图像去噪——CTNet网络推理测试（详细图文教程）

💪 专业从事且热爱图像处理，图像处理专栏更新如下👇：
📝《图像去噪》
📝《超分辨率重建》
📝《语义分割》
📝《风格迁移》
📝《目标检测》
📝《图像增强》
📝《模型优化》
📝《模型实战部署》
📝《图像配准融合》
📝《数据集》
📝《高效助手》

---

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：PSNR，SSIM，FSIM。如下：

4.2.1 测试单通道图像

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：

python 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.pth

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

GPU测试环境：Nvidia GeForce RTX 3050，256256分辨率，5s/fps；512512分别率，20s/fps；481*321，12s/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：

python 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.pth

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

GPU测试环境：Nvidia GeForce RTX 3050，测试图片481*321左右，推理时间：12s/fps。

4. 4 CPU推理测试

如果想在CPU上推理模型，在源码基础上需要修改的代码见下：

测试命令和上面一样的，只是推理过程会放到CPU上处理，速度很慢。

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。

感谢您阅读到最后！😊总结不易，多多支持呀🌹 点赞👍收藏⭐评论✍️，您的三连是我持续更新的动力💖

关注公众号「视觉研坊」，获取干货教程、实战案例、技术解答、行业资讯！