图像分辨率

图像超分辨率与天气预报 虽然我们每天都看天气预报，但是你知道我们所看到的天气预报是怎么预测出来的吗？气象预报按天气预报的时效长短，可粗略分为：短时天气预报、短期天气预报、中期天气预报和长期天气预报。数值模式预报是天气预报的主要预测手段。 气象数值预报 数值模式预报是根据大气运动的数学模型，利用当前天气状况作为输入数据而做出天气预报的手段，通常使用超级计算机或分布式计算集群依据一系列动力学框架来完成计算。 天气数值模式的输出是矩阵形式，可以用图像的方式可视化。同一片区域矩阵数值越密集，代表这个区域预测的细致程度越高。如下图展示了全球模式和区域精细预报之间的关系图。 图片来源网络 对于局部区域来说，精细化预报结果可以提供更为丰富的信息。从应用角度，精细化预报将预报精度从城市级别提升到所在地点附近级别；从研究角度，精细化预报不仅提供了某个地点从地面到高空十几公里的气温、降水、风向、风速基本气象要素，还为进一步研究影响这一地点的云的移动轨迹、增减变化趋势提供了可能。近年来各个行业对数值预报精细化需求越来越高。 制约高精度的数值天气预报模式发展的一个重要因素就是硬件设备的计算能力以及计算时间。 虽然我们国家的派-曙光超级计算机从2018年开始便正式承担起气象业务运行及科研的重任，运算能力跃居气象领域世界第三位，但可惜的是很多气象相关科研机构和研究人员往往不具备使用超算的条件

过去在应用 WORD 等文本编辑软件的时候，发现预览的文档及字体大小，与实际打印出的文档及字体大小差不多。但差多少，是显示器中的比打印的大一点点，还是打印的比显示器中的大一点点？一直没有深究过。最近做图型打印的时候要求比较精确，研究了一下这个问题，也顺便把以前的这些疑惑解决了。 理解这个问题首先要明白什么是分辨率，分辨率就是在单位英寸中的点数 dpi ，点数越大分辨率就越高，图像也就越细腻。不过高到一定的程度，人眼也分辨不出来了，一般激光打印机的分辨率是 600dpi ，而照像馆里冲印数码相片的分辨率是 300dpi ，（所以卖数码相机的朋友如果没有要打印特别大的照片的需要，没有必要追求高像素，因为打印分辨率定了，像素的提高，只能提高照片面积，对于画质没有改善） 分辨率又分水平分辨率与垂直分辨率，其实就是水平测量每单位英寸中的点数，和垂直测量每单位英寸中的点数 一般的显示器横竖比约是 4 ： 3 ，而我们常用的屏幕区域　 640 ＊ 480 ， 800 ＊ 600 ， 1024 ＊ 768 也是 4 ： 3 ，所以显示器的横竖分辨率是大致相同的，如果你用的是宽屏显示器 16:9 的，那你可以用 1280*720 的屏幕区域，也可以使横竖分辨率是大致相同。你也可以在一般的显示器上用 1280*720 的屏幕区域，这时的横竖分辨率即不同了，而且你会看着图像有些瘦长。当然

一.工业相机术语 像素 （pixel）：图像上的最小组成单元。图像由小方格即像素组成的，这些小方块都有一个明确的位置和被分配的色彩数值，小方格颜色和位置就决定该图像所呈现出来的样子。像素视为整个图像中不可分割的单位。 分辨率 (resolution)：用与衡量相机对物像中明暗细节的分辨能力。相机分辨率是指相机每次采集的像素点数，对于数字相机一般是直接与CCD或CMOS传感器的像元数对应的，如1280*1024(130W)，1600*1200(200W),2048*1536(300W)等，对于模拟相机则取决于视频格式，PAL制为768*576，NTSC值为640*480. 像元尺寸 ：传感器芯片上的最小组成单元，单位是um,常见的是1.67,2.2,3.45,4.8,5.5,7.4um等。像元尺寸直接影响感光面积大小，影响图像质量，在分辨率足够的情况下，像元越大越好。 芯片尺寸 ：相机的靶面尺寸，以芯片对角线16mm定义为1英寸，常见的有1/4，1/3，1/2.3，1/2.5，1/2，1/1.8等。通常芯片尺寸与分辨率是对应的，如30W一般小于1/3，像元尺寸直接影响传感器尺寸，如500W相机，2.2um像元为1/2.5，3.45um为2/3. 精度 ：单个像素所代表的实际视野（mm/pixel），数值约小精度越高。精度=视野/分辨率。如，视野50mm，对应的分辨率2448

