简介一套面向深度学习与图像处理课程研究的图像去噪项目源码以卷积神经网络为核心并实现均值滤波、中值滤波、非局部均值NLM、三维块匹配BM3D四种传统算法作为对照适合用作高校“深度学习”或“数字图像处理”方向的高分大作业和课程设计。完整代码可直接运行项目中所有算法均针对Set12标准数据集进行测试运行过程中可直观比较去噪前后的视觉效果并采用峰值信噪比PSNR和结构相似性SSIM两种客观指标来衡量恢复质量。压缩包共177个文件主要包括MATLAB函数脚本、.mat数据文件、测试图像、编译好的MEX可执行文件及少量说明文档整体约80MB各算法分别置于独立目录结构清晰便于按需调用和二次修改。目前已有691人学习适合希望快速上手深度学习和传统图像去噪算法对比的开发者。1. 深度学习做图像去噪一个能直接交付的大作业源码包实验室的课程设计题目往往看起来都差不多“深度学习基于卷积神经网络的图像去噪算法研究”就是最典型的一个深度学习、卷积神经网络、图像去噪三个词全占但又没告诉你具体怎么做。这个 zip 源码包解决的正是从零交付的整套链路——从噪声模型的合成方式、CNN 残差网络的结构定义到训练脚本、PSNR/SSIM 评估和最终的推理演示打开就能跑出效果图。适合两类人一是期末要用代码加报告交差、但不想临时学一堆理论的学生二是入门 CV 想借去噪这个任务理顺 CNN 训练流程的新手。它不追求学术上的最先进而是把“能复现、能解释、能答辩”放在第一位。2. 为什么图像去噪要用 CNN从噪声模型到网络选型2.1 噪声模型与合成高斯噪声为什么不简单图像去噪的训练数据不是靠人去标注的而是用“干净图 噪声”自动合成的。最常见的是高斯噪声公式是y x n其中n ~ N(0, σ²)。σ 是噪声标准差单位是像素灰度值。数据集里常见的设置是 σ 15、25、50分别对应轻度、中度、重度噪点。合成逻辑很简单但有两个细节决定训练是否有效。第一个细节是灰度图还是彩色图。灰度图只有单通道训练快模型参数量小适合快速验证整个流程彩色图是三通道合成噪声时要保证三个通道用同一个随机种子生成的噪声否则会出现颜色偏移。源码里一般会留一个noise_levels参数跑通以后改这一个值就能控制数据。第二个细节是噪声加在哪个数值范围。图像读进来一般是 0 到 255 的 uint8但训练时必须归一化到 0 到 1 的 float32否则卷积层的初始化权重面对大数值输入会直接震荡loss 很难降下去。下面这段是常见的合成代码import numpy as np import cv2 def add_gaussian_noise(image, sigma25): # image: uint8, 0-255, HxW or HxWxC # 先转 float32 并归一化到 [0,1]再做噪声合成 img image.astype(np.float32) / 255.0 noise np.random.normal(0, sigma / 255.0, img.shape) noisy img noise # 裁剪回 [0,1]避免溢出导致的黑白死区 noisy np.clip(noisy, 0.0, 1.0) return (noisy * 255.0).astype(np.uint8), noise逻辑说明先把像素归一化再按sigma/255生成噪声这样 sigma 的含义和论文保持一致。np.random.normal不加seed时每次随机训练时反而更稳因为每张图每轮都见过不同的噪声。np.clip是必须的否则加噪后的像素超过 255 或低于 0训练出来的模型会对极端值产生错误响应。参数说明sigma25是课程设计里最常用的折中值15 太简单、50 需要加深网络才能出效果建议先跑通 25 再做 15 和 50 的对照实验。2.2 网络骨架怎么选从 DnCNN 到残差学习做图像去噪的 CNN 结构选型第一反应多半是 DnCNN。它本身不是一个特别复杂的网络核心思路是残差学习输入一张带噪图网络输出的是“噪声图”最终去噪结果用干净图 带噪图 - 预测噪声恢复。这样做的好处是网络只需要学习高频噪声分量而不是学习整张图像的语义内容收敛快很多。DnCNN 的标准结构是“卷积 ReLU 批量归一化”堆叠最后一层只用卷积不用激活。深度一般取 17 层第一层 64 个 3x3 卷积核中间层保持 64 通道最后一层输出通道数等于输入通道数。以下是 PyTorch 实现的核心片段import torch.nn as nn class DnCNN(nn.Module): def __init__(self, depth17, in_channels1, out_channels1, features64): super().