人工智能本栏目责任编辑：唐一东ComputerKnowledgeandTechnology电脑知识与技术第18卷第35期(2022年12月)基于自适应迭代正则化算法的图像重建研究严旭1，武宁波2（1.贵州大学大数据与信息工程学院，贵州贵阳550025；2.贵州联建土木工程质量检测监控中心有限公司，贵州贵阳550018）摘要：随着深度学习的不断发展与应用，图像分割成为计算机视觉领域的研究热点之一。文章针对图像分割中图像分辨率低、视觉效果差等问题，提出了一种基于自适应迭代正则化算法，该算法在重建过程中能够很好地抑制高斯噪声和拉普拉斯噪声，结合L1范数与正交梯度运算，图像恢复效果，通过四组图像验证，结果表明，本文提出的算法提高了重建的图像分辨率和图像质量，具有更佳的视觉效果。关键词：超分辨率图像重建；超分辨率；自适应正则化中图分类号：TP391文献标识码：A文章编号：1009-3044(2022)35-0019-03开放科学（资源服务）标识码（OSID）：随着计算机技术和人工智能技术的发展，深度学习应用越来越广，其中计算机图形学与深度学习的结合，产生了许多优秀的算法，并在后来的图像风格迁移、图像分割、自然语言生成等诸多领域得到广泛应用[1-6]。由于图像分辨率低（LowImageResolution,LIR），导致视觉效果差，而超分辨率（SuperResolution,SR）重建将同一场景的一些图像与补充信息合并，以提高图像分辨率。目前主流的超分辨率重建算法包括统计，最大后验概率（MaximumaPosterioriProbability,MAP）算法，凸集投影（ProjectionofConvexSet,POCS），混合MAP/POCS，基于稀疏的重建算法和基于学习等算法。其中，基于L1范数和全变分正则化的SR重建算法不但适用于高斯和非高斯噪声，而且更好地保持图像的边缘，是图像重建中更好的算法之一。通过使用双正则化进行图像重建来改善原始L1范数，图像信噪比略有提高。为此，本文提出了一种基于L1范数图像超分辨率重建方法的简单自适应正则化算法，该方法主要是针对混合噪声提出的，该算法能够很好地抑制高斯噪声和拉普拉斯噪声。通过实验结果表明，本文算法提高了重建的图像质量。1图像超分辨率重建原理在超分辨率图像重建的过程中，通常会这样认为：高分辨率图像就是所需要的理想图像，即输出图像。而低分辨率图像就是输入图像，假如用矢量z表示理想图像，用矢量yk表示从外界场景中获得的观测图像（低分辨率图像）。根据图像的退化模型，可以得到式（1）：yk=DkBkMkz+nk（1）式(1)中：MK表示的是在获得高分辨率图像过程中（平移...
