SRCNN（一）

SRCNN学习（一）：demo_SR.m

一、demo_SR.m 使用方法

1、Place the "SRCNN" folder into "($Caffe_Dir)/examples

2、Open MATLAB and direct to ($Caffe_Dir)/example/SRCNN, run "demo_SR.m"

---

二、demo_SR.m 运行结果

根据 demo.m 的代码，显示结果为双三次插值后的图片和 SRCNN 重建后的图片，同时输出双三次插值的峰值信噪比以及 SRCNN 重建的峰值信噪比。

• 原图：
  
  

• 双三次插值 vs SRCNN重建：
  
  

---

三、demo_SR.m 代码分析

• 根据邹老师的提示：进行单步跟踪，看代码同时要边调试边看效果

• 我选择 Matlab 中的运行节对代码进行查看

• 读取真实图像

close all;

clear all                                                         清空工作区

%% read ground truth image

im  = imread('Set5\butterfly_GT.bmp');

此时读入名为 butterbly_GT 的图片，工作区显示图片的值

• 设定参数

%% set parameters

up_scale = 3;

model = 'model\9-5-5(ImageNet)\x3.mat';

这段代码实现参数设置的功能。

其中up_scale为这段代码设定的放大倍率，当 up_scale = 3 时，选择模型为 x3.mat

• 仅在照度方面

%% work on illuminance only

if size(im,3)>1

    im = rgb2ycbcr(im);

    im = im(:, :, 1);

end

im_gnd = modcrop(im, up_scale);

im_gnd = single(im_gnd)/255;

size(im,3) 返回第三维度的长度，由前面可知 im 的值为 256x256x3 uint8，所以返回值应大于1会进入循环。

rgb2ycbcr(im) 将彩色RGB图像转换为 YCbCr 颜色空间中的等效图像, im(:,:,1) 将 im 的第三维度长修改为1。

modcrop(im,up_scale) 该函数在 modcrop.m 文件中有对应的定义：

function imgs = modcrop(imgs, modulo)      modcrop函数

if size(imgs,3)==1

    sz = size(imgs);

    sz = sz - mod(sz, modulo);

    imgs = imgs(1:sz(1), 1:sz(2));

else

    tmpsz = size(imgs);

    sz = tmpsz(1:2);

    sz = sz - mod(sz, modulo);

    imgs = imgs(1:sz(1), 1:sz(2),:);

end

该函数将图片裁剪为能够调整的大小（与放大率匹配）

• 双三次插值

%% bicubic interpolation

im_l = imresize(im_gnd, 1/up_scale, 'bicubic'); %缩小三倍

im_b = imresize(im_l, up_scale, 'bicubic');     %放大三倍

imresize() 函数用于调整图像大小，在这里的用法传入三个参数，第一为图片，第二为函数将 图像的长宽大小缩放的倍数，第三为缩放的方法，这里使用的 bicubic 即双三次插值的方法。使用双三次插值的方法产生的图片输出像素值是最近 4×4 邻点中的像素的加权平均值。

至此，梳理各个参数所代表的值

• im_l ：im_gnd 进行双三次插值缩小后的图像

• im_b : im_gnd 进行双三次插值缩小后，再进行同比例放大的图像

• SRCNN

%%  SRCNN

im_h = SRCNN(model, im_b);

此过程根据 SRCNN 对 im_b 进行训练，产生 im_h 图像

• 删除边框

%%  remove border

im_h = shave(uint8(im_h * 255), [up_scale, up_scale]);

im_gnd = shave(uint8(im_gnd * 255), [up_scale, up_scale]);

im_b = shave(uint8(im_b * 255), [up_scale, up_scale]);

shave() 函数在文件 shave.m 中有定义：

function I = shave(I, border)

I = I(1+border(1):end-border(1),...

