RDN的数据预处理

最新推荐文章于 2023-02-09 21:31:40 发布
最新推荐文章于 2023-02-09 21:31:40 发布
阅读量298 收藏
点赞数
分类专栏： 超分辨代码
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Magic_o/article/details/107313066
版权

BD的三倍的

function Prepare_TrainData_HR_LR_BD()
%% settings
path_save = './DIV2K';
path_src = './DIV2K/DIV2K_HR';
ext               =  {'*.jpg','*.png','*.bmp'};
filepaths           =  [];
for i = 1 : length(ext)
    filepaths = cat(1,filepaths, dir(fullfile(path_src, ext{i})));
end
nb_im = length(filepaths);
DIV2K_HR = [];

for idx_im = 1:nb_im
    fprintf('Read HR :%d\n', idx_im);
    ImHR = imread(fullfile(path_src, filepaths(idx_im).name));
    DIV2K_HR{idx_im} = ImHR;
end
%% generate and save LR via imresize() with Bicubic
kernelsize = 7;
sigma = 1.6;
for IdxIm = 1:nb_im
    fprintf('IdxIm=%d\n', IdxIm);
    ImHR = DIV2K_HR{IdxIm};
    ImLRx3 = imresize_BD(ImHR, 3, kernelsize, sigma);
    % name image
    digit = IdxIm;
    fileName = num2str(IdxIm);
    while digit < 1000
        fileName = ['0', fileName];
        digit = digit*10;
    end

    FolderLRx3 = fullfile(path_save, 'DIV2K_LR_bicubic', 'X3');
    
    if ~exist(FolderLRx3)
        mkdir(FolderLRx3)
    end

    NameLRx3 = fullfile(FolderLRx3, [fileName, 'x3BD.png']);
    % save image
    imwrite(ImLRx3, NameLRx3, 'png');
end


end

function ImLR = imresize_BD(ImHR, scale, kernelsize, sigma)
% ImLR and ImHR are uint8 data
% downsample by Bicubic
kernel  = fspecial('gaussian',kernelsize,sigma);
blur_HR = imfilter(ImHR,kernel,'replicate');
ImLR = imresize(blur_HR, 1/scale, 'nearest');

end

BD的二三四倍

function Prepare_TrainData_HR_LR_BD()
%% settings
path_save = './DIV2K';
path_src = './DIV2K/DIV2K_HR';
ext               =  {'*.jpg','*.png','*.bmp'};
filepaths           =  [];
for i = 1 : length(ext)
    filepaths = cat(1,filepaths, dir(fullfile(path_src, ext{i})));
end
nb_im = length(filepaths);
DIV2K_HR = [];

for idx_im = 1:nb_im
    fprintf('Read HR :%d\n', idx_im);
    ImHR = imread(fullfile(path_src, filepaths(idx_im).name));
    DIV2K_HR{idx_im} = ImHR;
end
%% generate and save LR via imresize() with Bicubic
kernelsize = 7;
sigma = 1.6;
for IdxIm = 1:nb_im
    fprintf('IdxIm=%d\n', IdxIm);
    ImHR = DIV2K_HR{IdxIm};
    ImLRx4 = imresize_BD(ImHR, 4, kernelsize, sigma);
	ImLRx3 = imresize_BD(ImHR, 3, kernelsize, sigma);
	ImLRx2 = imresize_BD(ImHR, 2, kernelsize, sigma);
    % name image
    digit = IdxIm;
    fileName = num2str(IdxIm);
    while digit < 1000
        fileName = ['0', fileName];
        digit = digit*10;
    end