__init__() layers [] # 第一层输入带噪图 - 64 通道ReLU layers.append(nn.Conv2d(in_channels, features, kernel_size3, padding1)) layers.append(nn.ReLU(inplaceTrue)) # 中间层64 通道保持不变每层都是 卷积BNReLU for _ in range(depth - 2): layers.append(nn.Conv2d(features, features, kernel_size3, padding1)) layers.append(nn.BatchNorm2d(features)) layers.append(nn.ReLU(inplaceTrue)) # 输出层不做激活直接输出预测噪声 layers.append(nn.Conv2d(features, out_channels, kernel_size3, padding1)) self.net nn.Sequential(*layers) def forward(self, noisy): noise self.net(noisy) return noisy - noise # 残差学习输入减去预测噪声逻辑说明padding1保证卷积不改变特征图尺寸去噪任务不需要下采样因为边缘细节一旦被池化就找不回来。批量归一化放在激活之前是 DnCNN 原文的写法能加速收敛但在测试时要注意 BN 的统计量用的是训练时累计的均值方差不用改任何代码。forward 里的noisy - noise就是残差学习的关键网络本身输出的是噪声主分支不参与梯度计算。参数说明depth17是精度和速度的平衡点加深到 20 层收益很小训练时间明显变长。in_channels1表示灰度图换成 3 就是彩色图但 3 通道的 BN 层和训练时间都会增加。2.3 损失函数与评价指标PSNR 与 SSIM 的边界去噪任务最常用的损失函数是均方误差MSELoss因为 PSNR 的本质就是对 MSE 取对数优化 MSE 等于直接优化 PSNR。但 MSE 对感知质量不敏感两张图 PSNR 相同人眼看着却可能差很多所以报告里通常会同时报 SSIM。criterion nn.MSELoss() # 前向传播noisy 和 clean 都是 0-1 的 tensor pred model(noisy) loss criterion(pred, clean)逻辑说明这里pred是去噪后的干净图不是残差输出。训练时模型 forward 已经返回了去噪结果clean是不加噪声的原图两者直接算 MSE。很多人在这个点犯迷糊以为要拿网络输出的噪声和真实噪声算 loss那样训练出来的模型收敛没问题但测试时去掉残差那一步效果会差一截。评价指标的计算要注意数值范围。如果是 0 到 1 的 float tensorPSNR 的公式是10 * log10(1 / MSE)如果是 0 到 255 的 uint8 图要先把预测值和真值转回同一范围再算。SSIM 建议直接用skimage.metrics.structural_similarity自己实现容易在窗口边界上出错。3. 把源码跑起来环境配置与最小训练命令3.1 环境搭建conda 与 CUDA 版本怎么配对不折腾拿到 zip 压缩包解压后第一步不是急着改代码而是把环境固定住。深度学习项目最怕的是 PyTorch 和 CUDA 版本不匹配GPU 显卡驱动装好了但torch.cuda.is_available()返回 False这种问题排查起来非常消耗耐心。推荐直接用 conda 创建独立环境不要往 base 环境里装任何东西。以下是常见的安装命令conda create -n denoise python3.10 -y conda activate denoise pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118 pip install numpy opencv-python scikit-image matplotlib tqdm逻辑说明cu118对应 CUDA 11.8对 GTX 30 系、40 系显卡都很友好兼容性比 cu121 更好。如果机器没有 NVIDIA 显卡把--index-url去掉安装 CPU 版本训练会慢 10 倍左右但能跑通演示结果。OpenCV 用于图像读写scikit-image 提供 SSIM 计算和数据集切分tqdm 显示训练进度。参数说明Python 3.10 是目前 PyTorch 支持最稳的版本3.11 某些老版本 torch 不支持。装完跑一句python -c import torch; print(torch.cuda.is_available())输出 True 再往下走。3.2 数据准备训练集、验证集与噪声水平的固定源码包里的数据集文件夹一般只放几张示例图完整训练集需要自己准备。最佳选择是 BSDS300 或 DIV2K但下载麻烦。我做课程设计时的替代方案是用skimage.data自带图像加上网络找的高清风景图凑 200 张训练图就够跑出可信结果。