图像去雨:超详细手把手写 pytorch 实现代码(带注释)

Pytorch实现手写数字识别【基于全连接神经网络】 构建全连接神经网络模型,使用pytroch实现手写数字识别 阅读详情
AI摘要

该博客介绍了如何使用深度学习方法去除图像中的雨水,包括数据集准备、训练数据集和测试数据集的代码实现、网络模型定义、训练过程以及测试过程。数据集来源于公开的Rain12600和Rain1400,采用PRN网络模型进行训练,训练集和测试集均进行了预处理。训练过程中使用了Adam优化器和MSELoss损失函数,最终模型保存并用于测试集的图像去雨处理。

数据集准备

使用来自第一个参考文献的公开数据集Rain12600和Rain1400,下载链接。其中训练图像900张,测试图像100张,分别有14张不同的雨图,因此训练集共12600对,测试集共1400对。为方便理解提前对干净图像各自复制14张,并按照顺序训练集从00001-12600互相对应,测试集从0001-1400互相对应。

训练数据集代码

DataTrain.py

import os
import torchvision
from torch.utils.data import  Dataset
from PIL import Image

class MyTrainDataset(Dataset):
    def __init__(self, input_path, label_path):
        self.input_path = input_path
        self.input_files = os.listdir(input_path)

        self.label_path = label_path
        self.label_files = os.listdir(label_path)

        self.transforms = torchvision.transforms.Compose([
            torchvision.transforms.CenterCrop([64, 64]),
            torchvision.transforms.ToTensor(),
            ])

    def __len__(self):
        return len(self.input_files)
    def __getitem__(self, index):
        input_image_path = os.path.join(self.input_path, self.input_files[index])
        input_image = Image.open(input_image_path).convert('RGB')

        label_image_path = os.path.join(self.label_path, self.label_files[index])
        label_image = Image.open(label_image_path).convert('RGB')

        input = self.transforms(input_image)
        label = self.transforms(label_image)

        return  (input, label)

测试数据集代码

DataTest.py

import os
from torchvision import transforms
from torch.utils.data import Dataset
from PIL import Image

class MyTestDataset(Dataset):
    def __init__(self, input_path): 
        super(MyTestDataset, self).__init__()
        self.input_path = input_path
        self.input_files = os
图像去雨去雾算法 图像去雨去雾算法 输入输出接口 Input: (1)摄像头采集的实时图像视频分辨率(整型int) (2)摄像头采集的实时图像视频格式 (RGB,YUV,MP4等) (3)摄像头标定参数(中心位置(x,y)和5个畸变 系数(2径向,2切向,1棱向),浮点型float) (4)摄像头初始化参数(摄像头初始位置和三个坐标方向 的旋转角度,车辆宽度高度车速等等,浮点型float) Output: (1)透... 阅读详情

相关推荐

Python 手写数字识别的实现(pytorch框架) 超详细版本-jupyter notebook

本文详细介绍了如何构建LeNet-5神经网络用于手写数字识别。 文中大量的代码解释包含在代码行后的注释中,请注意查看。 下面的代码在谷歌云盘的colab上运行,也可以在jupyter notebook上运行

weixin_43718786的博客 2万+

CNN经典网络模型(一):LeNet简介及代码实现(PyTorch超详细注释版)

CNN经典网络模型之一:LeNet,本文包含其简介及代码,在PyTorch中实现,进行超详细注释,适合新生小白阅读学习~

qq_43307074的博客 3万+

基于DDPM的PyTorch简单实现

本周的学习与实践围绕扩散模型(Diffusion Model)的基础理论和实现展开,重点复现了基于DDPM(Denoising Diffusion Probabilistic Models)的图像生成过程。在实践中,通过PyTorch实现了一个基于U-Net的去噪网络,并在MNIST数据集上完成了训练与采样。实验过程中,构建了DDPM类以实现正向扩散和反向采样流程,同时设计了带时间戳编码的U-Net网络以提升去噪性能。最终生成的图像在视觉上与MNIST数据集的真实图像接近,验证了模型的有效性。

