺漏的樣本數(shù)量.在此基礎(chǔ)上，采用綜合效率M來衡量算法在檢測過程中的綜合性能.由于在小目標(biāo)檢測中增加了超分辨率重建過程，除去訓(xùn)練時間外，每張圖片(1 500×600)像素超分辨率重建時間大約花費(fèi)300 ms.

結(jié)合超分辨率技術(shù)前后的檢測效果對比如表2所示，可以看出，改進(jìn)后的算法綜合效率提高了12.9%.這是因為采用超分辨率重建的檢測算法可以為輸入樣本恢復(fù)更多的紋理特征和高頻細(xì)節(jié)，并且在深層特征中保存了原始圖像的更多位置信息，因此有效提高了過程的魯棒性.

表2 應(yīng)用超分辨率技術(shù)的前后效果比較(%)

3 結(jié) 論

本文提出了一種基于超分辨率重建技術(shù)的艦船圖像小目標(biāo)檢測算法，并在AIR-SAR Ship和HRSC 2016數(shù)據(jù)集上進(jìn)行了實(shí)驗驗證研究.本方法可以有效克服目標(biāo)尺寸小和背景復(fù)雜等問題，通過超分辨率重建算法為低分辨率圖像提高像素等級，同時抑制卷積過程中目標(biāo)位置信息損失，提高艦船檢測的魯棒性.本研究首先檢驗了超分辨率重建后的圖像質(zhì)量，證明了重建后的圖像具有更豐富的紋理細(xì)節(jié)和視覺特征.同時，基于超分辨率重建的檢測算法可以緩解單幅圖像中毗鄰對象之間的相互干擾現(xiàn)象，提高對不同尺寸艦船目標(biāo)的適應(yīng)能力，從而降低對于小目標(biāo)艦船對象的漏檢率.將本研究所提出的算法應(yīng)用在AIR-SAR Ship和HRSC2016數(shù)據(jù)集上，綜合效率相比傳統(tǒng)檢測算法提高12.9%，且對于復(fù)雜背景下的小目標(biāo)檢測效果獲得明顯提升.隨著遙感圖像的廣泛應(yīng)用，實(shí)現(xiàn)小目標(biāo)的高精度檢測具有重要實(shí)踐意義，基于超分辨率重建技術(shù)的檢測方法有望成為該領(lǐng)域重要輔助工具.