Question

我可以使用任何方法来识别“假” 4K图像吗？即已从720p / 1080p放大到4K的图像。

我尝试搜索，但主要发现的方法只是使用Billinear，Bicubic，Lanczos，SRCNN和EDSR等不同方法来放大图像。

然后我该如何从“真正的4K”图像中识别出分辨率较低的图像？

我目前有一个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。有什么方法可以训练模型以区分给定图像数据集中的这些图像？这应该给我至少400张图像，分为2类。真正的4K和升级的4K。

我应该使用机器学习模型吗？到目前为止，我是计算机视觉，数字图像处理，机器学习领域的新手，并且仅对卷积神经网络图像分类器有经验。 CNN是否可以用于训练模型以识别此类图像？还是在这种情况下不适合使用机器学习方法？

谢谢您的时间。

编辑：按照@CAFEBABE的建议，我将这些4K图像（从1080p缩放的真实，lanczos和双三次缩放的像素）分成51200个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，我的模型似乎不是基于放大来学习，而是试图基于图像是什么进行分类；我的准确度是33％（完全随机）

CNN是否可以用于此问题，或者我的模型缺少某些东西？

Answer 1

您应该尝试。

短消息可能是您可以使用CNN进行的，该CNN接受了关于放大/不放大的两类问题的培训。实际上，我会训练它甚至确定方法，因为这似乎是一个更简单的问题。我想您虽然需要更多图像。其次，在如此高分辨率的图像上训练CNN会让人头疼。

因此，我将采用以下方法：

（第1步）在来自大型图像的较低分辨率色块上构建数据集。因此4096×2160基本上由16个1024x540图像数据集组成，依此类推。为了使其切实可行，可以构建任何来源的分辨率为227x240的图像数据集。

（步骤2）将这些图像缩小和放大，就像处理高分辨率图像一样。对于这一步，我将不使用补丁本身，而是使用原始的高分辨率图像

（第3步）训练NN进行识别。

（第4步）为每张图片计算能很好地解决问题的信息（熵的好坏）

（第5步）建立一个分割模型，该模型从图像中选择最佳区域来解决问题。因此，哪幅227x240可以修补4k图像，从而帮助您确定缩小比例。分割不需要在全分辨率图像上训练。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中使用分割模型来识别补丁。

Answer 2

为此尝试GAN。它将帮助您解决此问题

如何识别放大的图像？

2 个答案: