降采样-升采样

最新推荐文章于 2024-06-13 15:16:44 发布
最新推荐文章于 2024-06-13 15:16:44 发布
阅读量2.4k 收藏 6
点赞数
分类专栏： 深度学习 算法 图像处理 文章标签： 降采样 上采样 升采样
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/studyeboy/article/details/118337956
版权
深度学习 同时被 3 个专栏收录
73 篇文章 26 订阅
订阅专栏
算法
47 篇文章 3 订阅
订阅专栏
图像处理
41 篇文章 10 订阅
订阅专栏

降采样

深度卷积神经网络中降采样的方法：

  • stride大于1的pooling
  • stride大于1的conv
  • stride大于1的reorg（reorganization改组整顿），由Joseph Redmond在YOLOv2中首次提出。

conv

用stride=2的conv降采样的卷积神经网络效果与使用pooling降采样的卷积神经网络效果相当；卷积神经网络小的时候，使用pooling降采样效果可能更好，卷积神经网络大的时候，使用stride=2的conv降采样效果更好。

pooling

pooling提供了一种非线性，这种非线性需要较深的conv叠加才能实现，因此当网络比较浅的时候，pooling有一定优势；但是当网络很深的时候，多层叠加的conv可以学到pooling所能提供的非线性，甚至能根据训练学习到比pooling更好的非线性，因此当网络比较深的时候，不使用pooling没多大关系，甚至更好。

pooling的非线性是固定的，不可学习的，这种非线性其实就是一种先验。

reorg

reorg降采样的优势在于能够较好的保留低层次的信息，pooling和conv的降采样方式，好处是抽取的特征具有更强的语义性，坏处是会丢失一些细节信息。reorg方式与pooling和conv方式相反，它提取的特征语义性不强，但是能保留大量细节信息。所以当既需要降采样，又需要不丢失细节信息的时候，reorg是一个非常合适的选择。

为了增强模型的效果，都会融合低层和高层的信息，这样融合后的特征既具有高层特征的抽象语意信息，又具有低层特征的细节信息。而低层特征feature map比高层特征feature map大，为了融合，需要将高层特征feature map放大到跟低层特征feature map一样大，放大feature map的过程就是升采样（upsample）过程。

升采样（上采样）

UnPooling

UnPooling操作与MaxPooling操作是对应的，在MaxPooling时记录每一个保留元素的位置，在UnPooling时将元素在之前保留的位置填充，其余位置补0即可。
在这里插入图片描述

UpSampling

插值方式包括最近邻（nearest-neighbor）插值、双线性插值（bilinear）、双立方插值（bicubic）。

  • nearest-neighbor
    最近邻插值，是指将目标图像中的点，对应到源图像中后，找到最相邻的整数点，作为插值后的输出。如下图所示，P为目标图像对应到源图像中的点，Q11、Q12、Q21、Q22是P点周围的4个整数点，Q12与P距离最近，因此P点的值等于Q12的值。由于图像中像素具有邻域相关性，因此，用这种方法会产生明显的锯齿。
    在这里插入图片描述

  • bilinear interpolation
    双线性插值使用周围4个点插值得到输出，双向性插值，是指在xy方向上，都是基于线性距离来插值的，如上图所示，目标图像中的一个点对应到源图像中点P（x，y），先在x方向上插值：
    在这里插入图片描述
    然后，进行y方向插值：
    在这里插入图片描述
    可以验证，先进行y方向插值再进行x方向插值，结果也是一样的。双线性插值在单个方向上是线性的，但对整福图像来说是非线性的。

  • bicubic
    在这里插入图片描述
    双三次曲线插值方法计算量较大，但后的图像效果最好。

  • 各种插值方式的区别与联系
    从nearest interpolation、bilinear interpolation到bicubic interpolation，插值所利用的信息越来越多，feature map越来越平滑，但是同时计算量也越来越大，nearest interpolation、bilinear interpolation、bicubic interpolation的区别与联系可见下图所示，其中黑色的点为预测值，其他彩色点为周围已知值，用来计算预测值。
    在这里插入图片描述

反卷积

卷积操作是将大的特征图经过卷积核的遍历之后变成小的特征图（无padding的情况下）。反卷积操作是先将小的特征图通过一定的插值方式变为大的特征图，再进行正常卷积。
在这里插入图片描述

  • stride=1
    等价于stride=1的conv，只是padding的方式不同，不能起到升采样的作用。以一维的数据为例，示意图如下，中间的步骤是将卷积转换为矩阵乘法的过程。
    在这里插入图片描述

  • stride>1
    能起到升采样的作用，一般用到的deconv，stride都大于1。以一维的数据为例，示意图如下，中间步骤是将卷积转换为矩阵乘法的过程。
    在这里插入图片描述

  • deconv和插值的区别与联系
    deconv和插值都是通过周围像素点来预测空白像素点的值，区别在于同一个权重由认为预先定义的公式计算，一个通过数据驱动来学习。

