Image Super-Resolution Using Deep Convolutional Networks 图像超分辨----SRCNN测试及训练

本文详细介绍了图像超分辨方法–SRCNN代码测试及训练
论文地址：https://ieeexplore.ieee.org/document/7115171?arnumber=7115171
代码地址：https://github.com/yjn870/srcnn-pytorch

1、SRCNN测试：

（Window10系统下进行）
（1）创建虚拟环境
（2）安装python3.6，pytorch1.7.0，cuda11.0以及必要的安装包
h5py、tqdm
（3）安装pytorch1.7.0和对应版本的cuda11.0：终端输入如下命令

conda install pytorch==1.7.0 torchvision==0.8.0 torchaudio==0.7.0 cudatoolkit=11.0 -c pytorch

（4）将下载的预训练模型拷贝到项目文件model文件夹下。
本次测试使用的模型为srcnn_x3.pth，也可以使用其他模型。

运行测试命令：

python test.py --weights-file model/srcnn_x3.pth --image-file data/butterfly_GT.bmp --scale 3

结果图片和原始图片都保存在data文件夹下，运行结果显示峰值信噪比为27.53

原始图片为:

下面结果分别为butterfly_GT_bicubic_x3（双三次插值）和butterfly_GT_srcnn_x3（SRCNN）

可以更改scale参数，改变规模，进行测试以及峰值信噪比的计算。

改变规模进行测试，scale为2,3,4时对应的PSNR分别为34.69,35.82,38.34

也可以对自己的数据进行测试，将需要测试的图片放在data文件夹下，运行命令的时候，将图片的名称改为自己测试图片的名称。

也可以更改相应的参数。

2、SRCNN训练：

（Window10系统下进行）
（1）在代码地址中下载用于训练的数据集，如下：

（2）在项目工程文件夹下创建数据集文件夹，如下：
文件夹名称分别为train_data、eval_data、outputs
并将数据集和评估文件放到如下文件夹下，本次训练使用91-image_x3.h5和Set5_x3.h5,也可以使用其他数据文件。

（3）接下来需要设置train.py文件中的参数，如下：
图中①②③分别为训练数据、评估文件、输出模型保存文件夹，可以自己进行创建，修改此处即可。
图中④⑤⑥分别为训练的batch_size、num_epochs、num_workers,如果显存不够可以适当改小batch_size；需要简单测试，节省时间，可以将num_epochs 减少；windows下训练，需要将num_workers改成0。

输入命令：python train.py

开始训练，并同时输出此周期下的psnr，loss等指标。（注：本次训练10个周期）
训练结束，模型会保存在outputs文件夹下。同时会生成最好的模型，也就是峰值信噪比最高的模型。之后，可以使用best.pth进行测试。


以上就是SRCNN测试及训练的全过程了，希望对大家有所帮助！

版权声明：本文为CSDN博主「BingY_998」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/BingY_998/article/details/122179101