OpenCV实战之一 | 使用OpenCV进行图像超分辨率-Toy模板网

这篇具有很好参考价值的文章主要介绍了OpenCV实战之一 | 使用OpenCV进行图像超分辨率。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

前言
图像超分辨率（Image Super-Resolution，简称ISR）是一种图像处理技术，将低分辨率的图像通过算法转换成高分辨率图像，从而增加图像的细节和清晰度。
ISR技术对于许多计算机视觉和图像处理任务都是至关重要的，如图像重建、监视、医学图像处理等。

一、OpenCV安装

pip install opencv-python -i https://mirror.baidu.com/pypi/simple
pip install opencv-contrib-python -i https://mirror.baidu.com/pypi/simple

二、模型下载

⭐ 注意的是模型的加载需要使用到cv2.dnn_superres函数，而此函数存在于OpenCV4.4以上以及。
OpenCV代码库目前仅支持4种不同的超分辨率模型：

EDSR

EDSR（2017 CVPR NTIRE2017超分辨率挑战赛冠军）
- 优点：高精度
- 缺点：模型文件大且运行速度慢
- 模型参数：提供x2，x3，x4训练模型
- 模型下载：EDSR_Tensorflow
- 论文：Enhanced Deep Residual Networks for Single Image Super-Resolution
- Pytorch Code：EDSR-PyTorch

ESPCN

ESPCN（2016 CVPR）：
- 优点：体积小，速度快，并且仍然表现良好；它可以进行对视频进行实时处理（取决于图像大小）
- 缺点：与更新的、更健壮的模型相比，在视觉上表现更差
- 模型参数：提供x2，x3，x4训练模型
- 模型下载：TF-ESPCN
- 论文：Real-Time Single Image and Video Super-Resolution Using an Efficient Sub-Pixel Convolutional Neural Network

FSRCNN

FSRCNN（2016 ECCV）
- 优点：快速，小巧；可以进行实时视频升频
- 缺点：不够准确
- 模型参数：提供x2，x3，x4训练模型和small训练模型
- 模型下载：FSRCNN_Tensorflow
- 论文：Accelerating the Super-Resolution Convolutional Neural Network

LapSRN

LapSRN（2017 CVPR）
- 优点：该模型可以通过一次向前传递进行多尺度超分辨率，可以支持2x，4x，8x和[2x，4x]和[2x，4x，8x]超分辨率
- 缺点：它比ESPCN和FSRCNN慢，并且精度比EDSR差
- 模型参数：提供x2，x4，x8训练模型
- 模型下载：TF-LAPSRN
- 论文：Deep laplacian pyramid networks for fast and accurate super-resolution
- Pytorch Code：pytorch-LapSRN

⭐ 总结：实践应用最广泛的是EDSR模型，其精度高，但推理速度太慢，所以2倍放大和4倍放大可以考虑使用ESPCN代替，4倍和8倍放大可以考虑使用LapSRN。当然超分放大需要高性能运算，还是用高性能显卡运算较为合适。注意的是OpenCV的dnn_superres模块不适用于移动端设备或嵌入式设备，因为OpenCV对设备性能有一定要求。所以移动端可以参考ncnn的超分放大实现。

三、代码实现

import cv2
from cv2 import dnn_superres

def upscale(img, alg_name, scale):
    # Create an SR object
    sr = cv2.dnn_superres.DnnSuperResImpl_create()
    # Read the desired model
    path = f"./model/{alg_name}_x{scale}.pb"
    sr.readModel(path)
    # Set the desired model and scale to get correct pre- and post-processing
    sr.setModel(alg_name,scale)
    # Upscale the image
    result = sr.upsample(img)
    return result

if __name__ == '__main__':
	img = cv2.imread(path_to_image)
	# 使用LapSRN x4模型
	res = upscale(img=img, alg_name='lapsrn', scale=4)
	cv2.imshow('result', res)
	cv2.waitKey(0)

四、超分算法效果评估

通过PSNR（峰值信噪比）和SSIM（结构相似性）来评估图像放大后的效果，PSNR越大，图像失真越小。SSIM也是越大，图像失真越小。PSNR和SSIM介绍见博客：【图像评价指标】PSNR和SSIM

OpenCV官方文档给了基础测试结果：
- 2倍超分放大
- 3倍超分放大
- 4倍超分放大

Python代码

算法评估Python代码如下：

import cv2


def upscale(img, alg_name, scale):
    # Create an SR object
    sr = cv2.dnn_superres.DnnSuperResImpl_create()
    # Read the desired model
    path = f"./models/{alg_name}_x{scale}.pb"
    sr.readModel(path)
    # Set the desired model and scale to get correct pre- and post-processing
    sr.setModel(alg_name, scale)
    # Upscale the image
    result = sr.upsample(img)
    return result


def getQualityValues(upsampled, orig):
    psnr = cv2.PSNR(upsampled, orig)
    q, _ = cv2.quality.QualitySSIM_compute(upsampled, orig)
    ssim = (q[0] + q[1] + q[2]) / 3
    return round(psnr, 3), round(ssim, 3)


if __name__ == "__main__":
    # 图片路径
    img_path = "./data/images/1.jpg"
    # 算法名称 edsr, espcn, fsrcnn or lapsrn
    algorithm = "lapsrn"
    # 放大系数
    scale = 4
    # 模型路径，根据算法确定
    model = f"./model/{algorithm}_x{scale}.pb"
    # 裁剪图像，使图像对齐
    img = cv2.imread(img_path)
    width = img.shape[0] - (img.shape[0] % scale)
    height = img.shape[1] - (img.shape[1] % scale)
    cropped = img[0:width, 0:height]
    # Downscale the image for benchmarking
    # 缩小图像，以实现基准质量测试
    img_downscaled = cv2.resize(cropped, None, fx=1.0 / scale, fy=1.0 / scale)
    img_new = upscale(img_downscaled, algorithm, scale)
    # 获得模型质量评估值
    psnr, ssim = getQualityValues(cropped, img_new)
    print("=" * 30)
    print(f"{algorithm}_x{scale}\nPSNT:{psnr}, SSIM:{ssim}")
    print("=" * 30)
    # INTER_CUBIC - 三次样条插值放大图像
    bicubic = cv2.resize(img_downscaled, None, fx=scale, fy=scale, interpolation=cv2.INTER_CUBIC)
    psnr, ssim = getQualityValues(cropped, bicubic)
    print(f"三次样条插值\nPSNT:{psnr}, SSIM:{ssim}")
    print("=" * 30)
    # INTER_NEAREST - 最近邻插值
    nearest = cv2.resize(img_downscaled, None, fx=scale, fy=scale, interpolation=cv2.INTER_NEAREST)
    psnr, ssim = getQualityValues(cropped, nearest)
    print(f"最近邻插值\nPSNT:{psnr}, SSIM:{ssim}")
    print("=" * 30)
    # Lanczos插值
    lanczos = cv2.resize(img_downscaled, None, fx=scale, fy=scale, interpolation=cv2.INTER_LANCZOS4);
    psnr, ssim = getQualityValues(cropped, lanczos)
    print(f"Lanczos插值\nPSNT:{psnr}, SSIM:{ssim}")
    print("=" * 30)