• An image quality processing system.
• Use PRIDNet and SRCNN for denoising and super resolution.
• The system interface using SpringBoot,Mybatis plus and Vue

原噪声图

去噪超分后图像

​ 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

• Real Image Denoising
• Channel Attention
• Pyramid Pooling
• Kernel Selecting

• 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）

• 数据集名称	介绍	链接地址
  SIDD	SIDD is an image denoising dataset containing 30,000 noisy images from 10 scenes under different lighting conditions using five representative smartphone cameras.	SIDD
  SIDD_Medium_Raw_Dataset	SIDD 中型Raw数据集（code1中使用的训练集）	百度网盘
  SIDD_Benchmark_Data	SIDD数据集sRGB的benchmark测试数据、全画幅data等(作为code1的Validation)	百度网盘
  trained_model(code1的训练模型)	针对Raw图像3991次训练后保存的ckpt文件，对本项目帮助不大	百度网盘
  SIDD_small_-srgb_only	SIDD 小型sRGB数据集（code2中使用的训练集）	百度网盘
  SIDD_MIDDLE_sRGB	SIDD中型sRGB训练集（本项目使用的训练集）	百度网盘
  Mi3_Aligned	code2中其他模型使用的数据集	百度网盘
  DND	paper里的模型测试对比验证集	百度网盘
  PRIDNet 模型	使用train.py代码训练	备份丢失，有需要请自行训练， 项目内有训练模型代码及注释

  SIDD数据集官网服务器连接有时断联，提供百度网盘连接参考。

​ 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)

操作系统： Windows 10 64位操作系统

Web应用服务器： Tomcat9.0

Java运行环境： JDK1.8.0

Python运行环境： Python3.9.7

深度学习模型： torch 2.0.0、keras 2.9.0、tensorflow-gpu 2.9.0

操作系统： Windows 10 64位

CPU： Intel Core i5-10300H

内存： 16.0 GB

• DownFileService.java下载文件方法
• Controller.java中包含上传文件方法
• PythonAgent.java调用PRIDNet进行处理的方法、PythonSRCNN.java调用SRCNN进行处理的方法

• CompareImage.vue对比界面实现
• Home.vue首页
• Uploads.vue上传处理界面

• cut文件夹 原图分割处理中间结果
• OriginalPicture.png上传后服务器保存的图像名称
• OriginalPicture_prid.jpg去噪处理结果图
• OriginalPicture_prid_srcnn_x3.jpg去噪并超分结果图
• R-C.jpg背景图

• 演示视频使用的测试图

1. 将本项目中的AIPicture文件夹解压到D:\目录下（否则要修改VUE、py等文件中的地址配置），依赖配置已保存到项目，运行前修改或安装环境地址application中的java1.8.0和node中的node.js18.15，

2. 本地安装anaconda3并安装对应包和框架以运行testprid.py和testsrcnn.py

3. 根据使用的虚拟环境路径修改PythonAgent.java和PythonSRCNN.java中的运行环境路径

4. 在D:\AIPicture\back\src\main\java\org\app\Python\pridnet\model\目录下添加PRIDNet模型文件。

   1. 文件名best_PRIDNet.h5或在testprid.py中修改文件路径best_models_path
   2. 本项目未提供pridnet模型，请使用train.py、train.ipynb等自行进行训练模型，train.ipynb代码为autodl上使用jupterLab运行的部分源码。

5. 将模型放置后使用IDEA2020打开该项目，运行Application

6. 在终端输入cd front

7. 在终端输入npm run serve运行服务。后端服务在8080端口运行。

8. 点击网址即可运行本系统。建议使用Google浏览器.使用edge会出现无法刷新等现象。

• 点击演示视频查看详细界面演示

• Mail：[email protected]