      1+border(2):end-border(2), :, :,);

• 计算 PSNR

%%  compute PSNR

psnr_bic = compute_psnr(im_gnd,im_b);

psnr_srcnn = compute_psnr(im_gnd,im_h);

compute_psnr() 函数在文件 compute_psnr.m 中有定义

function psnr=compute_psnr(im1,im2)

if size(im1, 3) == 3,

    im1 = rgb2ycbcr(im1);

    im1 = im1(:, :, 1);

end

if size(im2, 3) == 3,

    im2 = rgb2ycbcr(im2);

    im2 = im2(:, :, 1);

end

imdff = double(im1) - double(im2);

imdff = imdff(:);

rmse = sqrt(mean(imdff.^2));

psnr = 20*log10(255/rmse);

在论文中提到 PSNR 是一种用于定量评估图像恢复质量的广泛使用的度量，并且与感知质量部分相关，2个图像之间 PSNR 值越大，则越相似。普遍基准为 30dB ，30dB 以下的图像劣化较为明显。PSNR 定义为：

PSNR = 10log10(MAX^2/MSE)

这里 MAX 表示图像颜色的最大数值，8bit 图像取值为255。MSE（均方差），即 m×n 单色图像 I 和 K（原图像与处理图像）之间均方误差。

compute_psnr() 就是对生成的图像与原图对比，形成信噪比的直观查看方式。

• 显示结果

%%  show results

fprintf('双三次插值的峰值信噪比: %f dB\n', psnr_bic);

fprintf('SRCNN 重建的峰值信噪比: %f dB\n', psnr_srcnn);

figure, imshow(im_b); title('双三次插值');

figure, imshow(im_h); title('SRCNN 重建');

imwrite(im_b, ['双三次插值' '.bmp']);

imwrite(im_h, ['SRCNN 重建' '.bmp']);

输出两张图片，以及两次比较的信噪比。

---

四、实践

由于通过论文给的函数只会输出灰度的图像，我在网上查看他人的代码时发现输出具有颜色的图像的方式。

下面时我根据他的代码进行修改后输出的结果

close all;

clear all;

%% read ground truth image                                        读取真实图像

im  = imread('Set5\butterfly_GT.bmp');

%% set parameters                                                 设定参数

up_scale = 3;

model = 'model\9-5-5(ImageNet)\x3.mat';

%% work on illuminance only                                       仅在照度方面

if size(im,3)>1

    im = rgb2ycbcr(im);

    im_U = im(:, :, 1);

end

im_gnd = modcrop(im_U, up_scale);

im_gnd = single(im_gnd)/255;

im_gnd2 = modcrop(im, up_scale);

im_gnd2 = single(im_gnd2)/255;

im_2 = im_gnd2(:, :, 2);

im_3 = im_gnd2(:, :, 3);

%% bicubic interpolation                                          双三次插值

im_l = imresize(im_gnd, 1/up_scale, 'bicubic');

im_b = imresize(im_l, up_scale, 'bicubic');

%% SRCNN

im_h = SRCNN(model, im_b);

%% 三通道合回

[m,n] = size(im_h);

im_h1 = zeros(m,n,3);

im_h1(:, :, 1) = im_h;

im_h1(:, :, 2) = im_2;

im_h1(:, :, 3) = im_3;

im_h1 = uint8(im_h1 * 255);%转回uint8

im_h1 = ycbcr2rgb(im_h1);%转回rgb

%% remove border                                                  删除边框

im_h1 = shave(im_h1, [up_scale, up_scale]);

%% show results                                                   显示结果

figure, imshow(im_h1);

title('SRCNN 重建');

---

五、结语

这周的学习主要是对 SRCNN 的整个流程进行了重新认识，明白了各个步骤的主要任务，了解到论文中 SRCNN 其实是对图片的 Y 通道提取后，进行重建，最后通过输出 PSNR 和图片的方式，来对重建的程度进行分析。

下周将对 SRCNN.m 文件进行学习，并在学习卷积、步长等概念后对 SRCNN 的三个卷积过程有更深刻的理解。

参考博客：超分辨率重建SRCNN--Matlab 7.0中运行