网站建设宝安,智慧团建怎么登录不了,南昌网站建设怎么样,江西省赣州市天气预报15天目录 一、CTNet二、源码包准备2.1 测试集2.2 模型权重 三、环境准备四、推理测试4.1 配置参数修改4.2 官网测试4.2.1 测试当通道图像4.2.1.1 命令方式测试4.2.1.2 Configuration配置测试4.2.1.3 测试结果 4.2.2 测试彩色图像4.2.2.1 命令方式测试4.2.2.2 Configuration配置测试… 目录 一、CTNet二、源码包准备2.1 测试集2.2 模型权重 三、环境准备四、推理测试4.1 配置参数修改4.2 官网测试4.2.1 测试当通道图像4.2.1.1 命令方式测试4.2.1.2 Configuration配置测试4.2.1.3 测试结果 4.2.2 测试彩色图像4.2.2.1 命令方式测试4.2.2.2 Configuration配置测试4.2.2.3 测试结果 4.3 直接测试真实噪声图4.3.1 测试单通道图像4.3.1.1 命令测试4.3.1.2 Configuration配置测试4.3.1.3 测试结果4.3.1.4 推理速度 4.3.2 测试彩色图像4.3.2.1 命令测试4.3.2.2 Configuration配置测试4.3.2.3 测试结果4.3.2.4 推理速度 五、测试结果5.1 合成噪声5.2 真实噪声 六、总结 一、CTNet
CTNet是一种交叉Transformer的图像去噪方法。
串并行方式获取结构信息CTNet采用深度和广度搜索以串并行方式来获得更多的结构信息提高图像去噪性能。
多层特征交互利用三个并行异构网络实现多层特征交互增强不同网络间的关系以提高针去噪网络对复杂场景的适应性。
交叉Transformer技术交叉Transformer技术可以根据像素关系提取显著性特征从而优化去噪效果。
二、源码包准备
官网提供的源码包用起来有些别扭文件路径或者模型权重路径都得用绝对路径配置文件中参数贼多。另外在推理测试部分网络是导入干净图像然后在干净图像基础上加随机噪声生成噪声图像没有直接推理测试真实噪声图像的脚本参考官网源码我自己重写了一个脚本用于直接推理测试自己真实噪声图并直接输出测试结果到指定路径。还有其它的地方我也修改了部分代码。
本教程也是基于我提供源码进行讲解测试集模型权重都打包在源码包中。获取我提供源码包的方法为文章末扫码到公众号中回复关键字图像去噪CTNet。获取下载链接。
官网源码包下载链接CTNet官网
论文下载链接论文
下载解压后的样子如下 2.1 测试集
测试集位于根目录下的Test_Image文件夹中如下 2.2 模型权重
模型权重位于根目录下的Save_model文件夹中包含了多个权重文件分别是单通道图像和三通道图像在不同噪声水平下的模型权重。 三、环境准备
我自己测试的环境如下供参考其它的版本也行。 四、推理测试
4.1 配置参数修改
配置参数的脚本中有很多参数学者根据自己需求对应修改如下 4.2 官网测试
在官网源码基础上我改了一部分代码测试的脚本名为train_noise.py官网原始的脚本为train.py如下 运行该脚本读入干净图像后加噪生成噪声图像最后会输出原始干净图像噪声图和去噪图打印出评价指标PSNRSSIMFSIM。如下 4.2.1 测试当通道图像
4.2.1.1 命令方式测试
在对应终端环境中输入下面命令进行测试
python trian_noise.py --mode test --model_name gtd --rgb_range 1 --n_colors 1 --sigma 25 --num_layers 1 --n_GPU 1 --GPU_id 0 --test_dataset F:\Code\Python\CTNet\CTNet-main\Test_Image\Set12 --model_file_name F:\Code\Python\CTNet\CTNet-main\Save_model\ctnet\g25\model_sigma25.pth --dir_test_img F:\Code\Python\CTNet\CTNet-main\Result_Images上面命令中根据自己情况修改路径各参数解析如下
–mode表示要训练还是测试如果要训练就改为train测试就改为test
–n_colors表示通道数量测试单通道图像设为1测试三通道图像设为3
–n_GPU表示电脑显卡数量
–GPU_id表示选用哪块显卡运行代码
–test_dataset表示测试集路径一定要用绝对路径
–model_file_name表示模型权重路径同样绝对路径
–dir_test_img表示测试后去噪结果的保存路径。
4.2.1.2 Configuration配置测试
右击鼠标进入Configuration配置窗口如下 4.2.1.3 测试结果
在指定的保存路径中会保存原始图像加噪后的图像去噪后的图像如下所示 4.2.2 测试彩色图像
4.2.2.1 命令方式测试
测试方法和测试单通道图像一样只需要修改–n_colors为3导入彩色图像路径导入彩色图像的模型权重路径即可。
python trian_noise.py --mode test --model_name gtd --rgb_range 1 --n_colors 3 --sigma 25 --num_layers 1 --n_GPU 1 --GPU_id 0 --test_dataset F:\Code\Python\CTNet\CTNet-main\Test_Image\CBSD68 --model_file_name F:\Code\Python\CTNet\CTNet-main\Save_model\ctnet\c75\model_sigma75.pth --dir_test_img F:\Code\Python\CTNet\CTNet-main\Result_Images参数解析见4.2.1.1
4.2.2.2 Configuration配置测试 4.2.2.3 测试结果
测试结果如下包含了原始图加噪图去噪图。 4.3 直接测试真实噪声图
该脚本是我重新写的命名为Predict.py直接读入噪声图推理结果输出到指定的路径下不会输出评价指标。如下 测试单通道图像和彩色三通道的函数我都写在了一个脚本里面如下 4.3.1 测试单通道图像
代码需要修改的地方如下 4.3.1.1 命令测试
在终端中输入下面命令测试
pyhton Predict.py --mode test --model_name gtd --rgb_range 1 --n_colors 1 --sigma 25 --num_layers 1 --n_GPU 1 --GPU_id 0 --model_file_name F:\Code\Python\CTNet\CTNet-main\Save_model\ctnet\g50\model_sigma50.pth4.3.1.2 Configuration配置测试 4.3.1.3 测试结果 4.3.1.4 推理速度
GPU测试环境Nvidia GeForce RTX 3050256256分辨率5s/fps512512分别率20s/fps481*32112s/fps。 4.3.2 测试彩色图像
代码需要修改的地方如下 4.3.2.1 命令测试
在终端中输入下面命令测试
pyhton Predict.py --mode test --model_name gtd --rgb_range 1 --n_colors 3 --sigma 25 --num_layers 1 --n_GPU 1 --GPU_id 0 --model_file_name F:\Code\Python\CTNet\CTNet-main\Save_model\ctnet\c75\model_sigma75.pth4.3.2.2 Configuration配置测试 4.3.2.3 测试结果 4.3.2.4 推理速度
GPU测试环境Nvidia GeForce RTX 3050测试图片481*321左右推理时间12s/fps。 五、测试结果
5.1 合成噪声
下面左侧是原始干净图中间是去噪后的图右侧是合成的噪声图。 5.2 真实噪声
下面图最最左侧都为真实模糊噪声图第2列为噪声水平15模型测试结果第3列为噪声水平25模型测试结果最右侧为噪声水平50测试结果。 六、总结
以上就是图像去噪CTNet网络推理测试的详细过程由于推理较耗时我没有训练测试了官网提供的模型学者要训练的参考官网。有什么疑问的欢迎留言讨论。
总结不易多多支持谢谢
