为了将超分辨率重建算法应用于医学影像领域, 提升各类医学影像的分辨率, 针对当前主流算法网络结构和分辨率提升倍数的尺度单一性问题, 提出了一种应用于CT图像的多尺度残差网络模型。首先, 通过级联多层残差块构建模型框架, 残差块内采用3种尺度的卷积核提取低分辨率图像的细节特征。然后, 将特征图融合在一个维度进行特征映射和数据降维, 并将多尺度特征信息导入下一残差块。最后, 将网络学习到的残差图与低分辨率图像融合, 重建高分辨率图像。采用经过多种放大倍数处理的CT图像对网络进行混合训练, 实现了一个模型可以同时支持多种倍数的分辨率提升。实验结果表明: 在2, 3, 4倍放大因子下, 该模型重建的CT图像PSNR平均较VDSR算法高0.87, 083, 1.16 dB。因此, 本文模型有效提升了CT图像的超分辨率重建效果, 更锐利地恢复了其细节特征, 同时大大提升了算法实用性。

提出了一种基于多尺度递归网络的图像超分辨率网络模型,该模型主要由多个多尺度特征映射单元级联而成,每个单元分别包含一组不同尺度的特征提取层、一个融合层以及一个特征映射层。特征提取直接在原始低分辨率图像上进行,最后采用亚像素卷积重构高分辨率图像。训练阶段使用自适应矩估计优化方法加速网络模型的收敛。实验结果表明,所提算法取得了较好的超分辨率结果,图像纹理清晰、边缘锐利,视觉效果明显得到增强。在Set5、Set14、BSD100以及Urban100等常用测试集上的客观评价指标(PSNR和SSIM)均高于现有的几种主流算法。

为了优化固态体积式真三维的立体成像效果，显示出更加逼真的立体图像，对编码图像的灰度级和成像显示体的对比度进行了研究。论文从固态体积式真三维立体显示器成像原理出发，介绍了固态体积式真三维的电路系统、光学投影系统和成像显示体，在分析和研究影响立体显示效果的主要因素后提出了两种改进的方法。一种方法是通过降低图像刷新频率，提高编码图像数据位数，从而提高像素灰度等级，另一种方法是改变液晶光阀的盒厚，以此增强显示体的对比度。在真三维样机上，成功实现了32级灰度，将颜色种类从4 096种提升至32 768种，对比度相比原样机提高了1.2倍，主观感受到更加丰富的图像细节和色彩。优化效果明显，可以显示出细节更加清晰、颜色更加丰富和效果更加真实的三维立体图像。