基于CNN多阶段图像超分+去噪(超级简单版)

这是之前的一项工作，非常简单，简单的复现了两个算法，然后把它们串起来了。

可执行的程序链接：CSDN; Github

我们分成两部分进行讲解：

1. 图像去噪

1.1 基本思路

图像的去噪工作基于很普通的CNN去噪，效果很差。

为了去除椒盐噪声并且提升暗图像的亮度，从以下方面入手：

1）针对椒盐噪声，使用了小核(3×3)中值滤波

2）针对图像亮度太低，梯度难以获取，使用直方图均衡化

3）使用传统CNN模型搭建去噪网络

4）增添了锐化环境，但不建议去噪时使用，效果并不好、

网络模型很简单，CNN模拟高斯滤波的去噪过程。本节采用17个3×3卷积核堆叠的形式(每层配BN层和Relu激活函数)。最后，将原图跳跃连接到最后一个3×3卷积的特征上(最后为通道压缩，则Tensor都为1×3×H×W)。训练思路为，有监督学习。

1.2 函数封装

直接在test_data里填写输入图片的路径即可

其余都不用管。

输出图片的路径很简单：

都可以进行更改。

最后的这个函数，是封装的函数。Hist是是否直方图增量，m_Blur是是否进行中值滤波，sharp是是否进行锐化（单独去噪程序不要使用，效果很差），kernal是中值滤波的卷积核大小(本文为3，太大容易模糊)

2. 图像超分

2.1 基本思路

也是很简单的基于ResNet的超分应用：

骨干网络很简单，堆叠额RFDB块+普通的3×3卷积构成一个端对端残差网络。最后使用上采样进行有监督学习。RFDB，参考的多半是MobileNet等残差块的设计，在我看来没啥创新的地方。不想多讲。就是一个深度的残差块。

我们综合的应用把锐化的函数加在了超分里，总体效果还可以。

2.2 函数封装

基本和图像去噪一样。单独使用，建议加上锐化。感觉还可以。

综合封装：

两个函数放在一起，参数是一样的。在这个函数里，我把属于图像去噪的锐化去除了。你直接运行我的程序就行了。