引导滤波器联合上采样代码

引导滤波器联合上采样代码

引导滤波器联合上采样代码

代码片.

// 盒型滤波器代码
import torch
from torch import nndef diff_x(input, r):assert input.dim() == 4left   = input[:, :,         r:2 * r + 1]middle = input[:, :, 2 * r + 1:         ] - input[:, :,           :-2 * r - 1]right  = input[:, :,        -1:         ] - input[:, :, -2 * r - 1:    -r - 1]output = torch.cat([left, middle, right], dim=2)return outputdef diff_y(input, r):assert input.dim() == 4left   = input[:, :, :,         r:2 * r + 1]middle = input[:, :, :, 2 * r + 1:         ] - input[:, :, :,           :-2 * r - 1]right  = input[:, :, :,        -1:         ] - input[:, :, :, -2 * r - 1:    -r - 1]output = torch.cat([left, middle, right], dim=3)return outputclass BoxFilter(nn.Module):def __init__(self, r):super(BoxFilter, self).__init__()self.r = rdef forward(self, x):assert x.dim() == 4return diff_y(diff_x(x.cumsum(dim=2), self.r).cumsum(dim=3), self.r)// 引导滤波器代码
from torch import nn
from torch.nn import functional as F
from torch.autograd import Variablefrom .box_filter import BoxFilterclass FastGuidedFilter(nn.Module):def __init__(self, r, eps=1e-8):super(FastGuidedFilter, self).__init__()self.r = rself.eps = epsself.boxfilter = BoxFilter(r)def forward(self, lr_x, lr_y, hr_x):  #x_lr, w_lr, x_hrn_lrx, c_lrx, h_lrx, w_lrx = lr_x.size()n_lry, c_lry, h_lry, w_lry = lr_y.size()n_hrx, c_hrx, h_hrx, w_hrx = hr_x.size()assert n_lrx == n_lry and n_lry == n_hrxassert c_lrx == c_hrx and (c_lrx == 1 or c_lrx == c_lry)assert h_lrx == h_lry and w_lrx == w_lryassert h_lrx > 2*self.r+1 and w_lrx > 2*self.r+1## NN = self.boxfilter(Variable(lr_x.data.new().resize_((1, 1, h_lrx, w_lrx)).fill_(1.0)))## mean_xmean_x = self.boxfilter(lr_x) / N## mean_ymean_y = self.boxfilter(lr_y) / N## cov_xycov_xy = self.boxfilter(lr_x * lr_y) / N - mean_x * mean_y## var_xvar_x = self.boxfilter(lr_x * lr_x) / N - mean_x * mean_x## AA = cov_xy / (var_x + self.eps)## bb = mean_y - A * mean_x## mean_A; mean_bmean_A = F.upsample(A, (h_hrx, w_hrx), mode='bilinear')mean_b = F.upsample(b, (h_hrx, w_hrx), mode='bilinear')return mean_A*hr_x+mean_b

引导滤波器联合上采样代码相关推荐

基于Opencv--图像上采样
基于Opencv-图像上采样文章目录基于Opencv-图像上采样代码实现代码实现 // 图像上采样.cpp 主要应用于图像像素扩增技术#include <opencv2/opencv.h ...
三种上采样的方式总结
三种上采样方式总结在GAN,图像分割等等的网络中上采样是必不可少的.这里记录一下自己学到的三种上采样方式:反卷积(转置卷积),双线性插值+卷积,反池化. 反卷积(转置卷积) 卷积只会减小或不变输入的 ...
opencv——上采样与降采样
目录图像金字塔为什么要使用图像金字塔上采样与降采样高斯金字塔高斯不同拉普拉斯金字塔相关API 上采样降采样上采样与降采样代码实现代码效果先降采样再上采样代码实现高斯不同代码实 ...
利用联合双边滤波或引导滤波进行升采样(Upsampling)技术提高一些耗时算法的速度。...
这十年来,在图像处理领域提出了很多新的图像分析和处理方法,包括是自动的以及一些需要有人工参与的,典型的比如stereo depth computations.image colorization.to ...
JBU联合双边上采样
很多图像处理算法,如立体视觉中的深度估计,图像上色,高动态范围HDR中的tone mapping,图像分割,都有一个共性的问题:寻找一个全局的解,这个解是指一个分段的piecewise平滑含糊,描述了 ...
【三维深度学习】点云上采样网络PU-Net 代码分析
PU-Net的代码是基于Tensorflow code,并从PointNet++和PointSetGeneration中进行了诸多借鉴.PU-Net是一个点云上采样模型,可以将非规则的点云输入通过点云 ...
上采样介绍 + Bilinear pytorch代码解析
上采样上采样,任何可以让你的图像变成更高分辨率的技术. 最简单的方式是重采样和插值:将输入图片input image进行rescale到一个想要的尺寸,而且计算每个点的像素点,使用如双线性插值bil ...
PU-Net：一种基于数据的3D点云上采样网络
点击上方"视学算法",选择"星标" 干货第一时间送达论文下载: https://openaccess.thecvf.com/content_cvpr_2018 ...
点云的无序性_PU-Net：解决3D点云数据的上采样问题
作者:Danny明泽论文下载: https://openaccess.thecvf.com/content_cvpr_2018/papers/Yu_PU-Net_Point_Cloud_CVPR_2 ...
FCN全卷积网络—upsampling(上采样)——OpenCV图像金字塔
一.上采样理论 1.1 bilinear 1.2 Deconvolution(反卷积) 1.3 unpooling 二.OpenCV金字塔:高斯金字塔.拉普拉斯金字塔与图片缩放一.上采样理论 FCN ...

引导滤波器联合上采样代码

引导滤波器联合上采样代码

引导滤波器联合上采样代码

引导滤波器联合上采样代码相关推荐

最新文章

热门文章