weixin_51454889的博客 2238

DerainFormer图像去雨原理与PyTorch实战

图像去雨是计算机视觉中面向真实成像退化的逆问题,本质在于建模雨滴引起的光散射、空间混叠与对比度衰减等物理过程,而非简单噪声抑制。基于Transformer的DerainFormer通过窗口注意力机制捕获长程雨纹依赖,结合雨层/场景编码器与交叉注意力实现结构感知的雨-景分离,在安防监控、自动驾驶视觉预处理等高保真场景中显著优于传统CNN方法。本文提供完整PyTorch实现,涵盖Rain100H/L/Rain1400数据集适配、Charbonnier损失优化、Grad-CAM可解释性分析及PSNR/SSIM量化

weixin_29055699的博客 129

PyTorch图像去雨实战:从单图推理到实时视频部署

图像去雨是计算机视觉中典型的图像退化复原任务,其本质是建模雨滴引起的光学折射、非均匀模糊与透射反射耦合等物理过程。基于深度学习的方法通过端到端方式学习雨纹特征与背景结构的解耦表示,相比传统滤波更具泛化性。当前主流架构如PReNet、RainFormer依赖递归结构与注意力机制,在合成数据集(Rain100H/Rain100L)上实现高PSNR与SSIM指标,技术价值体现在边缘保持、多尺度雨纹抑制与低延迟推理能力。典型应用场景涵盖车载摄像头雨天增强、安防监控图像修复及手机摄影实时优化。本实践聚焦PyTorch

weixin_29065959的博客 242

Rain1400.zip

rain1400数据集,里面包含rain图片和norain图片,用于图像去雨方向的数据集,无雨图片有100张,每张对应14张不同密度方向的有雨图片

Rain12600.zip

rain12600数据集,里面包含rain图片和norain图片,用于图像去雨方向的数据集,无雨图片有900张,每张图片对应14张不同方向密度的有雨图片。

下雨检测图像数据集.zip

Rain12600和Rain1400是用于图像去雨。 数据描述 该数据集是使用的公开数据集Rain12600和Rain1400,其中雨天图像包含 1,000 张干净的图像。每个干净的图像用于生成 14 个具有不同条纹方向和强度的雨天图像。其中随机选择了900张图像进行训练,其余图像用于测试。

rain12600去雨图像检测下雨数据集.zip

Rain12600数据集是专为图像去雨任务设计的基准测试集,为研究人员提供了丰富的实验素材,促进了图像去雨技术的发展。以下是对Rain12600数据集的详细介绍: 一、数据集概述 目标:通过算法处理去除图像中的雨水干扰,恢复清晰的图像内容。 应用场景:计算机视觉领域的条件图像生成,尤其在自动驾驶、监控系统等领域有重要应用价值。 二、数据组成 图像数量:共包含2000个文件,其中jpg文件13500个。 图像分类: 无雨图像(norain):共计900张,用于提供未受雨水影响的基础参照。 有雨图像:每张无雨图片对应14张有雨图片,模拟了不同的降雨方向和密度,共计12600张有雨图片。这些有雨图片旨在模拟真实世界中的复杂雨天场景,为算法提供多样化的挑战。 三、数据集特色 丰富性:包含大量带有雨滴的图像样本,为算法训练提供了充足的数据支持。 多样性:每张无雨图片对应多种雨滴状态的对应图像,有助于更准确地学习雨滴的特征。 挑战性:模拟了不同的降雨方向和密度,能够全面评估算法在不同雨天场景下的性能。 四、数据集应用 算法开发与测试:为算法开发者提供了一个理想的平台,用于测试和优化图像去雨算法。

树莓派烧录验证失败:跳过验证步骤实现成功启动的实用技巧

本文针对树莓派烧录系统时常见的验证失败问题,提供了跳过验证步骤实现成功启动的实用技巧。通过分析Windows与Linux文件系统差异导致的SD卡验证报错,指导用户在烧录完成后立即关闭验证窗口,或使用BalenaEtcher等第三方工具规避问题,确保树莓派正常启动。

