Tensorflow-图像处理

1

提高图片分辨率——开源例子

2

MNIST简单训练

3

图像处理的相关应用

提高图片分辨率-开源例子

该项目是使用生成对抗网络的令人印象深刻的工作照片真实单图像超分辨率的张量流实现 。

训练方法大致就是构建好网络后，找一个高清图片数据集，对每个图片做处理得到低分辨率的图片，从而得到低分辨率图片数据集。用这两个数据集来训练网络，实现低分辨率到高分辨率图片的转化。

**源码地址：**GitHub - brade31919/SRGAN-tensorflow: Tensorflow implementation of the SRGAN algorithm for single image super-resolution

**简书：**https://www.jianshu.com/p/3b920726a6bd

SRGAN (Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network, arxiv, 21 Nov, 2016)将生成式对抗网络（GAN)用于SR问题。其出发点是传统的方法一般处理的是较小的放大倍数，当图像的放大倍数在4以上时，很容易使得到的结果显得过于平滑****，而缺少一些细节上的真实感。因此SRGAN使用GAN来生成图像中的细节。将生成对抗网络(Generative Adversarial Network, GAN)用在了解决超分辨率问题上。

为什么会造成平滑，缺少真实感？

文章提到，训练网络时用均方差作为损失函数，虽然能够获得很高的峰值信噪比，但是恢复出来的图像通常会丢失高频细节，使人不能有好的视觉感受。SRGAN利用感知损失(perceptual loss)和对抗损失(adversarial loss)来提升恢复出的图片的真实感。

图像超分辨率（Super Resolution, SR）就是将低分辨率(Low Resolution, LR)的图像通过一定的算法转提升到高分辨率(High Resolution, HR)。高分辨率图像具有更高的像素密度，更多的细节信息，更细腻的画质。

要获得高分辨率图像，最直接的办法是采用高分辨率的相机，然而