C++实现超分辨率重建 DBPN (二) 主流程

最新推荐文章于 2021-02-01 15:43:16 发布
最新推荐文章于 2021-02-01 15:43:16 发布
阅读量405 收藏 3
点赞数 1
分类专栏： 超分辨率重建 文章标签： 超分辨重建DBPN C++

流程图：

主函数就按上图走：

void DBPN(char * savefilename,DBPN模型 & sr)
{

//		
	int wid=jpg.getwidth();
	int hei=jpg.getheight();
	int wh=wid*hei;

		int scale_factor = 2;
        	//kernel = 6
        	int stride = 2;
        	int padding = 2;
	int whh=wh*scale_factor*scale_factor;
	int wh64=wh*64;
	int whh64=whh*64;

	//大连接池 up down  
	卷积层 l池(wid,hei,64*6); //低分辨率连接池(down) down1-> down6
	l池.data=new float[wh * l池.depth ]; 

	卷积层 l(l池.width , l池.height , 64);//复制用
	l.data=l池.data+wh64*6;//指向结尾，后面向前移

	卷积层 down(l.width , l.height ,0);//1*1卷积用，深度慢慢增加
	down.data=l.data;//始终指向复制处


	卷积层 h池(wid*scale_factor,hei*scale_factor,64*7); //高分辨率连接池(up) up1 ->up7
	h池.data=new float[whh * h池.depth ]; 

	卷积层 h(h池.width , h池.height , 64);//复制用
	h.data=h池.data+whh64*7;//指向结尾，后面向前移

	卷积层 up(h.width , h.height , 0);//1*1卷积用，深度慢慢增加
	up.data=h.data;//始终指向复制处

		cout<<"输入图像宽度："<<wid<<endl;
		cout<<"        高度："<<hei<<endl;
//
	卷积层 rgb(wid,hei,3);//即rgb通道
	rgb.data=new float[wid * hei *3]; 

	//jpg转换为RGB卷积层
	jpg2RGB(&jpg,&rgb);

	RGB2BGR(rgb) ;
			
						 //load_mat2卷积层 ("./me/rgb.txt",&rgb); 
						//save_卷积层2txt(&rgb,"rgb.txt");

	//---------------------------------------------->
	层数据 * 层;

	//两个卷积层 交替前传（源,目标,不完全是, 也用到 up down）
			
	//大小在使用时调整
	卷积层 * di=(卷积层 *)malloc(sizeof(卷积层));
		di->width=1;
		di->height=1;
		di->depth=1;
		di->data=new float[1 ]; 

	卷积层 *源,*目标;
	源 = &rgb;
	
	目标 = di;

	int pad;

		

	//普通卷积
	#define 一层卷积(ConvX) \
	\
	层=ConvX.层;/* Conv2 层 */ \
	/*int 层数=2;*/\
		if(层->输出维度 != 目标->depth || 目标->width != wid || 目标->height != hei)\
			Resize卷积层(*目标,wid,hei,层->输出维度);\
		pad=层->核宽/2;\
		vl_nnconv(源,目标,层 ,1,1,pad,pad,pad,pad);\
		vl_nnrelu(目标,ConvX.act);/*激励函数Prelu*/\
\
		std::swap (源,目标);\


		cout<<"输入层...\n"<<endl;
		一层卷积(sr.feat0);
			save_卷积层2jpg(源,"feat0");
		一层卷积(sr.feat1);


	//下采样
	#define Conv卷积(ConvX) \
	\
	层=ConvX.层;/* Conv2 层 */ \
	wid/=scale_factor;hei/=scale_factor;\
		if(层->输出维度 != 目标->depth || 目标->width != wid || 目标->height != hei)\
			Resize卷积层(*目标,wid,hei,层->输出维度);\
		pad=padding;\
		vl_nnconv(源,目标,层 ,stride,stride,pad,pad,pad,pad);\
		vl_nnrelu(目标,ConvX.act);/*激励函数Prelu*/\
\
		std::swap (源,目标);\

	//上采样
	#define Deconv卷积(ConvX) \
	\
	层=ConvX.层;/* Conv2 层 */ \
	wid*=scale_factor;hei*=scale_factor;\
		if(层->输出维度 != 目标->depth || 目标->width != wid || 目标->height != hei)\
			Resize卷积层(*目标,wid,hei,层->输出维度);\
		pad=padding;\
		vl_nnconvt(源,目标,层 ,stride,stride,pad,pad,pad,pad);\
		vl_nnrelu(目标,ConvX.act);/*激励函数Prelu*/\
\
		std::swap (源,目标);\

	//用于残差加减
	卷积层 l备份(down.width,down.height,64);
	卷积层 h备份(up.width,up.height,64);
	l备份.data=new float[down.width*down.height*64]; h备份.data=new float[up.width*up.height*64];

