【Super Resolution】超分辨率——SRCNN

SRCNN

01 闲聊——图像的超分辨率

在一切开始之前，先整体的介绍一下超分辨率（Super Resolution，SR）。超分辨率是一项底层的图像处理任务，将低分辨率映射到高分辨率，图像的超分辨率希望可以达到增强图像细节的作用。图像的模糊（Image blurring）有很多的原因，比如说噪声、压缩损失、采集失误等等。图像的超分辨率是计算机视觉的一个经典应用，通过各种手段，从低分辨率的图像重构为高分辨率的图像，在监控设备、卫星图像、自然场景识别和检测等方面都有很重要的应用价值。
图像的超分辨率从图像角度可以分为单张图像的超分辨率（Single Image Super Resolution，SISR）和多帧图像的超分辨率（Multi-frame Super Resolution，VSR）。我们从单张图像的超分辩开始学习。单张图像超分问题实际上是一个逆问题，一张低分辨率的图像有很多张的高分辨率的图像与其对应，所以我们要有一个准确的高分辨率图像作为先验知识进行规范化约束。我们的后续关于超分的博客也会不断的分享，我们也是刚刚涉猎到超分领域，不足之处还希望大家多多指教！

---

02 SRCNN——超分和DL的结合

我们开始关注将卷积神经网络用于超分辨率的第一个算法——SRCNN。SRCNN是首个使用CNN结构（即基于深度学习）的端到端的超分辨率算法， SRCNN流程如下:

1. 输入预处理：对输入的低分辨率lr图像使用bicubic算法进行放大，放大为目标尺寸。
2. 将输入的比较模糊的lr图像，经过卷积网络的处理，得到超分辨率sr的图像，使它尽可能与原图的高分辨率hr图像相似。

02-1 双三次插值

双三次插值（Bicubic interpolation） 是二维空间中最常用的插值方法。在这种方法中，函数f在点 (x,y) 的值可以通过矩形网格中最近的十六个采样点的加权平均得到，在这里需要使用两个多项式插值三次函数，每个方向使用一个。
$$W(x)=\{\begin{array}{l}(a+2)|x{|}^3-(a+3)|x{|}^2+1\end{array}$$