参考资料
双三次插值算法(bicubic interpolation)与图形学和计算方法的关系
图像上采样 & 图像处理中常见的插值方法
深度卷积神经网络中的降采样（part2）

studyeboy
关注
  • 0
    点赞
  • 踩
  • 6
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
图像降采样和升采样 Matlab 代码
03-19
图像降采样和升采样 Matlab 代码。 该代码实现了以2为因子的图像升采样和降采样功能。 降采样包括使用平滑滤波器(with using the averaging filter)和不使用平滑滤波器(without using the averaging filter)两种方法。 升采样包括像素点直接复制(pixel replication method)和线性插值(bilinear interpolatoin method)两种方法。 降采样方法和升采样方法共有4种组合。程序运行后，给出了一个原始图片和四个结果图片。 图片1.原始图片。 图片2.平滑滤波器降采样&像素点直接复制升采样。 图片3.平滑滤波器降采样&线性插值升采样。 图片4.不使用平滑滤波器降采样&像素点直接复制升采样。 图片5.不使用平滑滤波器降采样&线性插值升采样。 图像处理 ImageProcessing 图像降采样 图像升采样 Matlab代码
【算法研究】 数字信号升采样(upsampling) 和降采样(downsampling) 技术
甲客实验室
09-21 2万+
readme
信号的升采样和降采样
最新发布
weixin_43853598的博客
06-13 570
信号的升采样和降采样
Python时间序列分析之_时间重采样（降采样和升采样）
热门推荐
识物专栏
12-22 2万+
上篇文章中，我们学习了如何使用pandas库中的date_range()函数生成时间序列索引，而且我们知道我们可以生成不同频率的时间索引，比如按小时、按天、按周、按月等等，因此就会引出另外一个问题，如果我们相对数据做不同频率的转换，该怎么做，pandas库中是否有现成的方法可供使用呢？带着这个问题，我们本次就来学习下数据重采样的知识。 首先，简单解释什么是数据重采样，所谓数据重采样就是将数据原有...
2020.09.05降采样和升采样的理解
nihaoqiaoan的博客
09-05 8397
在做降采样处理时，是先滤波，还是先降采样，二者有区别吗？ 在信号的处理过程中，对于同样地一段信号，先降采样再滤波和先滤波，再降采样，有区别吗？ 作者：AK23 链接：https://www.zhihu.com/question/23474073/answer/139260429 来源：知乎 首先抛出结论：先滤波，后抽取。原理很简单，上面已经有知友回答了，一句话就能概括，如果抽取时不先做滤波，就会导致信号混叠。这时，我们会多问一句：1.如果不滤波，为什么混叠？好，书上告诉我们，抽取后的信号频谱将以新的采样率f
图像降采样和升采样Matlab代码
01-04
该代码实现了以2为因子的图像升采样和降采样功能。 降采样包括使用平滑滤波器(with using the averaging filter)和不使用平滑滤波器(without using the averaging filter)两种方法。 升采样包括像素点直接复制...
16QAM.rar_16QAM发射接收_升采样_降采样
07-15
16QAM的误码率仿真曲线,其中包括高斯信道，接收机，发射机，DDS升采样，降采样等过程。
matlab实现音频升降采样及噪声去除
03-17
利用matlab数学工具，实现对音频信号的升、降采样，并加入高斯噪声，滤波后分析性能
降采样matlab源码-bpsk_sin_sim:使用XilinxFIRIP核和MatlabFDATool工具进行根升余弦滤波器设计和脉冲成型
06-03
降采样matlab源码 概述 一个涉及到BPSK调制解调的项目中，在发射端需要对码流进行脉冲成型后进行调制。本Repo说明了如何使用Matlab的FDA Tool工具设计数字滤波器，并使用Xilinx Fir IP核进行实现。 关于脉冲成型 ...
深度卷积神经网络_深度卷积神经网络中的降采样
weixin_39657444的博客
12-06 389
加入极市专业CV交流群，与6000+来自腾讯，华为，百度，北大，清华，中科院等名企名校视觉开发者互动交流！更有机会与李开复老师等大牛群内互动！同时提供每月大咖直播分享、真实项目需求对接、干货资讯汇总，行业技术交流。点击文末“”立刻申请入群~作者 |mileistone来源 |https://zhuanlan.zhihu.com/p/46633171已获作者授权，请勿二次转载降采样指的...
降采样
dongxinddd123的专栏
12-24 8149
在数位信号处理领域中，降采样，又作减采集,是一种多速率数字信号处理的技术或是降低信号采样率的过程，通常用于降低数据传输速率或者数据大小。 跟插值互补，插值是用来增加取样频率。降采样的过程中会运用滤波器降低混叠造成的失真，因为降采样会有混叠的情形发生，系统中具有降采样功能的部分称为降频器。     采样定理 采样定理是美国电信工程师H.奈奎斯特在1928年提出的，在数字信号处理领域中，采样定...
【数据分析与可视化】时间序列重采样、降采样、升采样及平稳性检验详解（图文解释 附源码）
showswoller的博客
01-16 3151
【数据分析与可视化】时间序列重采样、降采样、升采样及平稳性检验详解（图文解释 附源码）