	//上采样块
#define UP卷积块(UpX) \
	卷积层复制(源,&l备份);\
	Deconv卷积(UpX.up_conv1);\
	卷积层复制(源,&h备份);\
	Conv卷积  (UpX.up_conv2);\
	卷积层相减(&l备份,源);\
	Deconv卷积(UpX.up_conv3);\
	卷积层相加(&h备份,源);\
	/*向前移*/\
	h.data-=whh64;卷积层复制(源,&h);\
	up.data=h.data;up.depth+=64;\


	//下采样块
#define DOWN卷积块(DownX) \
	卷积层复制(源,&h备份);\
	Conv卷积  (DownX.down_conv1);\
	卷积层复制(源,&l备份);\
	Deconv卷积(DownX.down_conv2);\
	卷积层相减(&h备份,源);\
	Conv卷积  (DownX.down_conv3);\
	卷积层相加(&l备份,源);\
	/*向前移*/\
	l.data-=wh64;卷积层复制(源,&l);\
	down.data=l.data;down.depth+=64;\
	

	//up1
	cout<<"上采样1层...\n"<<endl;
	UP卷积块(sr.up1);


	//down1
	cout<<"下采样1层...\n"<<endl;
	DOWN卷积块(sr.down1) ;//----

	//up2
	cout<<"上采样2层...\n"<<endl;
	UP卷积块(sr.up2);//----

	//密集卷积(减维) (多个64维 -> 64维)
	#define UP_1x1卷积(ConvX) \
	\
	层=ConvX.层;/* Conv2 层 */ \
		if(目标->depth != 层->输出维度 || 目标->width != up.width || 目标->height != up.height)\
			Resize卷积层(*目标,up.width,up.height,层->输出维度);\
		pad=0;\
		vl_nnconv(&up,目标,层 ,1,1,pad,pad,pad,pad);\
		vl_nnrelu(目标,ConvX.act);/*激励函数Prelu*/\
\
		std::swap (源,目标);\

	//
	#define DOWN_1x1卷积(ConvX) \
	\
	层=ConvX.层;/* Conv2 层 */ \
		if(目标->depth != 层->输出维度 || 目标->width != down.width || 目标->height != down.height)\
			Resize卷积层(*目标,down.width,down.height,层->输出维度);\
		pad=0;\
		vl_nnconv(&down,目标,层 ,1,1,pad,pad,pad,pad);\
		vl_nnrelu(目标,ConvX.act);/*激励函数Prelu*/\
\
		std::swap (源,目标);\

	cout<<"下采样2层...\n"<<endl;
	UP_1x1卷积(sr.down2.conv);
	DOWN卷积块(sr.down2) ;


	cout<<"上采样3层...\n"<<endl;
	DOWN_1x1卷积(sr.up3.conv);
	UP卷积块(sr.up3);

			//save_卷积层2txt(&up,"up3_cat.txt");

	cout<<"下采样3层...\n"<<endl;

	UP_1x1卷积(sr.down3.conv);
	DOWN卷积块(sr.down3) ;

	cout<<"上采样4层...\n"<<endl;
	DOWN_1x1卷积(sr.up4.conv);
	UP卷积块(sr.up4);


	cout<<"下采样4层...\n"<<endl;
	UP_1x1卷积(sr.down4.conv);
	DOWN卷积块(sr.down4) ;

	cout<<"上采样5层...\n"<<endl;
	DOWN_1x1卷积(sr.up5.conv);
	UP卷积块(sr.up6);


	cout<<"下采样5层...\n"<<endl;
	UP_1x1卷积(sr.down5.conv);
	DOWN卷积块(sr.down5) ;

	cout<<"上采样6层...\n"<<endl;
	DOWN_1x1卷积(sr.up6.conv);
	UP卷积块(sr.up6);


	cout<<"下采样6层...\n"<<endl;
	UP_1x1卷积(sr.down6.conv);
	DOWN卷积块(sr.down6) ;
				save_卷积层2jpg(源,"down6");

					//load_mat2卷积层 ("./me/down6_cat.txt",&down); 
						 //load_mat2卷积层 ("./me/up7_cat.txt",&h池); 

	cout<<"上采样7层...\n"<<endl;
	DOWN_1x1卷积(sr.up7.conv);
	UP卷积块(sr.up7);
				save_卷积层2jpg(源,"up7");



			//save_卷积层2txt(源,"up7.txt");
			//save_卷积层2txt(&up,"up7_cat.txt");
						 //load_mat2卷积层 ("./me/up7_cat.txt",&up); 

	//输出层

	del卷积层(*源);
	del卷积层(l池);
		
	cout<<"输出层...\n"<<endl;