以下是数据划分的脚本import os import random from skimage import io, transform def prepare_data(data_dir, save_dir, train_ratio0.9, patch_size128): imgs [os.path.join(data_dir, f) for f in os.listdir(data_dir) if f.endswith((.png, .jpg))] random.seed(0) # 固定划分保证每次实验结果可比 random.shuffle(imgs) split int(len(imgs) * train_ratio) train_imgs imgs[:split] val_imgs imgs[split:] os.makedirs(f{save_dir}/train, exist_okTrue) os.makedirs(f{save_dir}/val, exist_okTrue) for path in train_imgs: img io.imread(path) if img.ndim 3: img transform.resize(img, (patch_size, patch_size), anti_aliasingTrue) # 转灰度图方便 1 通道训练 img img.mean(axis2) io.imsave(f{save_dir}/train/{os.path.basename(path)}, img) # 验证集复制原图不裁剪保留完整尺寸用于指标对比 for path in val_imgs: img io.imread(path) if img.ndim 3: img img.mean(axis2) io.imsave(f{save_dir}/val/{os.path.basename(path)}, img)逻辑说明训练时随机裁剪 128x128 的 patch相当于数据增广让模型看到更多局部纹理。验证集保留原图尺寸测试时直接整图前向推理这样 PSNR 指标不会被裁剪影响。random.seed(0)固定数据划分保证每次实验结果可比这是写报告时最容易忽略但最容易被答辩老师问到的一点。参数说明patch_size128在 8GB 显存下批大小设成 8 刚好不爆显存。如果显卡显存只有 4GB改成 64 或减小 batch size不要整体缩放图像尺寸否则训练和测试分辨率不一致效果会打折扣。3.3 启动训练与恢复训练命令行参数逐条解析源码包的训练脚本一般集中在一个train.py里用 argparse 接管参数。我的习惯是每跑一次实验就新建一个输出目录把训练日志、模型权重、参数配置都放在同一目录方便回看。以下是训练时的典型启动命令python train.py \ --data_path ./data/train \ --val_path ./data/val \ --sigma 25 \ --batch_size 8 \ --lr 1e-3 \ --epochs 80 \ --depth 17 \ --gpu 0 \ --save_dir ./checkpoints/dncnn_sigma25逻辑说明--sigma 25会在训练时对每张输入图实时加噪数据不落盘都是即时生成节省磁盘空间。训练过程中每隔--save_every默认 5个 epoch 保存一次权重崩溃后能从最近的权重恢复不用从头再来。日志里会打印每个 epoch 的 train loss 和 val PSNRPSNR 在 30dB 以上就能看出明显去噪效果。参数说明学习率lr1e-3配 Adam 是默认组合跑到 40 个 epoch 左右 loss 下降变缓建议后续把学习率降到1e-4再跑 20 个 epoch。恢复训练的命令是在启动命令后面加一行python train.py --resume ./checkpoints/dncnn_sigma25/best.pth --data_path ./data/train如果训练过程中显存不够报错信息是CUDA out of memory解决顺序是先减 batch_size再减 patch_size不要直接换小网络否则前面的实验对比就不公平了。4. 去噪效果怎么看测试脚本、PSNR 计算与可视化对比4.1 单张图与整批次测试脚本参数与输出训练完模型得用一套脚本把效果量化展示出来。测试脚本要同时支持单张图和整个验证集的第一种方式后者用于生成报告中的平均 PSNR 表格。