什么是降采样？什么是升采样？请举出相应现实案例。
mariodf的博客
11-14 6048
1.降采样：降采样时间颗粒是变大的。 ​ ​例子：生成图像的缩略图。 2.升采样：升采样时间颗粒是变小的。 ​ 例子：把图像放大。
Sampling
hawkfly930的专栏
11-08 947
降采样： 2048HZ对信号来说是过采样了，事实上只要信号不混叠就好（满足尼奎斯特采样定理），所以可   以对过采样的信号作抽取，即是所谓的“降采样”。 在现场中采样往往受具体条件的限止，或者不存在300HZ的采样率，或调试非常困难等等。若   R>>1，则Rfs/2就远大于音频信号的最高频率fm，这使得量化噪声大部分分布在音频频带之外的高频区域
【工具】——图像批量降采样Matlab程序（Bicubic/Bicubic+Blur/Bicubic+Noise）
Sunny_Coder的博客
01-06 1147
程序功能：批量对图片进行不同下采样模型（BI模型/BD模型/BN模型）进行不同放大倍数的下采样 应用场景：图像超分辨率重建获得降采样图片 程序平台：Matlab
图像降采样的实现详解
CV门外汉的专栏
08-21 1万+
此篇文章是关于图像降采样的实现，主要是为了SIFT的实现做准备，侧重点是为了详细阐述降采样的实现，而无关乎优化，代码基于OpenCV 3.2.0&&C++实现。降采样算法主要采用高斯卷积实现，卷积核采用一维卷积核：double w[5] = {1.0/4 - a/2.0, 1.0/4, a, 1.0/4, 1.0/4 - a/2.0}， 其中的a根据Matlab中降采样函数的说明，取a = 0.37
SIFT--FPGA实现之降采样
fsFengQingYangheihei的博客
07-07 4918
3.1  高斯金字塔的构建 尺度空间在实现时使用高斯金字塔表示，高斯金字塔的构建分为两部分： 1. 对图像做不同尺度的高斯模糊； 2. 对图像做降采样(隔点采样)。 图像的金字塔模型是指，将原始图像不断降阶采样，得到一系列大小不一的图像，由大到小，从下到上构成的塔状模型。原图像为金子塔的第一层，每次降采样所得到的新图像为金字塔的一层(每层一张图像)，每个金字塔共n 层。金字塔的层数根据
matlab 信号与系统（一）—— 上采样（Upsampling）和下采样（Downsampling）
05-01 2万+
我们使用因子 p=2p=2，对一维信号 xx 进行上采样（一般为插入 0），则采样后的信号的长度为：(len(x) - 1) * (p-1) + len(x) == len(x)*p - p + 1x = 1:5; p = 2; y = zeros(length(x)*p - p + 1, 1); y(1:p:length(x)*p) = x;降采样则是以一定间隔的对原始信号进行切片（slice）：
python opencv实现图像分辨率升采样降采样
05-02
首先，我们需要导入OpenCV库： ```python import cv2 ``` 然后，我们可以使用`cv2.imread()`函数读取一张图片： ```python img = cv2.imread('image.jpg') ``` 接下来，我们可以使用`cv2.resize()`函数来进行图像分辨率的升采样和降采样。其中，`cv2.resize()`函数的第一个参数是原始图片，第二个参数是目标图片的大小（可以是宽度和高度的元组或者一个缩放比例因子），第三个参数是插值方法。 例如，我们可以将一张图片的分辨率降低一半： ```python resized_img = cv2.resize(img, (img.shape[1]//2, img.shape[0]//2), interpolation = cv2.INTER_AREA) ``` 或者将一张图片的分辨率提高一倍： ```python resized_img = cv2.resize(img, (img.shape[1]*2, img.shape[0]*2), interpolation = cv2.INTER_CUBIC) ``` 其中，`cv2.INTER_AREA`表示使用平均像素值进行降采样，`cv2.INTER_CUBIC`表示使用三次样条插值进行升采样。 最后，我们可以使用`cv2.imshow()`函数来显示结果： ```python cv2.imshow('Original Image', img) cv2.imshow('Resized Image', resized_img) cv2.waitKey(0) cv2.destroyAllWindows() ``` 完整代码如下： ```python import cv2 img = cv2.imread('image.jpg') resized_img = cv2.resize(img, (img.shape[1]//2, img.shape[0]//2), interpolation = cv2.INTER_AREA) #resized_img = cv2.resize(img, (img.shape[1]*2, img.shape[0]*2), interpolation = cv2.INTER_CUBIC) cv2.imshow('Original Image', img) cv2.imshow('Resized Image', resized_img) cv2.waitKey(0) cv2.destroyAllWindows() ```
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