华为刚刚发布的 P30「望远镜」手机能在几十米外拍到埃菲尔上的人名，确实令人佩服，但其售价也是令人望而生畏。那么，不买华为手机、高级单反就拍不到充满细节的高清照片了吗？ 相机不够算法凑，拥有超级拍照能力的手机也离不开算法的加持。本文介绍的 图像超分辨率 项目可以帮你补齐相机镜头的短板。 华为 P30 发布会上展示的埃菲尔铁塔高清远距离照片。 今天，一位 Reddit 网友贴出了自己基于 Keras 的图像超分辨率项目，可以让照片放大后依然清晰。先来看一下效果。 放大数倍后，照片中的蝴蝶（蛾子？）依然没有失真，背上的绒毛清晰可见。 作者表示，该项目旨在改善低分辨率图像的质量，使其焕然一新。使用该工具可以对图像进行超级放缩，还能很容易地在 RDN 和 GAN 上进行实验。 该项目包含不同残差密集网络的 Keras 实现，它们可用于高效的单图像超分辨率（ISR）。同时作者还提供了各种文档资料以帮助训练模型，包括如何使用对抗损失组件训练这些网络。 项目示例 这些示例使用的放大因子（upscaling factor）为 2，即像素数扩大两倍。大家可在 sample_weights 中查看生成示例图像的权重，它们存储在 git lfs 上。如要下载这些权重，你需要先复制该 repo，然后运行 git lfs pull。 左图为原始的低分辨率图像，中间图为该网络的输出结果，右图为使用 GIMP

像素：图片上最小的点（单位色块） dpi/ppi 图片分辨率 dots per inch / pixels per inch 分别用于打印/图形显示 每英寸图像内的像素点个数 分辨率越高 就会越清晰 分辨率通常会表示为成 每一个方向上的像素数量，比如640x480等 。而在某些情况下，它也可以同时表示 成“每英寸像素”（pixels per inch，ppi）以及图形的宽度和高度 。比如72ppi，和8x6英寸。 ppi×w/h = 640 × 480 来源： https://www.cnblogs.com/liurenyu/p/12467996.html

行 ( 水平 ) 同步 : 控制电子束从右边返回起点 ( 屏幕的左端 ), 也叫行逆程 , 同步信号之间是效的视频信号 . 场 ( 垂直 ) 同步 : 控制电子束从底部返回到顶部 , 也叫场逆程 . 象素时钟 = 一行的有效象素 * 每幅画面的有效行数 * 场频＝分辨率 * 场频 过程： 显像管 电子枪发射的电子束在行偏转磁场的作用下从荧屏左上角开 始，向右作水平扫描（ 称为行扫描正程 ），扫完一行后迅速又 回扫到左边（ 称为行扫描逆程 ）。由于场偏转磁场的作用，在 离第一行稍低处开始第二行扫描，如此逐次扫描直至屏幕的右 下角，便完成了 整个屏幕一帧（即一幅画面）的显示 ，之后，电子束重又回扫到左上角开始新一帧的扫描。 完成一行水平扫 描的时间，确切地说应是第一行开始至第二行开始的间隔时间（行扫描正程时间＋行扫描逆程时间）称 行周期，其倒数即 为行频 FH 同样，完成整个屏幕扫描的时间（ 场扫描正程时 间＋场扫描逆程时间 ）称场周期，其倒数即为 场频 FV 。 早期的显示器是采用隔行扫描方式，即先扫描奇数行 1 、 3 、 5…… 直至终了 ( 奇场 ) ，再扫偶数行 2 、 4 、 6……( 偶场 ) ， 奇场与偶场合在一起才组成完整的一帧图像， 帧频（刷新率） 是场频的一半 。现在绝大多数的电视机仍采用这种扫描方式， 它的优点是 节省频带，缺点是刷新率低，图像有闪烁感