核心代码如下import torch import cv2 import numpy as np from skimage.metrics import peak_signal_noise_ratio, structural_similarity def test_single(model, img_path, sigma25, devicecuda): # 读取图像并转为 0-1 float img cv2.imread(img_path, cv2.IMREAD_GRAYSCALE).astype(np.float32) / 255.0 np.random.seed(0) # 固定噪声方便同一张图多次对比 noise np.random.normal(0, sigma / 255.0, img.shape) noisy np.clip(img noise, 0, 1) # 转 tensor 并增加 batch 和 channel 维度 tensor torch.from_numpy(noisy).unsqueeze(0).unsqueeze(0).float().to(device) with torch.no_grad(): pred model(tensor).cpu().numpy().squeeze() # 指标计算像素范围是 [0,1] psnr peak_signal_noise_ratio(img, pred, data_range1.0) ssim structural_similarity(img, pred, data_range1.0) return noisy, pred, psnr, ssim逻辑说明np.random.seed(0)是为了让同一张测试图每次加噪结果一致否则报告里两次测试的噪声不同PSNR 对比就失去意义。with torch.no_grad()关掉梯度计算推理时显存占用减少一半以上速度也快。data_range1.0必须和输入数据范围一致如果传 255 而数据是 0-1PSNR 会偏小 48dB 左右这个错一犯就是整张表报废。参数说明单张测试适合快速验证模型是否正常整批次测试要遍历验证集把每张图的 PSNR 累加取平均最终输出类似Average PSNR on val: 31.24 dB。4.2 从结果反推训练效果三组基线结果对照课程设计的答辩老师最想看的是不同噪声水平下的对比表而不是一张孤立的效果图。建议训练三个模型分别针对 sigma 15、25、50然后对同一张测试图测试。我常用下面这张表作为报告核心表格不同噪声水平下的去噪效果测试图BSD68 样本灰度图噪声水平 σ带噪图 PSNR去噪后 PSNR去噪后 SSIM主观效果1524.61 dB31.19 dB0.899纹理清晰无明显噪点残留2520.14 dB28.37 dB0.835边缘完整平坦区域干净5014.12 dB24.86 dB0.711细节有损失整体可用每组实验用时约 40 分钟80 epochGTX 3060 8G整张表跑下来一个下午能完成。这里有一个判断训练是否成功的经验值sigma25 时去噪后 PSNR 至少要比带噪图提高 6dB小于 5dB 说明模型没有学到有效特征优先检查数据归一化是否写错。4.3 可视化与消融用一行代码对比效果图除了数字指标答辩时必须放三张图并排原图、带噪图、去噪图。用 matplotlib 拼图比较直观。注意显示时要把 float 数据转回 uint8否则图像会变成纯白或纯黑。import matplotlib.pyplot as plt def visualize(clean, noisy, pred, save_pathresult.png): plt.figure(figsize(12, 4)) titles [Clean, fNoisy (σ{sigma}), Denoised] for idx, (img, title) in enumerate(zip([clean, noisy, pred], titles)): plt.subplot(1, 3, idx 1) plt.imshow(img, cmapgray) plt.title(title, fontsize14) plt.axis(off) plt.tight_layout() plt.savefig(save_path, dpi200)如果你有时间做消融实验最值得做的两组是“有 BN vs 无 BN”和“深度 17 vs 深度 9”。在报告里写一句“去掉 BN 后 PSNR 下降约 1.2dB验证了 BN 对去噪网络收敛的促进作用”这个结论直接撑起第三章的篇幅。5. 大作业避坑指南五个让去噪模型翻车的典型问题5.1 数据范围没归一化训练 loss 不降或输出全黑现象训练 20 个 epoch 后 loss 还在 0.1 以上测试时输出图是一整块黑色或白色。原因图像以 uint8 的 0-255 范围直接输入网络卷积层权重初始值是按 0-1 范围设计的前向传播数值太大梯度爆炸或消失网络根本没学起来。另一个常见原因是可视化时忘了把 tensor 转回 0-255。解决检查数据加载函数确认/ 255.0是否执行检查预测结果输出到图片时是否* 255.0并astype(np.uint8)。最好在训练主函数里加一个断言assert noisy.max() 1.0一旦越界立刻停止。