图像超分辨的几种方法

2024-03-21 02:10
文章标签 方法 图像 几种 分辨

本文主要是介绍图像超分辨的几种方法,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

当前看了几种图像超分辨的方法,本篇博客主要介绍 最近邻插值算法、双线性插值算法、双三次插值算法(bicubic interpolation)、SRCNN、TNRD、ESPCN 几种方法。
为了方便归纳,这里借鉴一下其他几个博主的相关总结。。

1.最近邻插值算法、双线性插值算法、双三次插值算法(bicubic interpolation) 请参阅博客 https://blog.csdn.net/nandina179/article/details/85330552

2.SRCNN 方法 请参阅博客 https://blog.csdn.net/Autism_/article/details/79401798

(SRCNN就是对利用双三次插值算法降采样并恢复的图像进行 Conv(9 * 9)+relu——conv(1 * 1)+relu——conv(5*5)的操作,该过程实际上并没有改变输入和输出图像的大小,个人理解就是在双三次插值的后面加了一个三层的网络)

3.TNRD 该方法是以扩散方程(P-M方程)为基础的一种应用于Gaussian image denoising, single image super resolution, JPEG deblocking 的方法。
下面说一下个人的理解。
对于P-M扩散方程:
在这里插入图片描述
主要用于对实现图像的平滑,其具体的来源可以参见博客 https://www.cnblogs.com/voidobject/p/3975545.html
而对于离散的P-M模型可以表示为:
在这里插入图片描述
在TNRD方法中,作者引入了 reaction term 来处理不同的图像处理问题:
在这里插入图片描述
在此基础上,得到了TNRD的扩散模型(diffusion model ):
在这里插入图片描述
该模型可以表示为前馈网络形式:
在这里插入图片描述
However, we can introduce a feedback step to explicitly illustrate the special architecture of our diffusion network that we subtract “something” from the input image. Therefore, our diffusion model can be represented in a more compact way in Figure 2, where one can see that the structure of our CN model is different from conventional feed-forward networks. Due to this feedback step, it can be categorized into recurrent networks .
在这里插入图片描述
在SISR中,We start with the following energy functional:
在这里插入图片描述
以上就是将TNRD应用到SISR中的介绍。也就是说,TNRD以双三次插值为基础,对于每一层网络的双三次插值得到的SR图像进行散度计算求出扩散量(这个词可能不准确),然后在该层网络的SR图像ut-1中减去该扩散量得到下一次网络的输入ut。特别地,u0直接由LR图像f得到。

4.ESPCN ——Real-Time Single Image and Video Super-Resolution Using an Efficient Sub-Pixel Convolutional Neural Network
可以参阅博客
https://blog.csdn.net/weinidakaishijian/article/details/75577010
以及 https://www.jianshu.com/p/c24c3394cfe3

(ESPCN是一个三层的网络,前两层是卷积层,最后一层是reshape,将第二个卷积层得到的 H * W * Cr2 的图像reshape为 rH * rW * C 的图像,因此最后一层并没有进行非线性变换。)

论文:https://arxiv.org/pdf/1609.05158.pdf
代码:https://github.com/leftthomas/ESPCN

问题: ESPCN中使用的激活函数是tanh,并且证明了其比ReLU函数效果要好,why?

这篇关于图像超分辨的几种方法的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/831465

相关文章

Windows 上如果忘记了 MySQL 密码 重置密码的两种方法

《Windows上如果忘记了MySQL密码重置密码的两种方法》:本文主要介绍Windows上如果忘记了MySQL密码重置密码的两种方法,本文通过两种方法结合实例代码给大家介绍的非常详细,感... 目录方法 1:以跳过权限验证模式启动 mysql 并重置密码方法 2:使用 my.ini 文件的临时配置在 Wi

MySQL重复数据处理的七种高效方法

《MySQL重复数据处理的七种高效方法》你是不是也曾遇到过这样的烦恼:明明系统测试时一切正常,上线后却频频出现重复数据,大批量导数据时,总有那么几条不听话的记录导致整个事务莫名回滚,今天,我就跟大家分... 目录1. 重复数据插入问题分析1.1 问题本质1.2 常见场景图2. 基础解决方案:使用异常捕获3.

最详细安装 PostgreSQL方法及常见问题解决

《最详细安装PostgreSQL方法及常见问题解决》:本文主要介绍最详细安装PostgreSQL方法及常见问题解决,介绍了在Windows系统上安装PostgreSQL及Linux系统上安装Po... 目录一、在 Windows 系统上安装 PostgreSQL1. 下载 PostgreSQL 安装包2.

SQL中redo log 刷⼊磁盘的常见方法

《SQL中redolog刷⼊磁盘的常见方法》本文主要介绍了SQL中redolog刷⼊磁盘的常见方法,将redolog刷入磁盘的方法确保了数据的持久性和一致性,下面就来具体介绍一下,感兴趣的可以了解... 目录Redo Log 刷入磁盘的方法Redo Log 刷入磁盘的过程代码示例(伪代码)在数据库系统中,r

JAVA保证HashMap线程安全的几种方式

《JAVA保证HashMap线程安全的几种方式》HashMap是线程不安全的,这意味着如果多个线程并发地访问和修改同一个HashMap实例,可能会导致数据不一致和其他线程安全问题,本文主要介绍了JAV... 目录1. 使用 Collections.synchronizedMap2. 使用 Concurren

Python实现图片分割的多种方法总结

《Python实现图片分割的多种方法总结》图片分割是图像处理中的一个重要任务,它的目标是将图像划分为多个区域或者对象,本文为大家整理了一些常用的分割方法,大家可以根据需求自行选择... 目录1. 基于传统图像处理的分割方法(1) 使用固定阈值分割图片(2) 自适应阈值分割(3) 使用图像边缘检测分割(4)

Java中Switch Case多个条件处理方法举例

《Java中SwitchCase多个条件处理方法举例》Java中switch语句用于根据变量值执行不同代码块,适用于多个条件的处理,:本文主要介绍Java中SwitchCase多个条件处理的相... 目录前言基本语法处理多个条件示例1:合并相同代码的多个case示例2:通过字符串合并多个case进阶用法使用

使用Python实现图像LBP特征提取的操作方法

《使用Python实现图像LBP特征提取的操作方法》LBP特征叫做局部二值模式,常用于纹理特征提取,并在纹理分类中具有较强的区分能力,本文给大家介绍了如何使用Python实现图像LBP特征提取的操作方... 目录一、LBP特征介绍二、LBP特征描述三、一些改进版本的LBP1.圆形LBP算子2.旋转不变的LB

Python中__init__方法使用的深度解析

《Python中__init__方法使用的深度解析》在Python的面向对象编程(OOP)体系中,__init__方法如同建造房屋时的奠基仪式——它定义了对象诞生时的初始状态,下面我们就来深入了解下_... 目录一、__init__的基因图谱二、初始化过程的魔法时刻继承链中的初始化顺序self参数的奥秘默认

html5的响应式布局的方法示例详解

《html5的响应式布局的方法示例详解》:本文主要介绍了HTML5中使用媒体查询和Flexbox进行响应式布局的方法,简要介绍了CSSGrid布局的基础知识和如何实现自动换行的网格布局,详细内容请阅读本文,希望能对你有所帮助... 一 使用媒体查询响应式布局        使用的参数@media这是常用的