SRCNN-图像超分辨的学习

最新推荐文章于 2025-05-26 11:07:14 发布

小鬼漫步

最新推荐文章于 2025-05-26 11:07:14 发布

阅读量7k

点赞数 5

CC 4.0 BY-SA版权

分类专栏：学术文章标签： SRCNN 超分辨深度学习图像重构

本文链接：https://blog.youkuaiyun.com/z1282429194/article/details/94357267

学术专栏收录该内容

11 篇文章

订阅专栏

本文介绍SRCNN算法，一种基于深度卷积神经网络的单张图像超分辨率增强方法。SRCNN采用轻量级网络结构，实现从低分辨率图像直接输出高分辨率图像，展现先进恢复质量和快速在线使用能力。实验结果显示，SRCNN在PSNR指标上显著优于双三次差值方法。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

《Learning a Deep Convolutional Network for Image Super-Resolution》的学习

文章摘要
算法模型

(Learning a Deep Convolutional Network for Image Super-Resolution，ECCV2014）

文章摘要

本文深度学习的方法实现单张图的超分辨，其中深度学习是采用卷积神经网络来实现。这种方法（SRCNN）是一种端到端的作法，输入低分辨率的图像，直接输出高分辨率的图像。本文设计是一种轻量级的神经网络结构，可是它能够实现先进的恢复质量，并且可以快速在线使用。

算法模型

在这里插入图片描述
此图展示了SRCNN的网络结构。

此图展示了在卷积神经网络下稀疏编码的结构。

SRCNN整个算法包括三个操作：

Patch extraction and representation

$F_{1}(\mathbf{Y})=\max \left(0, W_{1} * \mathbf{Y}+B_{1}\right)$

Non-linear mapping

$F_{2}(\mathbf{Y})=\max \left(0, W_{2} * F_{1}(\mathbf{Y})+B_{2}\right)$

Reconstruction

$F(\mathbf{Y})=W_{3} * F_{2}(\mathbf{Y})+B_{3}$

在该论文中，利用Relu作为收敛函数，利用最小均方差函数为Loss函数。
Loss函数：
$L(\Theta)=\frac{1}{n} \sum_{i=1}^{n}\left\|F\left(\mathbf{Y}_{i} ; \Theta\right)-\mathbf{X}_{i}\right\|^{2}$

TensorFlow代码

// 主函数
from model import SRCNN
from utils import input_setup

import numpy as np
import tensorflow as tf

import pprint
import os

flags = tf.app.flags
flags.DEFINE_integer("epoch", 15000, "Number of epoch [15000]")
flags.DEFINE_integer("batch_size", 128, "The size of batch images [128]")
flags.DEFINE_integer("image_size", 33, "The size of image to use [33]")
flags.DEFINE_integer("label_size", 21, "The size of label to produce [21]")
flags.DEFINE_float("learning_rate", 1e-4, "The learning rate of gradient descent algorithm [1e-4]")
flags.DEFINE_integer("c_dim", 1, "Dimension of image color. [1]")
flags.DEFINE_integer("scale", 3, "The size of scale factor for preprocessing input image [3]")
flags.DEFINE_integer("stride", 14, "The size of stride to apply input image [14]")
flags.DEFINE_string("checkpoint_dir", "checkpoint", "Name of checkpoint directory [checkpoint]")
flags.DEFINE_string("sample_dir", "sample", "Name of sample directory [sample]")
flags.DEFINE_boolean("is_train", True, "True for training, False for testing [True]")
FLAGS = flags.FLAGS

pp = pprint.PrettyPrinter()

def main(_):
  pp.pprint(flags.FLAGS.__flags)

  if not os.path.exists(FLAGS.checkpoint_dir):
    os.makedirs(FLAGS.checkpoint_dir)
  if not os.path.exists(FLAGS.sample_dir):
    os.makedirs(FLAGS.sample_dir)

  with tf.Session() as sess:
    srcnn = SRCNN(sess, 
                  image_size=FLAGS.image_size, 
                  label_size=FLAGS.label_size, 
                  batch_size=FLAGS.batch_size,
                  c_dim=FLAGS.c_dim, 
                  checkpoint_dir=FLAGS.checkpoint_dir,
                  sample_dir=FLAGS.sample_dir)

    srcnn.train(FLAGS)
    
if __name__ == '__main__':
  tf.app.run()

Tensorflow完整代码：Tensorflow
MATLAB代码: MATLAB.
Caffe代码：Caffe

结果

在这里插入图片描述

双三次差值的： PSNR=26.633759 dB
SRCNN的： PSNR=29.290147 dB
相比两种算法的PSNR，SRCNN有着明显的提升。

SRCNN的不足

利用Relu作为激活函数虽然速度快，但是训练的时候很”脆弱”，很容易就”die”；
SRCNN需要先通过双三次插值的方法对低分辨率的图片插值放大尺寸。

参考文献
[1]: https://zhuanlan.zhihu.com/p/49846783
[2]: https://medium.com/coinmonks/review-srcnn-super-resolution-3cb3a4f67a7c
[3]: http://jiaqianlee.com/2018/06/09/SRCNN/