为了学习超分算法，本人复现了SRCNN、ESPCN、FSRCNN三种轻量级超分模型，每个模型训练次数300轮，采用农业公开训练集。同时在ESPCN算法里加入了简化后的SE注意力模块，并且使 MSE与 SSIM组合的损失函数实现优化。

1. 数据集构建

• 收集 7000 张 RGB 图像，按 7:2:1 划分为训练集、验证集、测试集

• 模拟农田退化：高斯模糊（7×7, σ=1.6）+ 4 倍下采样 + 高斯噪声（σ=0.01）

2. 模型复现与优化

• 复现三种轻量级超分模型：SRCNN、ESPCN、FSRCNN（各训练 300 轮）

• 对 ESPCN 进行优化：

  • 加入简化版 SE 通道注意力模块（压缩比设为 8）

  • 损失函数改为 MSE + SSIM 组合损失

4. 评估与测试

• 客观指标：PSNR、SSIM

• 主观视觉：对比重建效果

• 下游任务：病害分类 Top-1 准确率

一、项目文件结构

farmland_sr/
├── config.py          # 所有配置参数（路径、尺寸、退化、训练超参数）
├── data_utils.py      # 数据集类与加载器（动态生成LR/HR对，支持裁剪）
├── models.py          # SRCNN、ESPCN、FSRCNN、ESPCN+SE 模型定义
├── utils.py           # 退化函数、PSNR/SSIM计算、SSIM损失类
├── train.py           # 训练主循环（含早停、保存最佳模型、自动记录loss）
├── evaluate.py        # 评估模型：计算PSNR/SSIM/推理时间，保存重建图
├── demo.py            # 单张图片超分演示（支持指定模型类型）
├── plot_loss.py       # 读取loss_log.csv并绘制收敛曲线
├── data/
│   └── high_res/      # 存放原始高分辨率图片（256×256）
└── output/            # 保存模型权重、loss记录、测试结果

二、环境配置

要安装 Anaconda（一个管理 Python 环境的工具）和 PyTorch（深度学习框架）

# 创建并激活conda环境
conda create -n sr python=3.8
conda activate sr

# 安装核心依赖
pip install torch==2.1.0 torchvision==0.16.0 --index-url https://download.pytorch.org/whl/cu118
pip install opencv-python numpy scikit-image tqdm matplotlib pandas

三、数据准备

1. 将全部高分辨率图片（256×256，RGB）放入 data/high_res/ 下（可包含子文件夹）。

2. 代码会在训练时动态生成低分辨率图像（采用退化模型：高斯模糊→下采样→加噪声），无需预先成对存储。

3. 数据集划分：7:2:1（训练:验证:测试），按图像分组（同一图片的4个patch进入同一集合）

四、核心代码模块说明

1. config.py – 关键参数（示例）

HR_SIZE = 256        # 高分辨率尺寸
LR_SIZE = 64         # 低分辨率尺寸
SCALE_FACTOR = 4

# 退化参数（强退化，模拟农田真实情况）
GAUSSIAN_SIGMA = 1.6
NOISE_STD = 0.01

# 训练参数
BATCH_SIZE = 8
EPOCHS = 400
LEARNING_RATE = 1e-3
USE_COMBINED_LOSS = True
SSIM_LOSS_WEIGHT = 0.2
MODEL_TYPE = 'espcn_se'   # 可选 'srcnn', 'espcn', 'fsrcnn', 'espcn_se'

2. utils.py – 退化与评价

• degrade_image(hr, scale, sigma, noise_std) : HR → LR（模糊→下采样→加噪声）

• calculate_psnr(img1, img2) : 调用 skimage.metrics.peak_signal_noise_ratio

• calculate_ssim(img1, img2) : 调用 structural_similarity，指定 channel_axis=2，动态调整窗口

• SSIMLoss : 可微分的SSIM损失，用于训练

3. data_utils.py – 数据集

• FarmlandSRDataset : 读取所有图片，支持不重叠裁剪（每张256×256 → 4个128×128 patch）或整图使用。__getitem__ 中调用 degrade_image 生成LR，并执行随机翻转/旋转增强。

