纯C++超分辨率重建SRCNN --改编--（八）完结篇

完整SRCNN函数：

IMAGE SRCNN(IMAGE *jpg,int up_scale)
{
	// 双三次插值
	// 先将低分辨率图像使用双三次插值放大至目标尺寸（如放大至2倍、3倍、4倍）
	//im_b = imresize(im_gnd, up_scale, 'bicubic');
	 IMAGE im_h=*jpg;

	//双三次插值放大
	 ResizeGrayscaleImage(&im_h,up_scale ) ;

	//saveimage("放大.jpg",	&im_h);

	//// //显示
	putimage(im_h.getwidth(), 0, &im_h);



	SCREEN模型 sr;
	// 加载 CNN 模型参数
	loadModel(&sr);

	int wid=im_h.getwidth();
	int hei=im_h.getheight();

	//图像转化为卷积矩阵
#define 彩色 1

#if 彩色==1
	//彩色
	卷积矩阵 im_b(wid,hei);//即Y通道
	卷积矩阵 U(wid,hei),V(wid,hei);

	//RGB转换为YUV
	RGB2YUV(&im_h,&im_b,&U,&V);
#else

	//单色
	卷积矩阵 im_b=im2卷积矩阵(&im_h);
	//save_卷积矩阵 ("im_b.txt",&im_b);  //保存权重
#endif

	//用于保存调试图像的变量
	IMAGE im_tt;	
	char txt[256];

	// 第一层卷积：卷积核尺寸9×9(f1×f1)，卷积核数目64(n1)，输出64张特征图；

	cout<<"第一层卷积..."<<endl;

	//conv1_data = zeros(hei, wid, conv1_filters);
	vector <卷积矩阵> conv1_data;//[64]结果

	clock_t start_t, end_t;//计算时间
	double total_t;
 
	start_t = clock();
 
	for (int i = 0 ;i<64;i++)
	{
		//weights_conv1 = reshape(weights_conv1, conv1_patchsize, conv1_patchsize, conv1_filters);
		//准备卷积核
		卷积矩阵 filter(9,9);	
		转换卷积核(&sr,&filter,1,i);

		卷积矩阵 res(wid,hei);


		//	conv1_data(:,:,i) = imfilter(im_b, weights_conv1(:,:,i), 'same', 'replicate');
		卷积(&filter,&im_b, &res);

		//	conv1_data(:,:,i) = max(conv1_data(:,:,i) + biases_conv1(i), 0);
		加上偏移(&res,sr.偏移_conv1_数据,i);
		conv1_data.push_back(res);

		//

		//保存64个卷积核
		//sprintf(txt, "conv1_filter_%d.txt", i);   
		//save_卷积矩阵 (txt,&filter);

		//保存64个卷积结果矩阵
		//sprintf(txt, "conv1_data_%d.txt", i);   
		//save_卷积矩阵 (txt,&conv1_data[i]);  //保存权重


		//保存64张特征图
		//im_tt=卷积矩阵2im(&res);
		//sprintf(txt, "conv1_data_0%d.jpg", i);   
		//saveimage(txt,	&im_tt);
   end_t = clock();
   
   total_t = (double)(end_t - start_t) / CLOCKS_PER_SEC;
   if(total_t>1.0){
		cout<<i<<"/"<<64<<endl;//在大图时显示进度
		start_t = clock();
   }

	}//end

	cout<<"第二层卷积..."<<endl;
	// 第二层卷积：卷积核尺寸1×1(f2×f2)，卷积核数目32(n2)，输出32张特征图；
	vector <卷积矩阵> conv2_data;//[32];//结果

		
	start_t = clock();
	for (int i = 0;i<32 ;i++)
	{
		卷积矩阵 conv2(wid,hei);
	 	for (int j = 0 ;j<64;j++)
		{
			//conv2_data(:,:,i) = conv2_data(:,:,i) + weights_conv2(j,:,i) * conv1_data(:,:,j);
			第二层运算(&conv2,&sr,&conv1_data[j],i,j);
		}//end
		//conv2_data(:,:,i) = max(conv2_data(:,:,i) + biases_conv2(i), 0);
		加上偏移(&conv2,sr.偏移_conv2_数据,i);
		conv2_data.push_back(conv2);

		//保存32张特征图
		//im_tt=卷积矩阵2im(&conv2);
		//sprintf(txt, "conv2_data_0%d.jpg", i);   
		//saveimage(txt,	&im_tt);
		   end_t = clock();
		   
		   total_t = (double)(end_t - start_t) / CLOCKS_PER_SEC;
		   if(total_t>1.0){
				cout<<i<<"/"<<32<<endl;
				start_t = clock();
		   }
	}//end

	cout<<"第三层卷积..."<<endl;
	// 第三层卷积：卷积核尺寸5×5(f3×f3)，卷积核数目1(n3)，输出1张特征图即为最终重建高分辨率图像。
	//conv3_data = zeros(hei, wid);
	卷积矩阵 conv3_data (wid,hei);

		start_t = clock();

	for(int i = 0;i<32;i++)
	{
		//conv3_subfilter = reshape(weights_conv3(i,:), conv3_patchsize, conv3_patchsize);
		卷积矩阵 conv3_subfilter(5,5);
		转换卷积核(&sr,&conv3_subfilter,3,i);


		卷积矩阵 conv3_temp (wid,hei);
		//conv3_data(:,:) = conv3_data(:,:) + imfilter(conv2_data(:,:,i), conv3_subfilter, 'same', 'replicate');
		卷积(&conv3_subfilter,&conv2_data[i],&conv3_temp);
		第三层运算(&conv3_data,&conv3_temp);//特征图迭加

		//保存32张特征图
		//im_tt=卷积矩阵2im(&conv3_temp);
		//sprintf(txt, "conv3_temp_0%d.jpg", i);   
		//saveimage(txt,	&im_tt);

		//保存32次迭加图
		//im_tt=卷积矩阵2im(&conv3_data);
		//sprintf(txt, "conv3_data_0%d.jpg", i);   
		//saveimage(txt,	&im_tt);

		   end_t = clock();
		   
		   total_t = (double)(end_t - start_t) / CLOCKS_PER_SEC;
		   if(total_t>1.0){
				cout<<i<<"/"<<32<<endl;
				start_t = clock();
		   }
	}//end

	cout<<"卷积完成"<<endl;

#if 彩色==1
	//彩色

	//YUV转回RGB
	YUV2RGB(&conv3_data,&U,& V,&im_h);
#else
	//单色
	//卷积矩阵转化为图像
	im_h=卷积矩阵2im(&conv3_data);

#endif

	 return im_h;
}

修改了套色，和边界的一些错误，效果：

最终的程序做了一些速度的优化

你可以在这里下载可执行程序：

https://download.csdn.net/download/juebai123/10463768

这个下载还有一点颜色没对准，我不知道怎么重新上传修改，已经下载的请留言或私信。我可以发到你的邮箱里

资源说明：

纯 C++ 实现的超分辨率重建，
你不用安装任何编程语言和神经网络库，马上使用超分辨率
非源代码，源代码都在博客的文章上了

只要 1 下载分，无下载分的可到百度网盘下载：

https://pan.baidu.com/s/1ibBH9DZOrYHuJIoRHBHcYA

网盘已经更新，可以下载正确的