超分辨率(Super-Resolution,SR)重建技术是在不升级硬件设备条件下,从软件层面考虑增加图像像素点密度的方法。这不仅可以改善视觉效果,也可对后续图像处理任务起到提升作用。图像从低分辨率到高分辨率的过程是病态问题,需要进行繁复的特征提取和变换,而具备强大的特征表达能力的深度学习对于处理图像超分辨率重建任务非常适合。本文旨在通过卷积神经网络算法提高超分辨率图片质量,主要工作如下:1.介绍分析图像超分辨率重建的研究背景以及现状,对当前存在的超分算法进行整理归纳,接着详细介绍深度学习相关基础理论以及SR算法评估方法。2.分析了 SRCNN的基本原理和优缺点。针对其感受野较小、网络收敛较慢等问题,我们提出了一种使用亚像素卷积层的残差网络结构。通过增加网络层数增大了感受野,为防止层数增加造成梯度信息消失,使用全局和局部残差连接。通过使用亚像素卷积层避免出现伪影。通过实验结果,可以看到本论文所提的SR重建算法PSNR和SSIM指标有所提高。3.为了让重构的SR图像具有更多的高频信息,运用GAN模型,通过参数固定的VGG19网络求取的感知损失,将其加入到生成器损失函数中,为了使模型可以稳定训练使用WGAN网络。实验结果表明:本论文提出的SR重构方法可以提高图像的细节清晰度,具有更加流畅自然的纹理。