超分辨率重建-SRCNN

最新推荐文章于 2023-11-14 16:57:18 发布

小火箭丶

最新推荐文章于 2023-11-14 16:57:18 发布

阅读量1k

点赞数

分类专栏：超分辨率重建文章标签：深度学习

本文链接：https://blog.csdn.net/qq_35912099/article/details/118213034

版权

2 篇文章 0 订阅

订阅专栏

1、将高分辨率(HR)图像经过多次插值转换为低分辨率(LR)图像.

2、将LR送入NN进行特征提取、转换、重构图像

3、将重构的超分辨率图像与HR做对比判断效果好坏

1、MSE(均方根误差)作为损失计算值

2、峰值信噪比PSNR作为图像重构质量的判断

PSNR>40dB说明图像质量极好（即非常接近原始图像），

30到40dB通常表示图像质量是好的（即失真可以察觉但可以接受），

20到30dB说明图像质量差；

PSNR低于20dB图像不可接受

3、SSIM 结构相似性利用像素值差异进行判断

1、prepare.py

增加default=False 便于控制训练集和测试集h5文件的生成

 parser.add_argument('--eval', action='store_true', default=False)

    if not args.eval:
        train(args)
        print("OK1")
    else:
        eval(args)
        print("OK2")

这里是在对数据集进行截取、使相同尺寸的LR HR 获取多个对应的33x33的区域快用于训练学习

2、train.py test.py models.py dataset.py utils.py

models.py dataset.py utils.py 比较简单没有值得强调的地方

当你用完train.py 训练完模型，基线代码中只有高清图像所以进行测试时还是要进行双三次插值降低分辨率并进行重构、但是实际应用中我们是低分辨率重构、如果有高分辨率图像就没必要多此一举了。所以当你要把自己的低分辨率数据重构为SR时不要在进行插值降低分辨率。

关注