详见代码 ： https://github.com/jiny2001/dcscn-super-resolution
load_datasets 主要读取文件夹下面的图片，并且把大的图片，裁剪成训练需要的小图片。保存在文件夹下面。
build_graph 主要是建立tensorflow graph 即建立cnn网络结构，建立loss公式。
x 表示有损原始输入。x2表示采用传统算法放大的图像。
self.y_ = self.H_out + self.x2//因为网络实际学习是放大的图像与原始图像的残差。
build_optimizer计算对应的loss以及mse损失：
diff = self.y_ - self.y
loss = mse
self.training_optimizer = self.add_optimizer_op(loss, self.lr_input)//最小化loss，对所有参数变理进行梯度并且相减。
build_input_batch读入待训练数据
train_batch sess运行，feed数据。
, mse = self.sess.run([self.training_optimizer, self.mse]//得到前一次训练。一次训练里batch_input读入batch_num张64x64大小图片。
对于超分辨率来说，input_image 是缩小的图像，quad_image是由于input_image放大2*2图像，然后再变为4通道图像，即quad_image图像大小与缩小图像一样，但是是4通道的。输出y 是input_image 的滤波与quad_image相对，然后再把4通道变为放大图像。
关于训练。
train(model, FLAGS, i) 表示训练一次完成，完成的条件是学习率下降到指定的学习率。
在此训练函数中，包括：
epochs_completed += 1//如果训练的所有数据完成，那么此加1
train_batch 调用一次就更新一次梯度，下一次使用更新后的梯度进行测试。
if epochs_completed < model.epochs_completed//每次一新epoch训练后，测试一下test。
调用mse = model.evaluate() 得到当前的mse，如果比上一次min_mse更小，那么保存模型。
mse = model.do_for_evaluate训练完成后，使用真实的图像进行测试
训练方法：
小网络训练：python train.py --dataset bsd200 --filters 16 --min_filters 8 --nin_filters 24 --nin_filters2 8
训练之后测试单张图片：
python sr.py --file ./data/valid_decode/20170930_131716.png --model_name epoch_00000063 --output_dir ./output --output_name c20170930_131716.png
使用训练好的模型：
主要是通过调用do_for_file来进行。
通过RGB转YUV，只对Y图像进行滤波。 input_y_image 是y的数据，shape[h][w][1]
通过使用output_y_image = self.do(input_y_image, input_y_image) 得到滤波后的Y
再与原始的uv数据，组合成yuv444，再转为RGB输出最终的图像。