    FolderLRx4 = fullfile(path_save, 'DIV2K_LR_bicubic', 'X4');
    FolderLRx3 = fullfile(path_save, 'DIV2K_LR_bicubic', 'X3');
	FolderLRx2 = fullfile(path_save, 'DIV2K_LR_bicubic', 'X2');
    if ~exist(FolderLRx4)
        mkdir(FolderLRx4)
    end
	if ~exist(FolderLRx3)
        mkdir(FolderLRx3)
    end
	if ~exist(FolderLRx2)
        mkdir(FolderLRx2)
    end
    NameLRx4 = fullfile(FolderLRx4, [fileName, 'x4BD.png']);
	NameLRx3 = fullfile(FolderLRx3, [fileName, 'x3BD.png']);
	NameLRx2 = fullfile(FolderLRx2, [fileName, 'x2BD.png']);
    % save image
    imwrite(ImLRx4, NameLRx4, 'png');
	imwrite(ImLRx3, NameLRx3, 'png');
	imwrite(ImLRx2, NameLRx2, 'png');
end


end

function ImLR = imresize_BD(ImHR, scale, kernelsize, sigma)
% ImLR and ImHR are uint8 data
% downsample by Bicubic
kernel  = fspecial('gaussian',kernelsize,sigma);
blur_HR = imfilter(ImHR,kernel,'replicate');
ImLR = imresize(blur_HR, 1/scale, 'nearest');

end


BI的234倍

```bash

```bash
function Prepare_TrainData_HR_LR_BI()
%% settings
path_save = './DIV2K';
path_src = './DIV2K/DIV2K_HR';
ext               =  {'*.jpg','*.png','*.bmp'};
filepaths           =  [];
for i = 1 : length(ext)
    filepaths = cat(1,filepaths, dir(fullfile(path_src, ext{i})));
end
nb_im = length(filepaths);
DIV2K_HR = [];

for idx_im = 1:nb_im
    fprintf('Read HR :%d\n', idx_im);
    ImHR = imread(fullfile(path_src, filepaths(idx_im).name));
    DIV2K_HR{idx_im} = ImHR;
end
%% generate and save LR via imresize() with Bicubic

for IdxIm = 1:nb_im
    fprintf('IdxIm=%d\n', IdxIm);
    ImHR = DIV2K_HR{IdxIm};
    
    ImLRx2 = imresize(ImHR, 1/2, 'bicubic');
    ImLRx3 = imresize(ImHR, 1/3, 'bicubic');
    ImLRx4 = imresize(ImHR, 1/4, 'bicubic');
    % name image
    digit = IdxIm;
    fileName = num2str(IdxIm);
    while digit < 1000
        fileName = ['0', fileName];
        digit = digit*10;
    end

    FolderLRx2 = fullfile(path_save, 'DIV2K_LR_bicubic', 'X2');
    FolderLRx3 = fullfile(path_save, 'DIV2K_LR_bicubic', 'X3');
    FolderLRx4 = fullfile(path_save, 'DIV2K_LR_bicubic', 'X4');

    if ~exist(FolderLRx2)
        mkdir(FolderLRx2)
    end
    if ~exist(FolderLRx3)
        mkdir(FolderLRx3)
    end
    if ~exist(FolderLRx4)
        mkdir(FolderLRx4)
    end

    NameLRx2 = fullfile(FolderLRx2, [fileName, 'x2.png']);
    NameLRx3 = fullfile(FolderLRx3, [fileName, 'x3.png']);
    NameLRx4 = fullfile(FolderLRx4, [fileName, 'x4.png']);
    % save image
 
    imwrite(ImLRx2, NameLRx2, 'png');
    imwrite(ImLRx3, NameLRx3, 'png');
    imwrite(ImLRx4, NameLRx4, 'png');
end

end

DN的三倍

function Prepare_TrainData_HR_LR_DN()
%% settings
path_save = './DIV2K';
path_src = './DIV2K/DIV2K_HR';
ext               =  {'*.jpg','*.png','*.bmp'};
filepaths           =  [];
for i = 1 : length(ext)
    filepaths = cat(1,filepaths, dir(fullfile(path_src, ext{i})));
end
nb_im = length(filepaths);
DIV2K_HR = [];

