基于深度学习的单幅图像的超分辨率算法.zip

# 基于深度学习的单幅图像的超分辨率 ## 基于TensorFlow1.14对以下论文的实装，已经通过训练与测试 ## "Deep Laplacian Pyramid Networks for Fast and Accurate Super-Resolution" (CVPR 2017) 本次实装依据论文Github：\ $ git clone https://github.com/zjuela/LapSRN-tensorflow.git ### 软件环境 Windows10 Visual Studio Code\ Python3.6\ Cuda 8.0\ TensorLayer ### 硬件环境 CPU- i7 8700K 3.70GHz\ RAM- 32GB\ GPU- GeForce 1080 Ti ### 数据库 DIV2K-Dataset\ https://data.vision.ee.ethz.ch/cvl/DIV2K/ 训练用数据集：DIV2K_train_HR，DIV2K_train_LR_bicubic/X4/\ 验证用数据集：DIV2K_valid_HR, DIV2K_valid_LR_bicubic/X4/ ### 下载节点: $ git clone https://github.com/Dakewe-DS1000/LapRSNet.git ### 训练方法 训练之前，请检查config.py，以保证数据集的路径的正确性，然后运行以下命令进行训练： $ python main.py --mode train ### 测试方法 指定路径与图像文件名的测试: $ python main.py --mode test --file 测试图像所在的路径以及文件名 测试的结果将会保存在 /samples/test/ ### 评价 使用PSNR对超分辨率之后的图像以及原始高分辨率图像进行对比 请运行以下命令，对输出在./samples/中的图像进行对比评价 $ python validation.py > 请注意：需要将原始图像拷贝到./samples/文件夹中\ 并进行相应的文件命名，在本程序中，文件命名规则如下：\ test_origin.bmp：是原始的高分辨率图像文件\ test_out.bmp：是LapRSNet输出的超分辨率图像文件 评价算法主要的代码如下： import cv2 import math diff = 0.0 # 遍历整个图像 for y in range(oriHeight) : for x in range(oriWidth) : # 计算图像差分的平方和 diff += (float(origin_image[y, x]) - float(result_image[y, x])) * (float(origin_image[y, x]) - float(result_image[y, x])) # 计算图像差分的均值 diff /= oriHeight * oriWidth print("DIFF : ", diff) #计算图像RMS误差 rmse = math.sqrt(diff) print("RMSE : ", rmse) # 计算图像的PSNR(Peak Signal and Noise Rate) psnr = 20.0 * math.log10(255.0 / rmse) print("PSNR : ", psnr, " [dB]")