C++实现超分辨 FALSR

最新推荐文章于 2024-04-19 09:34:21 发布
最新推荐文章于 2024-04-19 09:34:21 发布
阅读量593 收藏 2
点赞数
分类专栏： 超分辨率重建 文章标签： 超分辨 FALSR C++

前面已经准备好网络参数数据，这里正式开始。

这里只针对 FALSR-C.pb 模型，流程图：

定 义4残差块:

struct 残差块
{
	//残差块-------------------------------->
	//3x3
	层数据 * cell2_bx_0;//48->96
	层数据 * cell2_bx_d;//96->96 深度卷积
	层数据 * cell2_bx_1;//96->48
	//残差块--------------------------------<

};

定义模型数据池（有大概流程说明）：

struct FALSR模型
{
    //特征提取 3x3
	层数据 * conv1;//1->32
	//备份9  -->32

	//部分0 1x1
	层数据 * convg2_0;//组卷积(2分)//32(16)->32
	//备份23 -->32

	//连接 备份9 ,当前：32+32->64（短跳线）

	//部分1 1x1(4个)
	层数据 * cell1_0;//64->64
	层数据 * cell1_1;//64->64
	层数据 * cell1_2;//64->64
	层数据 * cell1_3;//64->64
	//备份53 -->64

	//部分2 1x1
	层数据 * cell2_s;//64->48

	int 残差块数量;//(4个) 3x3
	残差块 * 块;//48->96->48
	//<---
	//层数据 * cell2_bx_0;//48->96 普通卷积（每个通道用96个核 共48x96个） Conv2D
	//层数据 * cell2_bx_d;//96->96 深度卷积 (每个通道用 1个核 共   96个)  DepthwiseConv2dNative
	//层数据 * cell2_bx_1;//96->48 普通卷积（每个通道用48个核 共96x48个）
	//--->

	//连接 备份23 ,当前：32+48->80（短跳线）

	//部分3 1x1
	层数据 * convg2_1;//组卷积(2分)//80(40)->32

	//部分4 1x1
	层数据 * convg4_2;//组卷积(4分)//32(16)->32

	//连接 备份9 ,当前：32+32->64 （短跳线）

	//部分5 1x1
	层数据 * cell5_0;//64->48
	层数据 * cell5_1;//48->48
	层数据 * cell5_2;//48->48
	层数据 * cell5_3;//48->48
	//备份+0 -->48

	//连接 备份23 ,当前：32+48->80（短跳线）

	//部分6 3x3
	层数据 * conv2;//80->16

	//连接 备份9 ,备份53,备份+0,当前：32+64+48+16->160 （长、短跳线）

	//合成 3x3
	层数据 * conv3;//160->32

	//备份9 + 当前 -->32 (总残差 长跳线)

	//放大2倍
	//(像素混组：DepthToSpace)32->8

	//还原亮度通道 3x3
	层数据 * conv4;//8->1 
	
	
	
	//构造函数
	FALSR模型();

};

主函数：

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

//		
	int wid=bmp.width;
	int hei=bmp.height;
		cout<<"输入图像宽度："<<wid<<endl;
		cout<<"        高度："<<hei<<endl;
//
	卷积层 Y(wid,hei);//亮度
	Y.data=new float[wid * hei ]; 

	//*
	//--------------------------YUV---------------------1。开始
	卷积层 U(wid,hei);//亮度
	U.data=new float[wid * hei ]; 
	卷积层 V(wid,hei);//亮度
	V.data=new float[wid * hei ]; 

	bmp2YUV(&Y,&U,&V);
	//--------------------------YUV---------------------1。结束
	//*/

	/*
	//-----------------------RGB-------------------------1。开始
	卷积层 rgb(wid,hei,3);//亮度
	rgb.data=new float[wid * hei * 3 ]; 
	//jpg转换为RGB卷积层
	bmp2RGB(rgb);
	rgb2ypbpr(rgb);

	{
		卷积层 t(wid,hei);
		t.data=rgb.data;
		卷积层复制(&t,&Y);
	}
	//-------------------------RGB-----------------------1。结束
	//*/



	层数据 * 层;

	//两个卷积层 交替前传（源,目标）
			
	//用这个传回
	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 = &Y;
	
	目标 = di;

	int pad;

		

	cout<<"输入层..."<<endl;
	卷积前传(sr.conv1);
		//load_mat2卷积层("me/conv1.txt",源);