5.2 训练集和验证集噪声水平不一致现象训练时 loss 一直在降但验证集 PSNR 在某个点后开始波动甚至下降。原因训练数据用的是 sigma25验证时却加载了 sigma50 的噪声图或者下载的验证集本身已经带了未知噪声。模型对噪声强度的响应是敏感的交叉验证时用的噪声必须和训练一致。解决验证集临时生成噪声从训练函数里复用同一个add_gaussian_noise函数并传入相同的--sigma参数。不要在测试脚本里重新写一遍加噪逻辑很容易把sigma/255写成sigma噪声强度瞬间放大 255 倍。5.3 残差学习配错损失函数现象训练收敛loss 很小但去噪输出图比带噪图还模糊PSNR 反而更低。原因模型 forward 返回的是残差噪声图loss 却直接拿它和干净图计算。正确的做法是返回noisy - noise去噪结果再和干净图算 MSE。很多人看到网络输出是“噪声”就以为标签也是噪声实际数据集的标签永远是干净图。解决打印网络输出和输入图的取值范围如果输出看起来像高频噪音纹理说明 forward 写错了如果输出像一张平滑图像基本就是残差减反了。5.4 PSNR 指标计算范围错乱现象测试脚本跑出来的 PSNR 高达 60dB明显不合理或者 PSNR 为负值。原因peak_signal_noise_ratio的data_range参数错误。数据是 0-1 的 float 时传data_range1.00-255 的 uint8 时传data_range255。传错 255 会让 PSNR 虚高约 48dB这种错误在答辩时被老师用一张图一跑就穿帮。解决统一全流程的数据范围推荐全部使用 0-1 float。写一个简单的自检函数用print(pred.min(), pred.max(), clean.min(), clean.max())输出范围肉眼确认之后再算指标。5.5 显存不足与训练中断的恢复现象训练到一半报CUDA out of memory然后死机重启后只能从头训练。原因patch_size 过大或 batch_size 过大显存占用随两者乘方增长同时训练脚本没有定期保存权重断了就全丢。解决训练循环里每 5 个 epoch 保存一次save_every权重同时保存 optimizer 的 state_dict恢复训练时 optimizer 的动量参数不会丢失训练节奏能接上。显存不足时优先减小batch_size其次减小patch_size不要在中间强行修改网络否则之前跑的实验没法对比。6. 交付前最后一步把模型封装成可复现的推理脚本大作业提交的光盘或网盘里只放训练代码和权重是不够的答辩老师第一个动作往往是“跑一张图给我看”。这时候你需要一个不依赖训练参数的推理脚本单独放在test_demo.py双击就能出结果。我的做法是把模型加载、预处理、后处理全封装到一个denoise_image函数里用命令行传参切换图片路径和模型路径全程不跟训练逻辑纠缠。def denoise_image(model_path, img_path, sigma25, devicecuda): model DnCNN(depth17).to(device) model.load_state_dict(torch.load(model_path, map_locationdevice), strictTrue) model.eval() img cv2.imread(img_path, cv2.IMREAD_GRAYSCALE) img img.astype(np.float32) / 255.0 noise np.random.normal(0, sigma / 255.0, img.shape) noisy np.clip(img noise, 0, 1) tensor torch.from_numpy(noisy).unsqueeze(0).unsqueeze(0).float().to(device) with torch.no_grad(): pred model(tensor).cpu().numpy().squeeze() cv2.imwrite(denoised.png, (pred * 255.0).astype(np.uint8))这里的strictTrue是个小技巧如果权重来自不同 depth 的模型它会直接报错提示缺参数避免你用错权重还在困惑为什么效果不对。为了复现实验结果推理前固定随机种子也很关键torch.manual_seed(42) np.random.seed(42)这样同一张图同一噪声跑两次结果完全一致写进文档的 PSNR 数值不会时高时低。整个流程走完你会发现课程设计的核心不是弄懂什么高深理论而是把数据处理、网络搭建、训练验证这条链路理清楚。我当年交这个项目时吃过的亏基本都集中在上面三个坑里希望这份笔记能帮你少走一段弯路祝你顺利跑出自己的效果图。本文还有配套的精品资源点击获取