MATLAB实现图像超分辨率方法

一、传统超分辨率方法

1. 双三次插值法（Bicubic Interpolation）

matlab 复制代码

% 读取低分辨率图像
lr_img = imread('lowres.jpg');
[hr_size, ~] = size(imresize(lr_img, 2, 'bicubic')); % 放大2倍

% 双三次插值重建
sr_img = imresize(lr_img, hr_size, 'bicubic');

% 计算PSNR
psnr_val = psnr(sr_img, imresize(imread('hr.jpg'), hr_size));
disp(['PSNR: ', num2str(psnr_val), ' dB']);

2. POCS迭代重建算法

matlab 复制代码

function sr_img = POCS_SR(lr_img, scale, iter)
    hr_size = size(lr_img)*scale;
    sr_img = imresize(lr_img, hr_size, 'bicubic');
    
    for i = 1:iter
        % 生成低分辨率估计
        lr_est = imresize(sr_img, size(lr_img), 'bicubic');
        % 计算残差
        residual = im2double(imread('hr.jpg')) - lr_est;
        % 更新高分辨率图像
        sr_img = sr_img + imresize(residual, hr_size, 'bicubic');
    end
end

二、深度学习超分辨率方法

1. SRCNN实现（基于预训练模型）

matlab 复制代码

% 加载预训练SRCNN模型
load('srcnn_model.mat'); % 包含net结构

% 图像预处理
lr_img = im2double(imread('lowres.jpg'));
hr_img = imresize(lr_img, 2, 'bicubic');

% 网络推理
sr_img = predict(net, lr_img);

% 后处理
sr_img = uint8(min(max(sr_img,0),1));

% 计算SSIM
ssim_val = ssim(sr_img, imresize(imread('hr.jpg'), size(sr_img)));
disp(['SSIM: ', num2str(ssim_val)]);

2. VDSR残差网络实现

matlab 复制代码

layers = [
    imageInputLayer([64 64 1])
    
    convolution2dLayer(3, 64, 'Padding', 'same')
    reluLayer()
    
    convolution2dLayer(3, 64, 'Padding', 'same')
    reluLayer()
    
    convolution2dLayer(3, 1, 'Padding', 'same')
];

options = trainingOptions('adam',...
    'MaxEpochs', 50,...
    'MiniBatchSize', 32,...
    'InitialLearnRate', 0.001);

net = trainNetwork(trainingData, layers, options);

三、完整实现流程示例（以ESRGAN为例）

1. 环境配置

matlab 复制代码

% 检查深度学习工具箱
assert(license('test', 'Neural_Network_Toolbox'), '需要Deep Learning Toolbox');

% 设置GPU加速
if gpuDeviceCount > 0
    gpuDevice(1);
end

2. 数据准备

matlab 复制代码

% 加载DIV2K数据集
[hr_images, lr_images] = load_div2k_dataset('DIV2K_train_HR', 'DIV2K_train_LR');

% 数据归一化
hr_images = im2double(hr_images);
lr_images = im2double(lr_images);

3. 模型构建（ESRGAN）

matlab 复制代码

layers = [
    imageInputLayer([64 64 3])
    
    % 特征提取模块
    convolution2dLayer(3, 64, 'Padding', 'same')
    leakyReluLayer(0.2)
    
    % 残差块x23
    repeat(23, @(
        convolution2dLayer(3, 64, 'Padding', 'same', 'DilationFactor', 2)
        batchNormalizationLayer
        leakyReluLayer(0.2)
    ))
    
    % 上采样模块
    transposedConv2dLayer(3, 64, 'Stride', 2, 'Cropping', 'same')
    additionLayer(2)
    
    % 颜色恢复
    convolution2dLayer(3, 3, 'Padding', 'same')
    sigmoidLayer()
];

net = layerGraph(layers);

4. 训练配置

matlab 复制代码

options = trainingOptions('adam',...
    'MaxEpochs', 100,...
    'MiniBatchSize', 16,...
    'Shuffle', 'every-epoch',...
    'Verbose', false,...
    'Plots', 'training-progress');

% 启动训练
trained_net = trainNetwork(lr_images, hr_images, net, options);

5. 推理与评估

matlab 复制代码

% 测试图像处理
test_img = imread('test_low.jpg');
test_img = imresize(test_img, 0.25, 'bicubic');

% 超分辨率重建
sr_img = predict(trained_net, test_img);

% 计算指标
psnr_val = psnr(sr_img, imresize(imread('test_hr.jpg'), size(sr_img)));
ssim_val = ssim(sr_img, imresize(imread('test_hr.jpg'), size(sr_img)));

% 显示结果
figure;
subplot(1,2,1); imshow(imresize(imread('test_hr.jpg'), size(sr_img))); title('HR');
subplot(1,2,2); imshow(sr_img); title(['SR (PSNR: ', num2str(psnr_val), ' dB)']);

参考代码超分辨的MATLAB程序 www.youwenfan.com/contentcsl/79747.html

四、性能对比及优化

方法	优势	局限性	适用场景
双三次插值	计算快，无需训练	细节丢失严重	实时预览
POCS	多帧重建效果好	需要参考帧	视频超分辨率
SRCNN	结构简单易实现	放大倍数受限（≤4）	低复杂度图像
VDSR	支持大尺度放大	训练数据需求大	卫星/医学影像
ESRGAN	生成质量高	需要GPU训练	高精度重建需求

优化：

数据增强：添加旋转、翻转等预处理
损失函数改进：组合L1损失+感知损失
多尺度训练：不同缩放因子混合训练
注意力机制：添加通道注意力模块