	//读取卷积(sr.output_conv);
	层=sr.output_conv.层;/* Conv2 层 */ 
		if(目标->depth != 层->输出维度 || 目标->width != up.width || 目标->height != up.height)\
			Resize卷积层(*目标,up.width,up.height,层->输出维度);\
		cout<<"宽,高:"<<wid<<","<<hei<<endl;
		pad=层->核宽/2;\
		vl_nnconv(&up,目标,层 ,1,1,pad,pad,pad,pad);

	del卷积层(l备份);
	del卷积层(h备份);
	del卷积层(h池);

	cout<<"图像转换成jpg格式... "<<endl;

			//save_卷积层2txt(目标,"out.txt");
						 //load_mat2卷积层 ("./me/output.txt",目标); 

	RGB2BGR(*目标) ;
				save_卷积层2jpg(目标,"out");



	RGB2jpg(目标,&jpg);

	del卷积层(*目标);

	savejpg(&jpg,savefilename);

	cout<<"转换文件已经保存为:    "<<savefilename<<endl;
	//                
}

其中，me文件夹中的文件是从pytorch中导出的中间层数据，用于比对。

效果：

输入图

重建图

下载：

win32超分辩重建dbpn实用程序

https://download.csdn.net/download/juebai123/10977770

 

 

juebai123
关注
  • 1
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
推荐深度学习增强算法：DBPN-Pytorch
gitblog_00015的博客
04-16 273
推荐深度学习增强算法：DBPN-Pytorch 项目地址:https://gitcode.com/alterzero/DBPN-Pytorch 在计算机视觉领域，超分辨率（Super-Resolution）是一个重要的话题，旨在提升图像的分辨率，使其更加清晰。DBPN-Pytorch 是一个基于PyTorch实现的深度双向预测网络（Deep Backward and Forward Propaga...
纯 C++ 实现的超分辨率重建(LapSRN)
08-13
LapSRN超分辨率实现，使用8x中的2倍放大，非源代码，源代码都在博客上了
C++实现超分辨率 IDN
juebai123的博客
04-16 1339
IDN (由信息蒸馏网络实现的快速准确的超分辨率) 在《IDN-Caffe-master》和《IDN-tensorflow-master》都有训练好的模型。 里面的一张和其它几个运行时间和效果比较图表： 效果比MemNet，DRRN好一点，差不多在同一个数量级，但速度很快。 这里用C++实现其中的4倍重建： 流程图： 信息蒸馏块： 上面的4组是说核数量只有通道数的4分之1...
C++实现超分辨率重建 SRFeat
juebai123的博客
05-20 1177
有个博文介绍了这个 SRFeat ，并且《SRFeat-master》中有模型： SRFeat_full.npz 。 这里也用C++来实现下。 模型流程图： 定义批正则层和残差块: struct tf_BatchNorm层数据 { int 数据长度; float * 偏移;//beta float * 权重;//gamma float * 均值;//moving_mean ...
c++编写的自相关超分辨率重建算法
06-26
用c++编写的超分辨率重建算法，基于自相关技术，完成单帧的超分辨率重建。
C++实现超分辨率重建 ESRGAN (一) 数据池
juebai123的博客
03-19 1223
本来还想实现下 AdaIN 风格转换中的`-preserveColor`选项（保留内容图像的颜色） 但是一看 coral 函数太复杂，吓倒我了，以后再说吧。 看到《ESRGAN-master》有两个测试模型下载:"RRDB_ESRGAN_x4.pth","RRDB_PSNR_x4.pth"，试试这个吧。 ESRGAN（增强型SRGAN）(增强型超分辨率生成对抗网络) 在[PIRM2018-SR...
Real-ESRGAN 深度学习超分辨率重建工具
02-09
`models`目录则包含了预训练的模型文件，这些模型是实现超分辨率重建的核心。 总结来说，Real-ESRGAN是一款基于深度学习的高效超分辨率重建工具，通过其预训练模型，用户能够轻松地提升图像的分辨率，达到更高质量...
纯C++改编的SRCCN超分辨率重建
06-07
总之，这个纯C++实现的SRCCN模型为超分辨率重建提供了一个独立的解决方案，无需依赖额外的深度学习环境。它展示了C++在实现复杂深度学习任务时的潜力，同时也强调了开发者在实现这类项目时所面临的挑战，如自定义...
超分辨率重建代码
01-28
超分辨率重建是一种图像处理技术，旨在通过合成多个低分辨率（LR）图像来生成高分辨率（HR）图像，从而提高图像的细节和清晰度。在视觉几何组（Visual Geometry Group）的项目中，他们开发了一套名为"elleSR_0.2"的...
纯C++改编的SRCCN 和VDSR超分辨率重建
07-08
