用easyx实现深度学习的超分辨率重建的开山之作SRCNN

既然是卷积神经网络，首先要有卷积
先定义卷积矩阵：
class 卷积矩阵
{
public:
intwidth; //宽
int height; //高
//数据
vector<float>data;
//构造函数
卷积矩阵(int iwidth,int iheight);
~卷积矩阵();
};
//构成一个卷积过程中的矩阵
卷积矩阵::卷积矩阵(int iwidth,int iheight): width(iwidth),
height(iheight)
{
int size=width*height;
data.resize(size) ;
}
卷积矩阵::~卷积矩阵()
{
data.swap(vector<float>());
}
为了知道是否吞楼，最后一行记一个数字
（一）

然后载入图片，再转换到卷积矩阵，由于重建比较费时，一般不是把R、G、B都拿去重建，
而是先转换为Y、U、V，只拿Y去重建。而后转回RGB,保存结果jpg。
IMAGE jpg;//一个全局的图像
//载入图片
loadjpg(jpgname);
卷积矩阵 Y(wid,hei);//只用该矩阵
卷积矩阵 U(wid,hei),V(wid,hei);
//RGB转换为YUV
RGB2YUV(&Y,&U,&V);//jpg
卷积矩阵 res(wid,hei);//保存结果
然后SRCNN超分辨重建
//YUV转回RGB
YUV2RGB(&res,&U,& V);//jpg
//保存结果
saveimage("SRCNN 重建.jpg",&jpg);
大框架就是这样了
(二)

感谢吧主加精！！
接下来，来看看图像经过卷积后会发生什么变化？
核心函数：卷积
void 卷积(卷积矩阵*filter,卷积矩阵*in, 卷积矩阵*out)
{
int filterW=filter->width;
int filterH=filter->height;
int inW=in->width;
int inH=in->height;
float temp;
int outW=filterW+inW-1;//输出宽
int outH=filterH+inH-1;//输出高
卷积矩阵 tmp(outW,outH);
//扩展边界，暂缺
//'full'全卷积
for (int i=0; i<outH; i++) //输入
{
for (int j=0; j<outW; j++)
{
temp = 0;
for (int m=0; m<filterH; m++) //核
{
for (int n=0; n<filterW; n++)
{
if ((i-m)>=0 && (i-m)<inH && (j-n)>=0 && (j-n)<inW)
{
temp += filter->data[m*filterW+n]*in->data[(i-m)*inW+(j-n)]; //积 和
}
}
}
tmp.data[i*outW+j] = temp;
}
}
//'same'切去一部分，让输出与输入图像的大小相同
for(int i=0; i<inH; i++)
{
for(int j=0; j<inW; j++)
{
out->data[i*inW+j]=tmp.data[(i+(filterH-1)/2)*outW+(j+(filterW-1)/2)];
}
}
}
演示卷积函数
void 生成随机核(卷积矩阵 &f)
{
int w=f.width;
int h=f.height;
float t;
for (int i = 0; i < h*w; i++)
{
t=rand()/32767.0-rand()/32767.0;
f.data[i] = t;
}
}
void 卷积演示(卷积矩阵 & im)
{
卷积矩阵 卷积核(3,3);
卷积矩阵 temp(im.width,im.height);
for(int i=0 ;i<20;i++)
{
生成随机核(卷积核);
卷积(&卷积核,&im, &temp);
//显示
IMAGE tt=卷积矩阵2im(&temp);
putimage(rand()%100,rand()%100, &tt);
}
}
最后把
卷积演示(im_b);
放到 SRCNN里面的
//显示Y通道
的上面或下面
（四）

前面的卷积的是用一些随机数核，实际上SRCNN是用训练好的数据核来卷积的
先定义一个数据存放池：
struct SRCNN模型
{
//偏移
int 偏移_conv1_长度; //
float *偏移_conv1_数据;
int 偏移_conv2_长度; //
float *偏移_conv2_数据;
int 偏移_conv3_长度; //
float *偏移_conv3_数据;
//权重
int 权重_conv1_长度;
int 权重_conv1_宽度;
float *权重_conv1_数据;
int 权重_conv2_长度;
int 权重_conv2_通道;
float *权重_conv2_数据;
int 权重_conv3_长度;
int 权重_conv3_宽度;
float *权重_conv3_数据;
//构造函数
SRCNN模型();
};
//分配内存
SRCNN模型::SRCNN模型()
{
int size;
偏移_conv1_长度 = 64; //
size = sizeof(float)*偏移_conv1_长度;
偏移_conv1_数据 = (float*)malloc(size);
偏移_conv2_长度 = 32; //
size = sizeof(float)*偏移_conv2_长度;
偏移_conv2_数据 = (float*)malloc(size);
偏移_conv3_长度 = 1; //
size = sizeof(float)*偏移_conv3_长度;
偏移_conv3_数据 = (float*)malloc(size);
//权重
权重_conv1_长度 = 81;
权重_conv1_宽度 = 64;
size = sizeof(float) * 权重_conv1_长度 * 权重_conv1_宽度;
权重_conv1_数据 = (float*)malloc(size);
权重_conv2_长度 = 64;
权重_conv2_通道 = 32;
size = sizeof(float) * 权重_conv2_长度 * 权重_conv2_通道;
权重_conv2_数据 = (float*)malloc(size);
权重_conv3_长度 = 32;
权重_conv3_宽度 = 25;
size = sizeof(float) * 权重_conv3_长度 * 权重_conv3_宽度;
权重_conv3_数据 = (float*)malloc(size);
}
然后载入数据。
数据文件可以到《纯C++超分辨率重建SRCNN --改编--（八）完结篇》下载
地址在该文的结尾 （网盘）
实际上我只是抄写了该文，感兴趣的自己看看吧
（五）