• get_dataloaders : 按原始图像路径分层划分，保证同一图像的所有patch进入同一集合，返回 DataLoader。

4. models.py – 网络结构

• SRCNN : 先上采样→三层卷积（9,5,5）→输出HR

• ESPCN : 低分辨率空间卷积→亚像素卷积上采样

• FSRCNN : 收缩-映射-扩张结构→转置卷积上采样

• ESPCNWithSE : ESPCN + 简化的SE通道注意力（通道缩减比=8）

5. train.py – 训练流程

• 损失函数：combined_loss = MSE + weight * SSIMLoss

• 优化器：Adam，余弦退火学习率调度

• 早停：验证损失连续 PATIENCE 轮不下降则停止

• 自动记录：每个epoch将 (epoch, train_loss, val_loss) 写入 output/loss_log.csv

• 保存最佳模型：验证损失最小时保存 {MODEL_TYPE}_best.pth

6. evaluate.py – 评估

• 加载测试集，batch_size=1，记录推理时间

• 计算每张图的PSNR、SSIM，保存SR图到 output/test_results/

• 输出平均PSNR、SSIM、推理时间、FPS

7. demo.py – 单图超分

bash

python demo.py 图片路径 [模型名]
# 模型名可选：srcnn, espcn, fsrcnn, espcn_se（默认）

生成 sr_result_{模型名}.png 和对比图。

---

五、完整操作流程

第1步：准备图片

将你的7000张256×256图片放入 data/high_res/。

第2步：修改配置（可选）

根据需要修改 config.py 中的退化参数、训练轮数、模型类型等。

第3步：训练模型

打开 Anaconda Prompt 并进入项目目录

• 打开 Anaconda Prompt。

• 输入 conda activate sr 并回车。

• 输入 cd C:\Users\你的用户名\Desktop\farmland_sr（注意把“你的用户名”换成你自己的）

• 运行训练脚本

python train.py

然后按回车。

你会看到以下输出（类似）：

text

然后按回车。

你会看到以下输出（类似）：

使用设备: cuda
找到 7000 张高分辨率图片
训练集: 4900 张, 验证集: 1400 张, 测试集: 700 张
模型: espcn_se, 参数量: 37.58 KB
训练中:  0%|          | 0/2450 [00:00<?, ?it/s]

• 训练会持续很久（可能几个小时），你可以挂机。

• 每完成一个“轮次”（epoch），会打印当前损失和验证损失，例如 Epoch 001 | 训练损失: 0.115765 | 验证损失: 0.094575。

• 当验证损失连续多轮不再下降时，程序会自动停止（早停），并保存最佳模型到 output 文件夹

• 随时可以按 Ctrl + C 停止训练（不会损坏模型，但最好让它跑完）。

• 如果想查看训练进度，可以打开 output 文件夹，里面有一个 loss_log.csv 文件，记录了每个 epoch 的损失。

第4步：评估模型

bash

python evaluate.py

输出PSNR、SSIM、推理时间，重建图保存在 output/test_results/。

这会：

• 自动加载 output 文件夹中当前 MODEL_TYPE 对应的最佳模型。

• 对测试集（700 张图片）进行超分重建。

• 计算平均 PSNR、SSIM、每张图的推理时间。

• 输出结果，例如：

PSNR: 24.85 dB
SSIM: 0.5704
平均推理时间: 2.80 ms/张
每秒可处理: 357.1 张
超分结果已保存至: output\test_results

• 同时，会在 output\test_results 中生成 test_xxxx_sr.png（重建的高清图）和 test_xxxx_lr.png（低分辨率输入图），你可以打开看看重建效果。

如果你想评估不同模型（如 SRCNN）：修改 config.py 中的 MODEL_TYPE = 'srcnn'，保存后再次运行 python evaluate.py（前提是你已经训练过该模型，即 output/srcnn_best.pth 存在）

第5步：单张图片超分演示

bash

python demo.py test4.jpg espcn_se

程序会：

• 将这张图片缩放到 64×64（模拟低分辨率输入）。

• 加载模型进行 4 倍超分，得到 256×256 的高清图。

• 在当前目录下生成 sr_result.png（超分结果）和 sr_result_compare.png（对比图，显示原始、低分辨率、超分结果）。

• 如果系统支持，还会弹出一个窗口显示对比图。

你可以用图片查看器打开 sr_result.png，看看病斑和纹理是否更清晰。

第6步：绘制损失曲线（可选）

bash

python plot_loss.py

生成 output/loss_curve.png

运行程序会生成如下图片

---

六、常见问题快速排查

问题	解决办法
NameError: name 'lr_size' is not defined	在 data_utils.py 中将 lr_size 改为 self.lr_size
模型加载尺寸不匹配	检查 models.py 中的通道数与保存的权重是否一致；若不匹配，删除旧权重重新训练
SSIM计算报错 win_size exceeds image extent	在 utils.py 的 calculate_ssim 中动态调整窗口，并指定 channel_axis=2
训练时显存不足	减小 BATCH_SIZE（例如 4）或降低图像尺寸

---

常见问题与解决方法

问题现象	可能原因	解决方法
python 不是内部或外部命令	没有安装 Python 或没有激活环境	确保你已经在 Anaconda Prompt 中激活了 sr 环境
ModuleNotFoundError: No module named 'torch'	没有安装 PyTorch	执行 pip install torch... 那一行
NameError: name 'lr_size' is not defined	代码中变量名错误	在 data_utils.py 中将 lr_size 改为 self.lr_size
CUDA out of memory	显存不足	修改 config.py 中 BATCH_SIZE = 4（或更小），重新运行
训练时验证损失一直不下降	可能是学习率太大或模型有问题	将 LEARNING_RATE = 1e-4 试试
评估时报错 win_size exceeds image extent	SSIM 窗口太大	已修复，请使用最新的 utils.py（其中 calculate_ssim 会自适应窗口）
RuntimeError: Error(s) in loading state_dict	模型结构与权重不匹配	删除 output 中的旧 .pth 文件，重新训练；或者恢复 models.py 到旧版本

七、论文数据对应关系

表格	数据来源
损失收敛曲线	运行 plot_loss.py
主观效果对比图	运行 demo.py 对典型图片