for idx_im = 1:nb_im
    fprintf('Read HR :%d\n', idx_im);
    ImHR = imread(fullfile(path_src, filepaths(idx_im).name));
    DIV2K_HR{idx_im} = ImHR;
end
%% generate and save LR via imresize() with Bicubic
sigma = 30; % noise level
for IdxIm = 1:nb_im
    fprintf('IdxIm=%d\n', IdxIm);
    ImHR = DIV2K_HR{IdxIm};
    ImLRx3 = imresize_DN(ImHR, 3, sigma);
    % name image
    digit = IdxIm;
    fileName = num2str(IdxIm);
    while digit < 1000
        fileName = ['0', fileName];
        digit = digit*10;
    end

    FolderLRx3 = fullfile(path_save, 'DIV2K_LR_bicubic', 'X3');
    
    if ~exist(FolderLRx3)
        mkdir(FolderLRx3)
    end

    NameLRx3 = fullfile(FolderLRx3, [fileName, 'x3DN.png']);
    % save image
    imwrite(ImLRx3, NameLRx3, 'png');
end


end

function ImLR = imresize_DN(ImHR, scale, sigma)
% ImLR and ImHR are uint8 data
% downsample by Bicubic
ImDown = imresize(ImHR, 1/scale, 'bicubic'); % 0-255
ImDown = single(ImDown); % 0-255
ImDownNoise = ImDown + single(sigma*randn(size(ImDown))); % 0-255
ImLR = uint8(ImDownNoise); % 0-255
end

DN的两三四倍

function Prepare_TrainData_HR_LR_DN()
%% settings
path_save = './DIV2K';
path_src = './DIV2K/DIV2K_HR';
ext               =  {'*.jpg','*.png','*.bmp'};
filepaths           =  [];
for i = 1 : length(ext)
    filepaths = cat(1,filepaths, dir(fullfile(path_src, ext{i})));
end
nb_im = length(filepaths);
DIV2K_HR = [];

for idx_im = 1:nb_im
    fprintf('Read HR :%d\n', idx_im);
    ImHR = imread(fullfile(path_src, filepaths(idx_im).name));
    DIV2K_HR{idx_im} = ImHR;
end
%% generate and save LR via imresize() with Bicubic
sigma = 30; % noise level
for IdxIm = 1:nb_im
    fprintf('IdxIm=%d\n', IdxIm);
    ImHR = DIV2K_HR{IdxIm};
	ImLRx2 = imresize_DN(ImHR, 2, sigma);
    ImLRx3 = imresize_DN(ImHR, 3, sigma);
	ImLRx4 = imresize_DN(ImHR, 4, sigma);
    % name image
    digit = IdxIm;
    fileName = num2str(IdxIm);
    while digit < 1000
        fileName = ['0', fileName];
        digit = digit*10;
    end
	FolderLRx2 = fullfile(path_save, 'DIV2K_LR_bicubic', 'X2');
    FolderLRx3 = fullfile(path_save, 'DIV2K_LR_bicubic', 'X3');
	FolderLRx4 = fullfile(path_save, 'DIV2K_LR_bicubic', 'X4');
    
    if ~exist(FolderLRx3)
        mkdir(FolderLRx3)
    end
	if ~exist(FolderLRx2)
        mkdir(FolderLRx2)
    end
	if ~exist(FolderLRx4)
        mkdir(FolderLRx4)
    end
    NameLRx3 = fullfile(FolderLRx3, [fileName, 'x3DN.png']);
	NameLRx4 = fullfile(FolderLRx4, [fileName, 'x4DN.png']);
	NameLRx2 = fullfile(FolderLRx2, [fileName, 'x2DN.png']);
    % save image
    imwrite(ImLRx3, NameLRx3, 'png');
	imwrite(ImLRx4, NameLRx4, 'png');
	imwrite(ImLRx2, NameLRx2, 'png');
end


