针对目前图像超分辨率重建方法中未能充分利用图像全局信息和局部信息, 导致重构结果缺失源图像部分关键信息的问题, 提出了一种多尺度密集残差网络来实现图像的超分辨率重建。网络以密集残差为基础, 融合了图像的多尺度特征信息, 保证了网络在深度上不损失特征信息的同时,获得更多不同感受野下的特征信息, 避免源图像关键信息的过度丢失。此外, 为从具有低频冗余信息的低分辨率图像中恢复包含足够高频信息的高分辨率图像, 网络还结合空间注意力与通道注意力机制, 以不平等的方式处理不同尺度下的低分辨率特征。通过与密集残差网络等超分辨率方法在Set5数据集上的对比实验, 可有效突出特征图中的高频分量, 使网络更好地学习并拟合标签图像的特征信息, 提升图像超分辨率重建性能。

SRGAN是基于深度学习的图像超分辨率的典型方法, 重建效果较好, 但该算法还存在一些缺陷, 在提高图像质量和运行速度上仍然有较大提升空间。本文在SRGAN网络模型的基础上提出了一个优化模型。因为批量归一化(BN)层在超分辨图像重建中常常会忽略一些图像的细节, 同时增加网络的复杂度, 所以在SRGAN的生成器中去除了BN层, 并引入ECA通道注意力, 使每个残差块生成特征图获得相应的权重, 以便处理更多的图像细节。经过公开数据集的训练和对比实验, 结果表明提出的改进模型相比于对比模型, 重建图像的细节恢复更丰富, 视觉效果更好, 峰值信噪比和结构相似性表现更佳, 模型**数量更少。

提出了一种基于生成式对抗网络的细小桥梁裂缝分割方法。该方法在判别器结构中引入分割分支,将生成式对抗网络与语义分割网络合二为一,兼具超分辨率图像重建功能与分割功能。在处理细小桥梁裂缝分割问题时,该方法先将低分辨率的细小桥梁裂缝图像转换为超分辨率的粗大型桥梁裂缝图像,再对转换后的超分辨率图像进行分割。实验结果表明,该方法更容易识别出细小桥梁裂缝并实现准确分割,与传统的分割方法相比,该方法的分割召回率提高了6%,平均交并比提高了10%。

旋转倾斜光学平板是一种光学微扫描方法, 为了解决其对光学平板尺寸要求苛刻的问题, 采用一种大步长扫描法, 理论分析了该方法对频谱混叠和探测器调制传递函数的影响, 并结合实验仿真对超分辨重建图像的质量评价参量进行了实验验证。结果表明, 该方法不但降低了平行平板加工难度, 而且依然能抑制图像频谱混叠并保持探测器调制传递函数。

总结了图像序列相位关系对超分辨率图像重建效果的影响规律, 对超分辨率图像重建引起的高斯噪声和散粒噪声的放大予以研究.通过叠加不同方差的高斯噪声的图像序列重建实验, 得到结论维纳滤波可以有效地滤除放大后的高斯噪声, 但是超分辨率图像重建后散粒噪声放大成为“波纹”形状的噪声, 传统的中值滤波法不能有效地滤除放大后的“波纹”形状噪声.根据算法处理的是图像序列的特点, 提出了基于图像序列的中值滤波法, 在滤波前通过图像序列的冗余信息判断图像序列上哪些点是受到噪声污染的, 对受到噪声污染的点予以非线性“截断”滤波, 而未受噪声污染的点则不进行滤波, 比传统的中值滤波更有效地滤掉了“波纹”形状的噪声, 而且不会带来图像平滑.

以两颗航天器间相对位置参数测量为研究对象，确定了基于单目计算机视觉及目标特征的测量方案，提出了基于超分辩率图像重构技术的航天器间相对位置的高精度测量方法。分析讨论了图像传感器的观察模型、图像传感器及光学测量系统的点扩散函数、配准方法、重构原理及方法。利用地面试验验证了该方法的正确性。试验结果表明：该方法与基于单帧图像及目标特征的方法、基于插值的方法相比较，在测量精度及稳定性等方面都有了较大的提高；与基于单帧图像及目标特征的方法相结合，不仅可以保证在不同作用距离上相对位置的高精度测量，而且具有较高的测量稳定性和可靠性。