yyy34的博客 963

AFSIM仿真系统组件开发入门:手把手教你扩展传感器与武器模型

本文为AFSIM仿真系统组件开发入门指南,手把手教你如何扩展传感器与武器模型。通过深入解析AFSIM基于组件的体系结构,并结合构建自定义电子扫描阵列雷达传感器和协同交战智能武器系统两个实战案例,详细介绍了从C++插件开发、MATLAB算法集成到脚本接口暴露的完整流程,帮助你掌握定制AFSIM仿真的核心能力。

t8u9v0w1x的博客 501

深入解析i2cdetect:从基础命令到高级读写操作

本文深入解析Linux下i2cdetect工具,从基础安装、总线扫描到高级读写操作。作为i2c-tools的核心组件,i2cdetect是硬件调试的得力侦探,能快速识别I2C总线上的设备地址。文章还涵盖了i2cdump、i2cset、i2cget等进阶工具,并介绍了如何在C程序中调用读写接口进行嵌入式开发,是掌握I2C通信调试的实用指南。

weixin_29189987的博客 375

AIDD-人工智能药物设计-构建基于机器学习方法的在线预测平台高准确预测药物诱导骨毒性

在此基础上,提取多种药物分子特征,包括分子指纹(如MACCS、Morgan、RDKit、TopologicalTorsion、AtomPairs与Descriptors)及分子图谱,通过Transformer编码器与神经网络进行机器学习模型训练。最后,将训练好的模型部署为在线Web服务器(BoneToxPD),供用户快速预测药物的骨毒性。本研究不仅在骨毒性预测的准确性方面取得了突破,还在模型解释性方面提供了新的视角,通过注意力机制精准识别出影响骨毒性的关键化学基团,推动药物研发领域更安全、更高效的发展。

itwangyang520的博客 1084

IMX335摄像头原理图设计,已量产

从工程组织上看,IMX335 模组和 IMX415 模组属于同一类产品:核心矛盾不是外设多,而是高速图像链路、电源域和调试接口要同时兼顾。ATK-MCIMX335 这张图的结构也很直接,三路 LDO、本地 24MHz 可选时钟、4-lane MIPI 数据对和一组主板侧标准接口,构成了一张非常典型的量产摄像头子板。

不脱发的程序猿 447

[QMT和ptrade量化交易小白入门]-121、如何用K-means聚类,每月自动筛选高流动性ETF

本专栏主要是介绍QMT和ptrade的基础用法,常见函数,写策略的方法,也会分享一些量化交易的思路,大概会写200篇左右。QMT的相关资料较少,在使用过程中不断的摸索,遇到了一些问题,记录下来和大家一起沟通,共同进步。

木头大左的博客 832

基于STM32F103C8T6的智能蓝牙手环系统设计与实现

摘要:本文设计并实现了一款基于STM32F103C8T6单片机的智能蓝牙手环系统。该系统集成了ADXL345加速度计、DS18B20温度传感器、plusesennor心率模块和BT06蓝牙模块,实现了心率(±2bpm)、体温(±0.5℃)、步数(±3%)等健康数据的实时监测与显示。通过OLED屏提供人机交互界面,支持蓝牙APP远程控制,具备自动步数清零、异常提醒等功能。测试表明系统各项功能均达到设计要求,响应时间0.1-0.5秒,心率检测准确率98%,体温检测准确率99%,功耗50mA(工作)/10mA(待

3254968421的博客 210

PointPillars代码详解及实现

SourceURL:file://文字文稿1和2D图像的深度学习目标检测很不相同,点云数据具有两个显著特征,为了将图像领域卷积神经网络做模式识别的经验引入三维点云中,一些深度学习方法采用了三维卷积方法或者是将点云投射为2维深度图,还有一类方法是使用鸟瞰视角Bird’s Eye View,来组织点云数据的输入,相比于2维深度图,鸟瞰图不存在遮挡问题但是数据分布更加稀疏造成网络特征学习效率低下。

m0_47313541的博客 663

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

lwip-2.0.3

lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

上一篇: 图像去雨:pytorch 输入和标签都是图片的数据集
下一篇: python设计PSNR和SSIM计算函数
听 风、
听 风、 新星创作者: 人工智能技术领域 新星创作者: 人工智能技术领域
博客等级 码龄7年 1万+粉丝 52原创
评论 107
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

听 风、

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值
⌂ 换网址