文章详情

题名 · 作者 · 摘要 · 关键词 · DOI · 参考文献

基于深度学习和小波变换的图像超分辨率方法

黄玉凤1，张小波1，2

（1.西安石油大学，陕西 西安 710065；2.咸阳师范学院，陕西 咸阳 712000）

栏目：计算机技术 · 第 2025 年第 6 期 · 页码：62-66 · 2096-4706（2025）06-0062-05 · 中图分类号：TP391 · 文献标识码：A · DOI：10.19850/j.cnki.2096-4706.2025.06.012

摘要

近年来，基于深度学习的单幅图像超分辨率方法已取得显著成就。然而，许多方法仅研究图像空域，忽略了图像频域中高频信息的重要性，从而导致生成的图像相对平滑。由于小波变换能够提取图像细节的特性，文章提出一种结合小波变换与深度学习的单幅图像超分辨率方法。该方法通过动态卷积处理图像，利用Haar小波将图像分解为低频子图和三个方向上的高频子图，使用残差密集块和残差块相连作为推理网络。再通过小波逆变换和残差密集块增强局部特征，得到超分辨率图像。实验结果表明，该方法在主观视觉效果与客观评价指标上均表现良好。

关键词

超分辨率；小波变换；深度学习；残差密集块；残差块

参考文献

  1. [1] 杨文霞.基于深度学习的医学图像超分辨率重建分析 [J].信息技术与信息化，2023（8）：176-179.
  2. [2] 谢梦，杨春蕾，顾明剑，等.基于深度学习的风云四号卫星图像超分辨率重建 [J].红外，2023，44（7）：46-52.
  3. [3] 江水涛，万旺根，王旭智，等.基于语义感知和空间注意力的人脸图像超分辨率重建[J].工业控制计算机，2023，36（10）：81-83.
  4. [4] 张思言，杜周南，任一心，等.一种双三次插值实时超分辨率VLSI设计 [J].西南大学学报：自然科学版，2024，46（4）：202-212.
  5. [5] 钟梦圆，姜麟.超分辨率图像重建算法综述 [J].计算机科学与探索，2022，16（5）：972-990.
  6. [6] ZHOU S C，ZHANG J W，ZUO W M，et al. Cross-Scale Internal Graph Neural Network for Image Super-Resolution [J/OL].arXiv:2006.16673 [cs.CV].[2024-09-28].https://arxiv.org/abs/2006.16673.
  7. [7] NIU B，WEN W L，REN W Q，et al. Single Image Super-Resolution via A Holistic Attention Network [J/OL].arXiv:2008.08767[eess.IV].[2024-09-28].https://arxiv.org/abs/2008.08767.
  8. [8] MEI Y Q，FAN Y C，ZHOU Y Q. Image Super-Resolution with Non-Local Sparse Attention [C]//2021 IEEE/CVF Computer Vision and Pattern Recognition.Nashville：IEEE，2021：3516-3525.
  9. [9] GUO T T，MOUSAVI H S，VU T H，et al. Deep Wavelet Prediction for Image Super-Resolution [C]//2017 IEEE Conference on Computer Vision and Pattern Recognition Workshops.Honolulu：IEEE，2017：1100-1109.
  10. [10] KIM J，LEE J K，LEE K M. Accurate Image Super-Resolution Using Very Deep Convolutional Networks [C]//2016 IEEE Conference on Computer Vision and Pattern Recognition(CVPR).Las Vegas：IEEE，2016：1646-1654.
  11. [11] 孙超，寇昆湖，吕俊伟，等.基于小波深层网络的图像超分辨率方法研究 [J].计算机应用研究，2020，37（S1）：380-384.
  12. [12] 段立娟，武春丽，恩擎，等.基于小波域的深度残差网络图像超分辨率算法 [J].软件学报，2019，30（4）：941-953.
  13. [13] ZHANG Y L，TIAN Y P，KONG Y，et al. Residual Dense Network for Image Super-Resolution [C]//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition.City：IEEE，2018：2472-2481.
  14. [14] HE K M，ZHANG X Y，REN S Q，et al. Deep Residual Learning for Image Recognition [C]//2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR).Las Vegas：IEEE，2016：770-778.
  15. [15] 王相海，赵晓阳，王鑫莹，等.非抽取小波边缘学习深度残差网络的单幅图像超分辨率重建 [J].电子学报，2022，50（7）：1753-1765.
  16. [16] 孙超，吕俊伟，宫剑，等.结合小波变换与深度网络的图像超分辨率方法 [J].激光与光电子学进展，2018，55（12）：223-230.
  17. [17] DONG C，LOY C C，HE K M，et al. Image Super-Resolution Using Deep Convolutional Networks [J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2016，38（2）：295-307.
  18. [18] JEEVAN P，SRINIDHI A，PRATHIBA P，et al. WaveMixSR: Resource-efficient Neural Network for Image Super-resolution [C]//2024 IEEE/CVF Winter Conference on Applications of Computer Vision (WACV).Waikoloa：IEEE，2024：5872-5880.

作者简介

黄玉凤（1998—），女，汉族，四川南充人，硕士在读，研究方向：深度学习；张小波（1979—），男，汉族，陕西咸阳人，教授，博士，研究方向：机器学习、大数据分析、图像处理、自然语言处理。