end

function ImLR = imresize_DN(ImHR, scale, sigma)
% ImLR and ImHR are uint8 data
% downsample by Bicubic
ImDown = imresize(ImHR, 1/scale, 'bicubic'); % 0-255
ImDown = single(ImDown); % 0-255
ImDownNoise = ImDown + single(sigma*randn(size(ImDown))); % 0-255
ImLR = uint8(ImDownNoise); % 0-255
end
Magic_o
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
验证darknet中前处理做图像缩放（双线性内插值法）scale的算法效果
tugouxp的专栏
03-17 1602
关于图形scale原理的介绍可以参考下面的文章 用最近邻插值(Nearest Neighbor interpolation)进行图片缩放_papaofdoudou的博客-CSDN博客_最近邻插值算法原理个图片缩放的两种常见算法： 最近邻域内插法(Nearest Neighbor interpolation) 双向性内插法(bilinear interpolation)本文主要讲述最近邻插值(Nearest Neighbor interpolation算法的原理以及python实现基本原理最简单的图像缩放算
darknet是如何对数据集做预处理的
weixin_30371875的博客
08-03 468
在准备数据集时,darknet并不要求我们预先对图片resize到固定的size. darknet自动帮我们做了图像的resize. darknet训练前处理 本文所指的darknet版本:https://github.com/AlexeyAB/darknet ./darknet detector train data/trafficlights.data yolov3-tiny_tra...
超分双三次退化数据集制作
weixin_48571712的博客
07-22 448
超分数据集制作
EDSR: Enhanced Deep Residual Networks for Single Image Super-Resolution
mytzs123的博客
02-09 96
近年来，随着深度卷积神经网络（DCNN）的发展，超分辨率研究取得了进展。特别是，残余学习技术表现出改进的性能。在本文中，我们开发了一种增强型深度超分辨率网络（EDSR），其性能超过当前最先进的SR方法。我们的模型的显著性能改进是由于通过去除传统残余网络中不必要的模块进行了优化。在稳定训练过程的同时，通过扩大模型大小，进一步提高了性能。我们还提出了一种新的多尺度深度超分辨率系统（MDSR）和训练方法，该系统可以在单个模型中重建不同尺度因子的高分辨率图像。所提出的方法在基准数据集上表现出优于最先进方法的性能，并
DIV2K_valid_HR.zip
08-24
超级分辨率数据集 中的验证集1 1
RDN网络权值文件 rdn-x4.pth
10-09
rdn网络权值文件 RDN (D=16, C=8, G=64, G0=64) scale=4 源码地址：https://github.com/yjn870/RDN-pytorch
win32超分辩重建RDN实用程序
04-22
《win32超分辨率重建RDN实用程序详解》 在当今的数字图像处理领域，超分辨率重建技术已经成为了提升图像质量的重要手段。本篇将详细探讨"win32超分辨率重建RDN实用程序"，该程序是基于RDN-TensorFlow-master项目中...
rdn-liif.rar
12-23
Learning Continuous Image Representation with Local Implicit Image Function (LIIF) 的预训练模型文件，包含EDSR-baseline-LIIF和RDN-LIIF
rdn_x2.pth
最新发布
10-09
rdn_x2.pth
RDN-pytorch:PyTorch实施残差密集网络以实现图像超分辨率（CVPR 2018）
05-14
RDN 该存储库是。 要求 PyTorch 1.0.0 脾气暴躁的1.15.4 枕头5.4.1 h5py 2.8.0 tqdm 4.30.0 火车 可以从下面的链接下载转换为HDF5的DIV2K，Set5数据集。 数据集 规模 类型 关联 DIV2K 2个 火车 DIV2K 3 火车 DIV2K 4 火车 第5集 2个 评估 第5集 3 评估 第5集 4 评估 否则，您可以使用prepare.py创建自定义数据集。 python train.py --train-file " BLAH_BLAH/DIV2K_x4.h5 " \ --eval-file " BLAH_BLAH/Set5_x4.h5 " \ --outputs-dir " BLAH_BLAH/outputs " \
