19、图像增强与分割技术详解

图像增强与分割技术详解

1. 图像超分辨率训练技巧

在训练超分辨率网络时，可采用一个简单技巧：在将图像输入模型之前，使用传统的上采样方法（如双线性插值）将图像缩放至目标尺寸。这样，网络可作为去噪自编码器进行训练，其任务是消除上采样伪影并恢复丢失的细节。示例伪代码如下：

x_noisy = bilinear_upscale(bilinear_downscale(x_train))
fcn_8s.fit(x_noisy, x_train)

相关的完整代码和图像演示可在相关笔记中找到。

2. 语义分割概述

语义分割是将图像分割成有意义部分的通用术语，涵盖了对象分割和实例分割。与图像分类和目标检测不同，分割任务要求方法返回像素级的密集预测，即为输入图像中的每个像素分配一个标签。

3. 编码器 - 解码器用于对象分割

3.1 基本原理

编码 - 解码网络可将数据样本从一个域映射到另一个域，对象分割可看作是将图像从颜色域映射到类别域的操作，即为图片的每个像素分配一个目标类别，返回具有相同高度和宽度的标签图。

3.2 解码为标签图

直接构建编码器 - 解码器输出标签图（每个像素值代表一个类别）效果不佳。对于图像分类，网络最后一层输出 N 个对数几率（logits），代表预测的每个类别的分数，通过 softmax 操作将这些分数转换为概率，再使用 argmax 选择最可能的类别。在语义分割中，可在像素级别应用相同机制，网络返回一个 H × W × N 的张量，其中