基于PRIDNet和SRCNN的图像质量提升系统（附源代码）

本文写于2023/6/30，是对上半年在结题的压力下，从小白近乎零基础到50天内完成本深度学习项目的回顾与总结。

由于时间等各种原因除系统前后端初期不是本人设计，其余技术路线文档等都由本人主要负责。

对于去噪和超分辨率的算法性能不作横向对比展开，本文仅描述本项目的学习应用和搭建过程。

---

时间安排：

• 前40天时间花在深度学习代码上。
• 一是理解卷积网络结构作用，输入输出维度，花费大约20天。主要是跟吴恩达的课程。
• 二是对神经网络源代码结构进行注释、理解源代码的训练、测试代码，判断是否符合本项目要求，是否需要进行训练和测试并保留相关数据，这部分和一同步进行，由于涉及模型训练，花费大约在理解代码结构后15天基本完成。主要是对每个不懂的代码语句进行搜索理解。此时大约一个月多一点。
• 三、在测试理解后，进行功能扩展和完善。由于考虑到使用卷积网处理缩放导致的差异效果，使用了切割处理再合并的过程。
• 前后端系统整合添加新功能也花费大概10天左右。加入页面对比，完善处理页面按钮功能。主要参考b站课程和csdn.
• 剩下几天时间，准备结题文档。

基础和技术路线学习重点：

• 最重要的一点：心态一定要稳！！！
• 零基础做项目也不用慌，学会用GitHub源码，获取想要的项目资源。
• 深度学习能不用自己的电脑最好，Google colab或租服务器。我后期租了个Autodl的。前期配深度学习环境对于新手而言很麻烦，很容易改到崩溃，有的甚至都google不到答案。anaconda我重装了3次，还有本机的cuda toolkit。
• 大创结题要求不大，实际上有成果就行，不然就吹成果。重点是得到一个自己的可运行软件，能够理解软件的运行过程。
• 作者有javaweb基础所以对SpringBoot+Mybatis plus+Vue上手容易。
• 本系统深度模型可以考虑云部署进行优化。
• 图像处理模型感觉都是以模型堆砌杂糅和用不同训练集测试集,实验取得一定成绩就可以发paper

---

效果展示

原噪声图

 去噪结果图

---

金字塔真实图像去噪网络(PRIDNet)参考资料

Abstract

作者团队提出了用于real-wolrd noisy images的盲去噪(blind denoising)的PRIDNet。网络结构包括顺序连接的3个部分：Noise Estimation(探讨特征通道的相对重要性)、Multi-scale Denoising(使用金字塔池化进行多尺度特征去噪)、Feature Fusion(自适应核选择特征融合).

在两个real-wolrd noisy datasets（DND）上测试的结果表明PRIDNet已经可以在定量分析和视觉感知质量上达到SOTA denoisers的水平。(具体见paper)

paperwithcode的denoising领域里PSNR值的rank 2

Keywords

• Real Image Denoising

• Channel Attention

• Pyramid Pooling

• Kernel Selecting

paper&code

• paper：PRIDNet_pdf( VCIP 2019 oral )

• code1: Code for the paper "Pyramid Real Image Denoising Network"（这是paper的github开源代码，使用tensorflow框架、只包含RAW域denoising的train和test代码及其他资料连接）

• code2：image-Denoising-using-Deep-Learning（keras框架、针对sRGB文件,具体在Models/PRIDNet_256x256.ipynb中）

SRCNN参考

CNN进行超分开山之作，结构简单不再赘述

• paper:  Image Super-Resolution Using Deep Convolutional Networks 

• code: SRCNN (pytorch框架、与原论文代码在优化器等问题上有部分改动)

处理流程

• 

  ---

  系统框架

代码框架和注释GitHub源码：

cicada5126/Image-quality-improvement-system-based-on-deep-learning: 基于数字图像处理和深度学习的图像质量提升 使用PRIDNet 和SRCNN 进行去噪和超分. 用 SpringBoot+Mybatis plus+Vue进行界面和后端设计 (github.com)

由于整理资料时失误，上传了错误模型，并且并未进行备份，使用项目请自行训练模型，训练代码及注释在项目中可见