matlab-fullfile使用
s151506879的博客
07-30 3万+
f = fullfile('dir1', 'dir2', ..., 'filename') 如：输入：f = fullfile('C:','Applications','matlab','fun.m') 得到：f =C:\Applications\matlab\fun.m
matlab按步长剪切图片
向阳的博客
07-15 1593
matlab按步长剪切图片： clear;close all; %% settings folder = 'E:\train\'; savepath = 'F:\matlab\'; size_input = 60; stride = 40; %% initialization data = zeros(size_input, size_input, 1, 1); count =
darknet 源码阅读（数据预处理篇)——制作VOC格式数据集
jmu201521121021的博客
01-15 1044
一 、简介 VOC文件目录结构 ├── Annotations ├── ImageSets │ └── Main ├── JPEGImages 1、需要在Annotations文件下生成所有图片对用的xml文件 2、ImageSets └── Main 是存放txt文件，2007train.txt 2007test.txt 2007val.txt txt文件里面包含是图片名称（没有后...
数据预处理方式：标准化/正态分布/zscore/scale/
qq_40815731的博客
04-19 7638
一、数据预处理 在实际数据分析工作中，我们会得到各种各样的数据，例如：存在缺失值，存在重复值，数据量纲单位不同等，这就要求我们在使用之前对数据进行预处理，一般为针对不同生物学特征和数据集数据的不同而选择不同的预处理流程，下文将结合我们遇到的问题，分享一些在机器学习中常用到的可能会与我们的数据预处理相关的方法。 1. 标准化（Standardization） 根据维基百科中所说，归一化（Normalization）和标准化（Standardization）都属于数据缩放的方法，用于数据预处理过程。 ..
RDN论文阅读笔记
weixin_43840215的博客
06-26 1440
“Residual Dense Network for Image Super-Resolution”发表于CVPR 2018 论文： https://arxiv.org/abs/1802.08797 代码： https://github.com/yulunzhang/RDN https://github.com/lizhengwei1992/ResidualDenseNetwork-Pytorc...
vlfeat dense sift理解
CHIERYU的专栏
02-26 4272
一、Dense SIFT SamplingDSIFT在寻找显著点时不是尝试使用一个分类器判断是否是显著点，而是为了简化，所有显著点是均匀分布（equally dense across ）在图像的各个区域的。在采样时有个涉及不同尺度下采样步长（pixel stride）是否应该相同的问题。窗口移动同样的步长，在更大的尺度下，窗口要大些，这会使得相邻窗口的重叠区域面积比率变大，从而使得采样的冗余较小尺度
深度学习之数据预处理
画心
11-30 5653
文章目录数据预处理数据预处理数据归一化白化(协方差矩阵为单位矩阵)one-hot独热编码(离散数据)数据增强(数据量有限)保存数据补充 数据预处理 https://www.yuque.com/lart/ml-newer 版本...
高光谱数据集
热门推荐
qq_38290648的博客
06-06 4万+
摘自《基于深度卷积神经网络的高光谱图像分类》徐敏1.Indian Pines 数据集Indian  Pines 是最早的用于高光谱图像分类的测试数据，由机载可视红外成像光谱仪（AVIRIS）于 1992 年对美国印第安纳州一块印度松树进行成像，然后截取尺寸为 145×145 的大小进行标注作为高光谱图像分类测试用途。AVIRIS 成像光谱仪成像波长范围为 0.4-2.5μm，是在连续的 220 个...
rdn-liif数据集
08-08
RDN-LIIF数据集是一个用于图像增强的数据集。该数据集包含了用于训练超分辨率图像增强算法的低分辨率图像和对应的高分辨率图像。 RDN-LIIF数据集中的低分辨率图像是通过对高分辨率图像进行降采样得到的。由于降采样...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值