图像的上采样 下采样

目的

缩小图像(或称为下采样(subsampled)或降采样(downsampled))的主要目的:算法

一、使得图像符合显示区域的大小;.net

二、生成对应图像的缩略图。设计

放大图像(或称为上采样(upsampling)或图像插值(interpolating))的主要目的是放大原图像,从而能够显示在更高分辨率的显示设备上。对象

对图像的缩放操做并不能带来更多关于该图像的信息, 所以图像的质量将不可避免地受到影响。然而,确实有一些缩放方法可以增长图像的信息,从而使得缩放后的图像质量超过原图质量的。blog

原理

下采样原理:对于一幅图像I尺寸为MN,对其进行s倍下采样,即获得(M/s)(N/s)尺寸的得分辨率图像,固然s应该是M和N的公约数才行,若是考虑的是矩阵形式的图像,就是把原始图像s*s窗口内的图像变成一个像素,这个像素点的值就是窗口内全部像素的均值:get

上采样原理:图像放大几乎都是采用内插值方法,即在原有图像像素的基础上在像素点之间采用合适的插值算法插入新的元素。入门

插值算法分类

对插值算法分类比较混乱,各人有各人的分类算法。文献《图像插值技术综述》中简略的将插值算法分为传统插值、 基于边缘的插值和基于区域的插值3类,做为初学者入门明晰插值算法仍是有帮助。
1.传统差值原理和评价
在传统图像插值算法中,邻插值较简单,容易实现,早期的时候应用比较广泛。可是,该方法会在新图像中产生明显的锯齿边缘和马赛克现象。双线性插值法具备平滑功能,能有效地克服邻法的不足,但会退化图像的高频部分,使图像细节变模糊。在放大倍数比较高时,高阶插值,如双三次和三次样条插值等比低阶插值效果好。这些插值算法可使插值生成的像素灰度值延续原图像灰度变化的连续性,从而使放大图像浓淡变化天然平滑。可是在图像中,有些像素与相邻像素间灰度值存在突变,即存在灰度不连续性。这些具备灰度值突变的像素就是图像中描述对象的轮廓或纹理图像的边缘像素。在图像放大中,对这些具备不连续灰度特性的像素,若是采用常规的插值算法生成新增长的像素,势必会使放大图像的轮廓和纹理模糊,下降图像质量。
2.基于边缘的图像插值算法
为了克服传统方法的不足, 提出了许多边缘保护的插值方法,对插值图像的边缘有必定的加强, 使得图像的视觉效果更好, 边缘保护的插值方法能够分为两类: 基于原始低分辨图像边缘的方法和基于插值后高分辨率图像边缘的方法。基于原始低分辨率图像边缘的方法:( 1)首先检测低分辨率图像的边缘, 而后根据检测的边缘将像素分类处理, 对于平坦区域的像素,采用传统方法插值;对于边缘区域的像素, 设计特殊插值方法, 以达到保持边缘细节的目的。(2)基于插值后高分辨率图像边缘的方法这类插值方法:首先采用传统方法插值低分辨率图像,而后检测高分辨率图像的边缘,最后对边缘及附近像素进行特殊处理, 以去除模糊, 加强图像的边缘。
3.基于区域的图像插值算法
首先将原始低分辨率图像分割成不一样区域,而后将插值点映射到低分辨率图像, 判断其所属区域, 最后根据插值点的邻域像素设计不一样的插值公式, 计算插值点的值。ast

CNN中的池化操做

采样层是使用 pooling的相关技术来实现的,目的就是用来下降特征的维度并保留有效信息,必定程度上避免过拟合。可是pooling的目的不单单是这些,他的目的是保持旋转、平移、伸缩不变形等。class

采样有最大值采样,平均值采样,求和区域采样和随机区域采样等。池化也是这样的,好比最大值池化,平均值池化,随机池化,求和区域池化等。基础

  • mean-pooling,即对邻域内特征点只求平均,
  • max-pooling,即对邻域内特征点取最大。

根据相关理论,特征提取的偏差主要来自两个方面:(1)邻域大小受限形成的估计值方差增大;(2)卷积层参数偏差形成估计均值的偏移。通常来讲,mean-pooling能减少第一种偏差,更多的保留图像的背景信息,max-pooling能减少第二种偏差,更多的保留纹理信息。

  • Stochastic-pooling则介于二者之间,经过对像素点按照数值大小赋予几率,再按照几率进行亚采样,再平均

来源:https://blog.csdn.net/stf1065716904/article/details/78490868 https://blog.csdn.net/majinlei121/article/details/46742339