本项目以C++为编程语言，实现了SRCCN（Super-Resolution Convolutional Neural Network，超分辨率卷积神经网络）和VDSR（Very Deep Super-Resolution，非常深的超分辨率）两种深度学习模型，使得用户无需安装额外的...
C++实现超分辨率 RDN
juebai123的博客
04-21 939
RDN(由残差密集网络实现的图像超分辨率) 在《RDN-TensorFlow-master》有一个3倍模型(也只有这一个了)：rdn_5_3_64_x3 这里用C++实现这个的3倍重建： 流程图： 密集残差块： 这个残差块结构内部和前面的ESRGAN（前面的文章）中的密集残差块是一样的，只是外部有点不同。 定义密集残差块： struct 密集残差块 // 4个卷积层 ...
win32超分辩重建dbpn实用程序
02-27
超分辨率重建dbpn(2倍)的win32程序，dbpn是NTIRE2018在经典的双三次 8倍放大赛道上的冠军。
超分辨率重建
05-15
图像信号的超分辨率重建
DBPN-caffe:深度背投网络可实现超高分辨率
05-11
DBPN-Caffe 该存储库是使用Caffe的超高分辨率深度背投网络的原始实现（将出现在CVPR2018中）。 项目页面： : 可以从此链接下载预训练的模型！ 我们还提供 引文 如果您认为这项工作有用，请考虑将其引用。 @inproceedings{DBPN2018,  title={Deep Back-Projection Networks for Super-Resolution},  author={Haris, Muhammad and Shakhnarovich, Greg and Ukita, Norimichi}, booktitle={IEEE Conference on Computer Vision and Pattern Recognition (CVPR)}, year={2018} }
纯C++超分辨率重建SRCNN --改编--（八）完结篇
juebai123的博客
06-07 1237
完整SRCNN函数： IMAGE SRCNN(IMAGE *jpg,int up_scale) { // 双三次插值 // 先将低分辨率图像使用双三次插值放大至目标尺寸（如放大至2倍、3倍、4倍） //im_b = imresize(im_gnd, up_scale, 'bicubic'); IMAGE im_h=*jpg; //双三次插值放大 ResizeGrayscale...
C++实现超分辨率重建 DBPN (一) 训练参数池
juebai123的博客
02-25 576
前面准备工作已经做得差不多了，现在开始。 先从简单的开始，选 DBPN 2倍开始，至于4，8 倍 以及 DBPNLL 的2， 4，8 倍以后再说。 先看图： 按图定义： struct DBPN模型 { //初始特征提取(输入屋) ConvBlock feat0; ConvBlock feat1; //上下采样块 UpBlock up1; DownBlock down1;...
OpenVINO 2021r2 C++ 超分辨率重建DBPN
sandmangu的专栏
02-01 325
想多看看OpenVINO 2021r2对各种SR模型计算层的支持怎么样，再试一下DBPN, 这个是NTIRE2018超分8倍的冠军， 只随便测试一下2X的模型 从网上找了个基于caffe的模型 https://github.com/alterzero/DBPN-caffe caffe是个非常老的框架了 OpenVINO应该支持的非常好了. 关于推理数据的预处理和后处理，从原项目可以看出就是简单的除以255.0和乘以255.0 %% work on illuminance o...
纯C++超分辨率重建VDSR --改编
juebai123的博客
06-17 1002
又找到一个caffe-vdsr-master，其中Test部分是用matconvnet来运行的，鼓捣一下也可以在Matlab 7.0+vc6.0中运行所以，这一篇用 C++ 翻译 VDSRVDSR 流程：可以说：和 SRCNN 差不多，除了卷积核全部是 3x3 头尾一模一样，中间18层代替 SRCNN 的第二层，残差网络也只是 网络结束后 加上双三次图。哪就开始吧：先定义一个网络数据池：struc...
DBPN:Deep Back-Projection Networks For Super-Resolution
清风吹斜阳
03-19 665
Deep Back-Projection Networks For Super-Resolution Muhammad Haris, Greg Shakhnarovich, and Norimichi Ukita CVPR2018 摘要 现有的方法都是在学习LR到HR的映射，不能够利用上LR和HR之间的依赖关系。于是论文提出了一个DBPN，迭代使用上采样和下采样来建立误差反馈机制。实验证明...
C++黑马程序员-演讲比赛流程管理系统记录
最新发布
08-20
"C++黑马程序员开发的演讲比赛流程管理系统，包括系统设计、类结构以及主要功能实现。系统采用面向对象编程，通过SpeechManager类管理整个比赛流程，提供菜单交互、比赛控制、文件读写等功能。" 在C++编程中，创建...

“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