	//conv1备份 <9>
	卷积层 备份9(源->width,源->height,源->depth);
	备份9.data=new float[源->width*源->height*源->depth ]; 

	//备份
	卷积层复制(源,&备份9);

	//cell0--------------------------------------------------
	cout<<"部分0..."<<endl;
	//卷积前传(sr.convg2_0);
	组卷积X分(	*源,*目标,sr.convg2_0,2 );//2分组卷积
	std::swap (源,目标);

	//<23> 源
	卷积层 备份23(源->width,源->height,源->depth);
	备份23.data=new float[源->width*源->height*源->depth ]; 
	卷积层复制(源,&备份23);
	    
	    
	//<25> =<9><23>
	//卷积层 * 连接0 = 卷积层连接(conv1备份,*源); 
	卷积层连接(备份9,备份23,*源); 


	//cell1--------------------------------------------------
	cout<<"部分1..."<<endl;
	卷积前传(sr.cell1_0);
	卷积前传(sr.cell1_1);
	卷积前传(sr.cell1_2);
	卷积前传(sr.cell1_3);
		//load_mat2卷积层("me/cell1_3.txt",源);
	卷积层 备份53(源->width,源->height,源->depth);
	备份53.data=new float[源->width*源->height*源->depth ]; 
	卷积层复制(源,&备份53);

	//cell2
	cout<<"部分2..."<<endl;
	卷积前传无RELU(sr.cell2_s);
		//load_mat2卷积层("me/cell2-s.txt",源);//
	残差块总成(sr,源);//从源传回

	卷积层连接(备份23,*源,*目标); 
	std::swap (源,目标);
		//load_mat2卷积层("me/concat_layer_1.txt",源);

	//cell3
			
		//cout<<"convg2_1.in:"<<源->depth<<endl;

	cout<<"部分3..."<<endl;

//cout<<*(sr.convg2_1->偏移_数据)<<endl;
//cout<<*(sr.convg2_1->权重_数据)<<endl;
	组卷积X分(	*源,*目标,sr.convg2_1,2 );//2分组卷积
	std::swap (源,目标);
	//cout<<"convg2_1:"<<源->depth<<endl;
	卷积层连接(备份9,*源,*目标); 
	std::swap (源,目标);
		//load_mat2卷积层("me/concat_layer_2.txt",源);

	//cell4
	cout<<"部分4..."<<endl;
	组卷积4分(	*源,*目标,sr.convg4_2 );//4分组卷积
	std::swap (源,目标);
	卷积层连接(备份9,*源,*目标); 
	std::swap (源,目标);
		//load_mat2卷积层("me/concat_layer_3.txt",源);

	//cell5
	cout<<"部分5..."<<endl;
	卷积前传(sr.cell5_0);
	卷积前传(sr.cell5_1);
	卷积前传(sr.cell5_2);
	卷积前传(sr.cell5_3);
		//load_mat2卷积层("me/cell5_3.txt",源);

	卷积层 备份a0(源->width,源->height,源->depth);
	备份a0.data=new float[源->width*源->height*源->depth ]; 
	卷积层复制(源,&备份a0);

	卷积层连接(备份23,备份a0,*源); 
		//load_mat2卷积层("me/concat_layer_4.txt",源);
	//cell6
	cout<<"部分6..."<<endl;
	卷积前传(sr.conv2);
		//load_mat2卷积层("me/conv2.txt",源);
	{
		卷积层 *tmp1=卷积层连接(备份9,备份53);
		卷积层 *tmp2=卷积层连接(*tmp1,备份a0);
		卷积层连接(*tmp2,*源,*目标); 
		std::swap (源,目标);

		del卷积层(*tmp1);
		del卷积层(*tmp2);
	}
		//load_mat2卷积层("me/concat_layer_5.txt",源);

	//合成降维
	卷积前传(sr.conv3);
	卷积层相加(&备份9,源);
		//load_mat2卷积层("me/elementwise_layer_4.txt",源);

	//删除备份
	del卷积层(备份9);del卷积层(备份23);del卷积层(备份53);del卷积层(备份a0);

	//放大
	cout<<"放大2倍... "<<endl;

	wid *= 2;hei *= 2;
	Resize卷积层(*目标,wid,hei,sr.conv4->输入维度);

