圖像超分辨率重構SRCNN代碼中幾個問題

整個網絡結構隻有三層，比較簡單，卷積核大小分别為9、1、 5

網絡輸入image為33*33， 網絡的輸出為21*21

最原始的訓練資料隻有91張圖檔（bmp），每張圖檔的大小尺寸各不相同，通過分割，轉換成33*33和21*21的sub_images各有28800多張，形成了訓練資料集。33*33為網絡輸入，21*21為期望輸出（即為标簽）

問題一、

将原始圖檔經過插值放大再縮小，雖然得到的資料大小沒有變化，通過這種方法得到的資料作為LR的images(即LR_input),将原始圖檔作為HR的images（即HR_output），其實最終網絡所拟合的不過是這種放大再縮小的過程，這樣的做法來構造資料集似乎存在很大的局限性，是否有更好的方法。

問題二、

輸出為何是21*21

（已解決，33-（9-1）-（1-1）-（5-1）=21）

問題三、（已解決）

各版本的代碼在構造網絡訓練的輸入（33*33）和标簽（21*21）時，發現這兩塊圖檔并不是原始圖的同一個區域，這樣的資料對作為輸入和标簽好像沒有什麼太大的意義，這一塊不隻是了解的偏差還是應該就是這樣的

sub_input = input_[x:x+config.image_size, y:y+config.image_size] # [33 x 33]
sub_label = label_[x+int(padding):x+int(padding)+config.label_size, y+int(padding):y+int(padding)+config.label_size] # [21 x 21]
           

sub)input 是訓練的輸入，sub_label是訓練的标簽，期望輸出，通過中括号裡面的切片來看兩個不是同一個區域的

（已解決，每一張21*21的圖檔都是33*33的中間部分，兩邊都去掉了padding=6）

問題四：

論文中提到SRCNN首先使用雙三次(bicubic)插值将低分辨率圖像放大成目标尺寸，接着通過三層卷積網絡拟合非線性映射，最後輸出高分辨率圖像結果。但從代碼實作來看，如何展現将低分辨率圖像放大到目标尺寸？？？

         低分辨率圖像的得來：對原始的圖檔進行縮小再放大，圖像的像素大小并沒有改變（

代碼：https://github.com/tegg89/SRCNN-Tensorflow/blob/master/utils.py 中第58，59行） 

input_ = scipy.ndimage.interpolation.zoom(label_, (1./scale), prefilter=False)
input_ = scipy.ndimage.interpolation.zoom(input_, (scale/1.), prefilter=False)
           

經過這兩段代碼的操作得到的是否是低分辨率圖檔。

了解：代碼的第一行得到的是低分辨率，尺寸較小的圖檔，這是整個實驗的原始輸入，代碼的第二行表示利用插值技術将圖檔放大到目标尺寸，此步屬于實驗的資料預處理，因放大圖檔，增加了計算的複雜度，于是才有了FSRCNN在此處的第一個改進