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

在训练用于超分辨率的网络时，有一个简单的技巧：在将图像输入模型之前，使用传统的图像上采样方法（如双线性插值）将图像调整到目标尺寸。这样，网络可以作为去噪自编码器（AE）进行训练，其任务是消除上采样产生的伪影并恢复丢失的细节。以下是伪代码示例：

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

2. 语义分割的理解

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。与图像分类和对象检测不同，分割任务需要方法返回像素级的密集预测，即给输入图像的每个像素分配一个标签。

3. 编码器 - 解码器进行对象分割

• 概述 ：像U - Net这样的网络可用于对象分割，其输出可以进一步处理成更精确的标签图。
• 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。对于语义分割，可采用与图像分类类似的机制，只是在像素级别进行操作。网络构建为返回一个H × W × N的张量，其中N是类别数，每个像素对应N个得分。通过设置输出通道数Do = N，网络可以像分类器一样进行训练。使用交叉熵损失来比较softmax值和one - hot编码的真实标签图。以下是FCN - 8s模型用于对象分割的代码示例：