版权声明:本文为博主原创文章,未经博主允许不得转载。 https://blog.csdn.net/u011630458/article/details/79103923
简介
本篇主要是对论文:Learning a Deep Convolutional Network for Image Super-Resolution笔记记录小结
SRCNN实现
论文贡献
1、提供了一个卷积神经网络做图像超分辨率方法,该方法端到端的直接学习LR-HR图像,不需要复杂的预处理或者后处理。 2、对传统的稀疏字典SR和深度学习SR做了分析估计,这个估计有助于指导设计网络结构。 3、证明了深度学习在SR领域是有效的,并且速度和质量都不错。
操作步骤
1、LR块字典 2、HR块字典 3、非线性映射函数 4、块减去均值的预处理和生成块结果平均的后处理
处理流程
流程图大致如下: 1、训练图像中,将LR图像切片成33x33大小图像块,切片步长为14;将对应HR图像切片成21X21大小图像块,步长一样为14。 2、第一层卷积: 输入LR图像块,卷积核为:cxf1xf1xn1。 c为输入图像通道数,Y的话,c为1。 f1为卷积核size,可以设置为9 n1为当前卷积层输出深度,可以设置为:64 3、第二层卷积(非线性映射) 输入为前一卷积层的输出,当前层卷积核为:n1x1x1xn2 n1为前一个卷积层输出数据深度 n2位当前层输出数据深度,这里可以设置为32 4、第三次卷积层(重建) 输入为第二卷积层输出,当前层卷积核为:n2xf3xf3xc n2为前一个卷积层输出数据深度 f3为卷积核size,可以设置为5 c为重建后HR图像通道数,和输入图像通道数保持一致。