	//像素混组(源,目标);
	像数混组32_8(*源,*目标);//模拟tf的depth_to_space， 块大小:2 放大2倍
	std::swap (源,目标);

		//load_mat2卷积层("me/DepthToSpace.txt",源);

		//loadk("t/conv4.txt",sr.conv4);
	卷积前传无RELU(sr.conv4);
		//load_mat2卷积层("me/out.txt",源);
//cout<<*(sr.conv4->偏移_数据)<<endl;
//cout<<*(sr.conv4->权重_数据)<<endl;




	//原图放大2倍
	ResizeGrayscaleImage(2.0);
	//bicubic_resize(4.0);
	wid=bmp.width;
	hei=bmp.height;



	//*
	//--------------------YUV----------------------2。开始
	卷积层 uY(wid,hei);//亮度
	uY.data=new float[wid * hei ]; 
	卷积层 uU(wid,hei);//亮度
	uU.data=new float[wid * hei ]; 
	卷积层 uV(wid,hei);//亮度
	uV.data=new float[wid * hei ]; 

	bmp2YUV(&uY,&uU,&uV);
	//输入加上残差
	卷积层复制(源,&uY);
	//	//save_卷积层2jpg(&uY,"uY");

	YUV2bmp(&uY,&uU,&uV);
	//--------------------YUV----------------------2。结束
	//*/

	/*
	//---------------------RGB----------------------2。开始
	Resize卷积层(rgb,wid,hei,3);

	//jpg转换为RGB卷积层
	bmp2RGB(rgb);
	//

	rgb2ypbpr(rgb);
	{
		卷积层 t(wid,hei);
		t.data=rgb.data;
		卷积层复制(源,&t);

		卷积层 de(wid,hei,2);
		de.data=rgb.data+wid*hei;
		//load_mat2卷积层2("me/pbpr.txt",&de);

	}
	ypbpr2rgb(rgb);		
		//load_mat2卷积层2("me/rgb.txt",&rgb);
	RGB2bmp(rgb);
					
	//----------------------------RGB-----------------2。结束
	//*/
	
	del卷积层(*源);
	del卷积层(*目标);
	


	cout<<"图像转换成jpg格式... "<<endl;


	savejpg(savefilename);