亚像素Sub Pixel 评估图像处理算法时，通常会考虑是否具有亚像素精度。 亚像素概念的引出： 图像处理过程中，提高检测方法的精度一般有两种方式:一种是提高图像系统的光学放大倍数和CCD相机的分辨率能力；另一种是引入亚像素细分技术来弥补硬件的不足以提高图像系统的分辨率。 如使用亚像素细分技术将精度提到到0.01像素，就相当于提高了100倍的图像系统分辨率。 [分辨率可以从显示分辨率与图像分辨率两个方向来分类。 显示分辨率 （屏幕分辨率）是屏幕 图像 的精密度，是指 显示器 所能显示的 像素 有多少。由于屏幕上的点、线和面都是由像素组成的，显示器可显示的像素越多，画面就越 精细 ，同样的屏幕区域内能显示的信息也越多。显示分辨率一定的情况下，显示屏越小图像越清晰，反之，显示屏大小固定时，显示分辨率越高图像越清晰。 图像分辨率 则是单位英寸（PPI，pixel per inch）中所包含的像素点数，其定义更趋近于分辨率本身的定义。] 优点： 大大节省系统的硬件投入成本，降低技术应用的难度，扩大其应用范围。 亚像素细分技术最早是由Hueckel M F在a local visual operator which recognizes edges and lines中提出。目前此技术已取得了很好的成果。 亚像素定义： 像素是成像面的基本单位也是最小单位，通常被称为图像的物理分辨率。

HoughLinesP原函数： 功能：将输入图像按照给出参数要求提取线段，放在lines中。 lines:是一个vector<Vec4i>,Vec4i是一个包含4个int数据类型的结构体，[x1,y1,x2,y2],可以表示一个线段。 rho:就是一个半径的分辨率。 theta:角度分辨率。 threshold:判断直线点数的阈值。 minLineLength：线段长度阈值。 minLineGap:线段上最近两点之间的阈值。 实例操作 1、源代码： 2、结果展示： 不同参数的效果比较： 1、minLineLength 以下分别是民minLineLength=50，minLinelength=100 2、threshold 以下分别是threshold=10，threshold=50 3、minLineGap 以下分别是minLineGap=1,minLineGap=10 来源： CSDN 作者： javastart 链接： https://blog.csdn.net/javastart/article/details/104513801

本文出自 “ 夏天的风 ” 博客，请务必保留此出处 http://shahdza.blog.51cto.com/2410787/1550089 手机的屏幕大小千差万别，如现在流行的安卓手机屏幕大部分长宽比例为16:9。而iPhone 5S的长宽比例为71:40（接近16:9），也有预测说iPhone 6S的长宽比例也将会是主流的16:9。另外还有一些平板电脑为4:3、16:10、5:4等等。当然还有一些其他的牌子可能屏幕比例也不一样。 要想让你的程序在各种手机上都能很好的呈现游戏画面，就需要进行屏幕适配。 【致谢】 http://gl.paea.cn/contents/10adab2de4f4bf1c.html 【小知识】 分辨率：是指屏幕图像的精密度，即显示器所能显示的像素有多少。 如：分辨率480×320的意思是水平方向含有像素数为480个，垂直方向像素数320个。 屏幕尺寸一样的情况下，分辨率越高，显示效果就越精细和细腻。 同时分辨率也反映了屏幕长宽比例（如15：10）。 【屏幕适配】 1、两个分辨率 1.1、窗口分辨率 在AppDelegate.cpp中有个设置窗口分辨率的函数。该函数是设置了我们预想设备的屏幕大小，也就是应用程序窗口的大小。 [cpp] view plain copy // glView->setFrameSize(480, 320); // 1.2

Learning a Deep Convolutional Network for Image Super-Resolution 论文地址 简介 模型图 模型框架 算法流程 Patch extraction and representation non-linear mapping 非线性映射 Reconstruction 训练 测试 实验结果 Pytorch代码实现 使用说明 文件存放 运行代码 model.py data.py main.py run.py 运行操作 图片对比 Original image Bicubic image SRCNN image 后续工作 参考文章 论文地址 简介 超分辨率技术（Super-Resolution）是指从观测到的低分辨率图像重建出相应的高分辨率图像。 SR可分为两类:从多张低分辨率图像重建出高分辨率图像和从单张低分辨率图像重建出高分辨率图像。基于深度学习的SR，主要是基于单张低分辨率的重建方法，即Single Image Super-Resolution (SISR)。该论文创建了一种深度学习的方法，来实现单张低分辨率图像的重建。 SISR是一个逆问题，对于一个低分辨率图像，可能存在许多不同的高分辨率图像与之对应，因此通常在求解高分辨率图像时会加一个先验信息进行规范化约束。在传统的方法中，这个先验信息可以通过若干成对出现的低