以下为使用SRCNN（Super-Resolution Convolutional Neural Network）实现图片超分辨率的Python代码示例，此代码借助Keras库来构建和训练SRCNN模型： ```python import numpy as np import cv2 from keras.models import Sequential from keras.layers import Conv2D import matplotlib.pyplot as plt # 构建SRCNN模型 def build_model(): model = Sequential() model.add(Conv2D(64, (9, 9), activation='relu', padding='same', input_shape=(None, None, 1))) model.add(Conv2D(32, (1, 1), activation='relu', padding='same')) model.add(Conv2D(1, (5, 5), padding='same')) model.compile(optimizer='adam', loss='mse') return model # 加载图像并转换为灰度图 def load_image(path): img = cv2.imread(path, cv2.IMREAD_GRAYSCALE) return img # 对图像进行双三次插值 def bicubic_upscale(img, scale): return cv2.resize(img, None, fx=scale, fy=scale, interpolation=cv2.INTER_CUBIC) # 超分辨率处理 def super_resolve(model, img, scale): img_lr = bicubic_upscale(img, scale) img_lr = np.expand_dims(img_lr, axis=0) img_lr = np.expand_dims(img_lr, axis=-1) img_sr = model.predict(img_lr) img_sr = np.squeeze(img_sr, axis=0) img_sr = np.squeeze(img_sr, axis=-1) return img_sr # 主函数 if __name__ == "__main__": # 构建模型 model = build_model() # 加载图像 img = load_image('your_image.jpg') # 超分辨率处理 scale = 2 img_sr = super_resolve(model, img, scale) # 显示结果 plt.figure(figsize=(10, 5)) plt.subplot(121) plt.imshow(img, cmap='gray') plt.title('Original Image') plt.subplot(122) plt.imshow(img_sr, cmap='gray') plt.title('Super-Resolved Image') plt.show() ``` ### 代码说明： 1. **构建SRCNN模型**：`build_model` 函数构建了一个三层卷积网络，包含特征提取、非线性映射和重建层。 2. **加载图像**：`load_image` 函数用于加载图像并将其转换为灰度图。 3. **双三次插值**：`bicubic_upscale` 函数使用双三次插值将图像放大到目标尺寸。 4. **超分辨率处理**：`super_resolve` 函数将低分辨率图像输入到SRCNN模型中，得到高分辨率图像。 5. **主函数**：在主函数中，构建模型，加载图像，进行超分辨率处理，并显示结果。 ### 注意事项： - 请将 `'your_image.jpg'` 替换为你自己的图像文件路径。 - 此代码仅为示例，实际应用中可能需要对模型进行训练以获得更好的效果。