(CVPR 2019）The better version of SRMD

CVPR2019的文章，解决SRMD的诸多问题，

并进行模拟实验。

进行双三次差值(bicubic)===>对应matlab imresize（）

%% read images
im = {};
scale_factor = 6;
im_ = dir('E:\A_paper\TEM降噪用GAN\matlab_codes\images\*.jpg');
path = ['E:\A_paper\TEM降噪用GAN\matlab_codes\images\',im_(1).name];
im{1} = imread(path);
if size(im{1},3) > 1
    im{1} = rgb2gray(im{1});
    im{1} = im{1}(:,:,1);
end
%% bicubic interpolation
img_up = imresize(im{1}, scale_factor, 'bicubic');
img_down = imresize(im{1}, 1/scale_factor, 'bicubic');
%% image showing
figure,imshow(im{1});
figure,imshow(img_up);
figure,imshow(img_down);

对应的图片：

当scale_factor放大图像，图像更为平滑，而缩小图像，则更为模糊。

下采样原理（downsample）：对于一幅图像I尺寸为$M*N$，对其进行s倍下采样，即得到$(M/s)*(N/s)$尺寸的得分辨率图像，当然s应该是M和N的公约数才行，如果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所有像素的均值：

上采样原理（upsamle）：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。

插值方法---- 代表Bicubic

双线性插值法具有平滑功能，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。这些插值算法可以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自然平滑。但是在图像中，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。这些具有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，对这些具有不连续灰度特性的像素，如果采用常规的插值算法生成新增加的像素，势必会使放大图像的轮廓和纹理模糊，降低图像质量。

缺点：

　采用了LF的思想，易出现过度平滑，纹理和边缘信息丢失。

基于模型的优化算法

　　利用图像的先验信息（e.g.非局部相似先验去噪先验--Learning deep CNN denoiser prior for ....张凯），通过求解目标函数的方式得到SR图像，但是比较耗时，

需要引入预先难受的超参数。

判别学习方法

　　依赖CNN强大的学习能力，利用大量的图像训练训练集进行训练，学习LR图像和HR图像之间的映射，

从而能够对于输入LR图像进行有效超分辨重构。但是这类模型都假设LR图像是由HR图像双三次插值得到，

当图像的退化方式与其不同时候，模型很难对于多退化的LR图像进行超分辨率。

图像评价指标

　　MSE和PSNR为考虑图像的感知特性和图像结构特征，基于图像结构特征比较的评价算法---结构相似度SSIM

，利用高斯滑动窗口的方法对图像进行分块，并利用高斯加权计算每个滑动窗口图像像素的均值、方差和协方差。