超分辨率SRCNN理解（附pytorch代码）

最新推荐文章于 2025-04-06 09:00:00 发布

神遁克里苏

最新推荐文章于 2025-04-06 09:00:00 发布

阅读量9.9k

点赞数 2

分类专栏：笔记学习任务文章标签：超分辨率 SRCNN

本文链接：https://blog.youkuaiyun.com/zzy_pphz/article/details/108408053

版权

笔记同时被 2 个专栏收录

43 篇文章

订阅专栏

学习任务

11 篇文章

订阅专栏

本文介绍基于PyTorch的SRCNN模型，用于图像超分辨率处理。通过三层卷积网络，提取特征、非线性映射及重构图像，显著提升图像清晰度。对比双三次插值，SRCNN生成的图像更细腻。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

代码：基于Pytorch的SRCNN

图像会先经过预处理，进行缩小，然后放大。使用的是双三次插值法。这样生成的图，虽然大小相同，但是还是称它为LR低分辨率图像。
在这里插入图片描述

def __init__(self, num_channels=1):
        super(SRCNN, self).__init__()
        self.conv1 = nn.Conv2d(num_channels, 64, kernel_size=9, padding=9 // 2)
        self.conv2 = nn.Conv2d(64, 32, kernel_size=1, padding=1 // 2)
        self.conv3 = nn.Conv2d(32, num_channels, kernel_size=5, padding=5 // 2)
        self.relu = nn.ReLU(inplace=True)

三层的卷积作用分别为：
1.提取图像特征：从低分辨率图像中提取多个patch图像块，每个块被卷积操作表示为多维的向量（维数等于filter的数量），所有的特征向量组成特征矩阵（feature maps）
2.非线性映射：将n1维特征矩阵，通过卷积操作实现非线性映射，变成另一n2维特征矩阵。
3.重构图像：等于是个反卷积的过程，将n2的特征矩阵还原为超分辨图像。

结果：
在这里插入图片描述
在原图的基础上生成了两幅图，一幅是经过bicubic（双三次插值）的低分辨率图像，一幅是经过SRCNN的图像。可以明显感觉到srcnn生成的图比bicubic的那张图清晰很多。