独家 | 自动编码器是什么？教你如何使用自动编码器增强模糊图像

作者：PRATEEK JOSHI

翻译：程超

校对：冯羽

本文约2200字，建议阅读9分钟

本文首先介绍了基于神经网络的自动编码器，然后介绍如何使用自动编码器增强模糊图像。

标签：计算机视觉

概述

• 自动编码器是什么？自动编码器是如何工作的？本文将回答这些问题。
• 我们将通过一个案例——如何提高模糊图像的分辨率，来探讨自动编码器的概念。

简介

你还记得胶卷相机的时代吗？冲洗照片是一个神秘的过程，只有摄影师和专业人士才能够驾轻就熟。大多数人的印象中只有弥漫着昏暗红光的暗室。简而言之，冲洗照片是一个耗时的过程。

后来数码相机革命开始了，过往的时代一去不复返！我们甚至不想再打印照片了——大多数人的照片存储在智能手机、笔记本电脑或云上。

暗室

即使现在，我们也会遇到（点击鼠标的时候）模糊、像素化和模糊的图片。我对此深表愧疚，很多人都在努力呈现出完美的图片。这正是深度学习和自动编码器的用武之地。

下面将介绍什么是自动编码器，以及工作原理。然后，我们会给一个实际案例——基于Python中的自动编码器提高图像的分辨率。

必备条件：熟悉Keras，基于神经网络和卷积层的图像分类。

一、什么是自动编码器

Pulkit Sharma在文章中给出了如下定义：

“自动编码器本质上是学习输入数据低维特征表示的神经网络结构。”

自动编码器由两个相连的网络组成：编码器和解码器。编码器的目的是获取一个输入（x）并产生一个特征映射（z）：

这个特征映射（z）的大小或长度通常小于x。为什么是这样呢？

因为我们只希望z捕获可以描述输入数据的有意义的变化因子，因此z的形状通常小于x。

现在，问题是我们如何获得这个特征表示（z）？我们如何训练这个模型？为此，我们可以在提取的特征之上添加一个解码器网络，然后训练模型：

二、关于图像去噪自编码器

我们将在本文中解决的问题与图像去噪自动编码器的功能有关。下面我们详细介绍下如何利用自动编码器消除图像中的噪声。

假设我们有一组手写数字图像，其中一些已经损坏。 以下是一些带有噪点（损坏）的图像：

从图像中去除这种噪声被称为图像去噪问题。所需的输出是干净的图像，其中大部分噪声被去除，如下所示：

但是自动编码器如何从图像中去除这种噪声呢？

正如我们在上一节中已经看到的，自动编码器试图重建输入数据。因此，如果我们把损坏的图像作为输入，自动编码器将尝试重建噪声图像。

那么，我们该怎么办呢？改变结构？答案是否定的！

这里需要的是一个小调整。我们可以通过使用原始图像和重构图像来计算损耗，而不是使用输入和重构输出来计算损耗。下图说明了我的观点：

图像去噪自编码器

现在我们已经熟悉了去噪自动编码器的功能，下面我们回到期望使用自动编码器解决的问题。

三、问题描述-使用自动编码器提高图像分辨率

对这个问题相信你不会陌生。我们大多数人遇到模糊图像都很郁闷，都希望图片能清晰些。下面我们将使用自动编码器解决该问题！

假设我们有一组低分辨率的人脸图像。我们的任务是提高这些图像的分辨率。可以借助Photoshop等照片编辑工具来完成此操作。但是，当手头有成千上万张图像时，我们需要一种更智能的方法来执行此任务。

以下是一些示例图像及其原始图像：

四、使用Python实现自动编码器

让我们打开我们的Juyter Notebook并导入所需的库：

• 下载数据集

我们的研究基于流行的“Labeled Faces in the Wild”数据集。它设计用于研究无约束人脸识别问题。然而，在这里我们的目标不是人脸识别，而是建立一个模型来提高图像分辨率。

让我们下载和提取数据集：

# download dataset
! wget http://vis-www.cs.umass.edu/lfw/lfw.tgz
# extract dataset
! tar -xvzf lfw.tgz

此数据集将被提取到多个文件夹中。因此，捕获所有图像的文件路径是很重要的。我们可以借助glob库轻松地做到这一点。

#capture paths to images
face_images = glob.glob('lfw/**/*.jpg')

• 加载和预处理图像

图像的原始大小是250×250像素。然而，在一般配置的系统上处理这些图像需要消耗相当多的计算资源。因此，我们需要裁剪所有图像的尺寸。

• 模型的训练数据准备

接下来，我们将数据集（图像）分成两组——训练和验证。我们将使用训练集来训练我们的模型，并用验证集来评估模型的性能：

让我们来看看数据集中的图像：

这个案例的思想和去噪自动编码器非常相似。

我们将对输入图像做一些修改，并使用原始图像计算损失。作为一个提高分辨率的任务，我们降低原始图像的分辨率，并将其输入到模型中。

如下是处理后的输入图片：

我们将使用下面的函数来降低所有图像的分辨率，并创建一组单独的低分辨率图像。

• 准备输入图像

降低所有图像的分辨率，包括训练集和验证集。

• 模型创建

模型的结构定义如下：

可以根据需要修改该结构。你可以改变层的数量，改变层的类型，使用正则化，以及其他很多参数。当下我们继续使用这个结构。

模型结构可视化对于调试（如果出现错误）很有帮助。在Keras中很容易实现，仅需执行<model name>.summary( )函数即可：

autoencoder.summary()

我们最终可以训练我们的模型：

• 预测（增强图像）

predictions = autoencoder.predict(val_x_px)

后记

本教程讲解了自动编码器，我们基于图像去噪的思路实现了提高图像分辨率。我们可以将其扩展到其他很多地方。

例如，我们也可以使用这种技术来提高低分辨率视频的质量。 因此，即使没有给图像打上标签，我们也可以处理图像数据并解决一些实际问题。如果您还有其他基于无监督学习的图像处理案例或技术，请在下面的评论部分中共享它。

原文标题：

What are Autoencoders? Learn How to Enhance a Blurred Image using an Autoencoder!

原文链接：

https://www.analyticsvidhya.com/blog/2020/02/what-is-autoencoder-enhance-image-resolution/

如您想与我们保持交流探讨、持续获得数据科学领域相关动态，包括大数据技术类、行业前沿应用、讲座论坛活动信息、各种活动福利等内容，敬请扫码加入数据派THU粉丝交流群，红数点恭候各位。

编辑：黄继彦

校对：林亦霖

译者简介

程超，中国建设银行大数据中心，东南大学硕士。工作涉猎较杂，从DSP开发，QT开发，再到数据挖掘、数据产品，以及目前的数据安全工作。对自己的定位是成为数据科学领域的全栈科学家。工作之余希望能多补充前沿的数据科学知识和理念，多和大家交流学习。