前言:
眼前兄弟们对“sr算法概述”大概比较注意,看官们都需要剖析一些“sr算法概述”的相关知识。那么小编也在网上收集了一些有关“sr算法概述””的相关知识,希望咱们能喜欢,大家快快来了解一下吧!文章摘要
《Learning a Deep Convolutional Network for Image Super-Resolution》的学习。
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
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:
1. Patch extraction and representation
2. Non-linear mapping
3. Reconstruction
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:
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:
结果
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。
标签: #sr算法概述