tensorflow - 如何识别放大的图像？

Question

有什么方法可以用来识别“假”4K 图像吗？即从 720p/1080p 升级到 4K 的图像。

我尝试过搜索，但主要只找到了使用不同方法(例如 Billinear、Bicubic、Lanczos、SRCNN 和 EDSR)来放大图像的方法。

然后我如何识别这些从“真正的 4K”图像的较低分辨率升级的图像？

我目前有一个包含 200 张“真实”4K 图像的数据集，我将使用上述方法之一再次缩小和放大这些图像。有没有办法训练模型来区分给定图像数据集中的这些图像？这应该会给我至少 400 张图像来处理，分为 2 个类别。真 4K 和升级 4K。

我应该使用机器学习模型吗？到目前为止，我对计算机视觉、数字图像处理、机器学习领域还很陌生，并且只具有卷积神经网络图像分类器的经验。可以使用 CNN 训练模型来识别此类图像吗？或者机器学习方法不适合这种情况？

感谢您的宝贵时间。

编辑:按照@CAFEBABE的建议，我将这些4K图像(真实图像、从1080p升级的lanczos图像和从1080p升级的双三次图像)分成每个类别的51200张240x135的图像，并将它们放入CNN中，如下所示。

model = Sequential() 

model.add(Conv2D(32, (3,3), input_shape = (135, 240, 3)))
model.add(Activation("relu"))
model.add(MaxPooling2D(pool_size=(2,2)))

model.add(Conv2D(64, (3, 3)))
model.add(Activation("relu"))
model.add(MaxPooling2D(pool_size=(2,2)))

model.add(Conv2D(64, (3, 3)))
model.add(Activation("relu"))
model.add(MaxPooling2D(pool_size=(2,2)))
model.add(Dropout(0.25))

# 2 hidden layers
model.add(Flatten())
model.add(Dense(64))
model.add(Activation("relu"))

model.add(Dense(64))
model.add(Activation("relu"))

# The output layer with 3 neurons, for 3 classes
model.add(Dense(3))
model.add(Activation("softmax"))

# Compiling the model using some basic parameters
model.compile(loss="sparse_categorical_crossentropy"
              ,optimizer="adam"
              ,metrics=["accuracy"])

但是，我的模型似乎并不是基于放大进行学习，而是尝试根据图像是什么进行分类；我得到的准确率为 33%(纯随机)

CNN 是否可以用于解决这个问题，或者我的模型是否遗漏了什么？

Answer 1

你应该尝试一下。

短消息，您可能可以使用 CNN 来完成此任务，并在升级/未升级的两类问题上进行训练。实际上，我会训练它甚至识别方法，因为这似乎是一个更简单的问题。我想你需要更多的图片。其次，在如此大分辨率的图像上训练 CNN 是一件令人头疼的事情。

因此我会遵循以下方法:

(步骤 1)根据大尺寸图像的低分辨率补丁构建数据集。因此，4096 × 2160 基本上由 16 个 1024x540 图像数据集组成，依此类推。为了使其真正可训练，请从任何来源构建分辨率为 227x240 的图像数据集。

(步骤2)像处理高分辨率图像一样缩小和放大这些图像。对于这一步，我不会使用补丁本身，而是使用原始的高分辨率图像

(步骤3)训练神经网络进行识别。

(步骤4)计算每个图像谁能很好地帮助解决问题(熵好与坏)

(步骤5)建立一个分割模型，从图像中选择解决问题的最佳区域。因此，4k 图像中的 227x240 补丁可以帮助您识别缩小尺寸。分割不需要在全分辨率图像上进行训练。假设您将无法在均匀彩色图像区域上识别某些放大方法。

(循环)但在步骤 1 中使用分段模型来识别补丁。