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

}

效果图：

小图

2倍图

结束。

juebai123
关注
  • 0
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 4
    评论
专栏目录
【超分辨率】—基于深度学习的图像超分辨率最新进展与趋势
weixin_30401605的博客
07-02 3741
1、简介 图像超分辨率是计算机视觉和图像处理领域一个非常重要的研究问题，在医疗图像分析、生物特征识别、视频监控与安全等实际场景中有着广泛的应用。随着深度学习技术的发展，基于深度学习的图像超分方法在多个测试任务上，取得了目前最优的性能和效果。本文介绍的一篇综述（Deep Learning for Image Super-resolution:A Survey）给出了一个统一的深度学...
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...
C++实现超分辨率 RCAN
juebai123的博客
04-24 1355
RCAN（由很深的通道注意力的残差网络实现的图像超分辨率） 在RCAN-master 中有模型（百度网盘），现在我们来实现其中的4倍模型 ：RCAN_BIX4.pt 由 Pytorch 中导出后有156M大。 流程图： 定义数据池： 1。残差缩放块 struct 残差缩放块 //自适应调整残差（训练得缩放比） { 层数据 * conv1;//64-->64 块尾层 ...
FALSR：小米自动机器学习框架，加速AI开发进程
最新发布
gitblog_00097的博客
04-19 441
FALSR：小米自动机器学习框架，加速AI开发进程 项目地址:https://gitcode.com/xiaomi-automl/FALSR FALSR 是小米公司开源的一款自动化机器学习框架，它旨在简化和优化机器学习模型的训练过程，让开发者能够更快地进行模型构建和优化，无需深入理解复杂的算法细节。 技术剖析 FALSR 基于 PyTorch 框架，采用了先进的自动化调参策略，如基于元学习的超参数...
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 ...
OpenCV中的超分辨率
欲穷千里目，更上一层楼
03-28 6225
介绍 超分辨率是指放大或改善图像细节的过程。请关注此博客，以了解OpenCV中“超分辨率”的选项。当增加图像的尺寸时，需要以某种方式插入额外的像素。基本的图像处理技术无法提供良好的效果，因为它们在放大时不会考​​虑周围环境。深度学习以及最近的GAN在这里都可以提供帮助，并提供更好的结果。 下图显示了超分辨率。原始高分辨率图像在放大时显示最佳细节。其他图像是在使用各种超分辨率方法重建后获得的。您可以在此处详细了解它们。 使用超分辨率变体获得的重建图像与原始高分辨率图像的比较。 OpenCV中的超分辨率示例。
文章生成器c++实现 超有意思
08-11
文章生成器c++实现 超有意思
凸包问题GraHam算法c++实现
11-09
c++实现的GraHam算法，解决凸包问题
RSA加密算法c++实现
04-07
RSA加密算法的实现，使用c++语言编程，使用dev c++平台编码，文件为cpp格式。经过反复测试代码正确，可搭配RSA讲解教程一起使用，讲解教程点击我的个人主页即可查看，希望能够对你有帮助，谢谢。
C++实现蓝牙bluetooth通讯功能
09-10
在C++中实现蓝牙（Bluetooth）通信功能是一个涉及硬件交互、低级协议处理以及软件设计的复杂过程。这里我们将深入探讨如何使用C++来构建一个基础的蓝牙通信系统，包括必要的概念、步骤和可能遇到的技术挑战。 首先...
C++ 实现WebSocket 服务器
12-07
在本项目中，我们使用C++来实现一个WebSocket服务器，借助了libuv库来处理TCP层面的基础工作，并利用gbase作为辅助工具。 ### C++ 语言特性 C++是一种静态类型的、编译式的、通用的、大小写敏感的、不仅支持过程化...
图像清晰度检测
03-06
实现图像清晰度检测，网上一位童鞋的代码opencv实现，值越大越模糊
图像超分辨
ljs_a的博客
05-25 3419
原博客地址：https://blog.csdn.net/u011630458/article/details/65635155 简介 　　这段时间在看基于字典的单帧图像超分辨率重建，本篇主要是对这块做个笔记记录。 基本原理 预处理 1、准备好用于字典训练的低分辨率图像LR及与...
图像超分辨——传统方法（个人总结）
SimonCoder的专栏
11-07 2万+
根据自己的经验总结一下图像超分辨的方法，图像超分辨（Image Super Resolution）可以分为传统方法和深度学习方法，传统方法一直都在出paper，最近几年深度学习在处理图像、文本、语音的任务上表现出了一定的优势，所以基于深度学习做超分辨在最近几年发了很多paper，包括最早地将CNN用于超分辨，后来的ResNet，GAN等。 lena的原始图像为512×512，lena x4为1/...
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...
FALSE/TRUE与false/true的区别
热门推荐
《好好先生》专栏
04-23 2万+
FALSE/TRUE与false/true的区别 1.FALSE/TRUE与false/true的区别： false/true是标准C++语言里新增的关键字，而FALSE/TRUE是通过#define定义的INT数据，主要用途 是解决程序在C与C++中环境的差异，以下是FALSE/TRUE在windef.h的定义： #ifndef FALSE #define FALS
【超分辨率】小米轻量级超分辨率模型FALSR：Fast, Accurate and Lightweight Super-Resolution models
进一寸有一寸的欢喜
06-28 2405
【资讯来源】：我爱计算机视觉公众号——小米开源FALSR算法：快速精确轻量级的超分辨率模型 【论文地址】：Fast, Accurate and Lightweight Super-Resolution with Neural Architecture Search, 【代码下载】：https://github.com/falsr/FALSR 【网盘下载】：https://pan.baidu....
opencv——superpixel算法——SLIC，SEEDS，LSC
莫谈天下
10-18 2万+
整理资料不容易，版权所，转载请标明出处，谢谢！！opencv关于超像素生成，目前没有发现网上有代码，这里为了方便大家使用超像素，我整理了一下opencv生成超像素的方法，希望对大家有帮助。这里主要介绍使用opencv生成superpixel，主要介绍的算法为SLIC，SEEDS，LSC。但是目前superpixel生成算法在OpenCV 3.1.0的Release版本中并不存在，因为他们是存放在op
实时超分辨分割
yunxinan的专栏
06-14 437
超分辨目标检测 论文地址：http://cn.arxiv.org/pdf/1904.04514.pdf 代码地址：https://github.com/HRNet/HRNet-Object-Detection 实时分割 论文地址：https://arxiv.org/abs/1904.02689 代码地址：https://github.com/dbolya/yolact ...

“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 4
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