【源码】基于PyTorch框架的高光谱图像去噪系统

项目简介

本项目是基于PyTorch框架实现的高光谱图像去噪系统，通过演化深度卷积神经网络（CNN）提高高光谱图像的去噪效果。项目代码源自论文《Evolving Deep Convolutional Neural Networks for Hyperspectral Image Denoising》，作者为Yuqiao Liu、Yanan Sun、Bing Xue和Mengjie Zhang。

项目的主要特性和功能

1. 数据集构建：
   • add_noise.py：为高光谱图像加模拟噪声。
   • make_trainAndtest_image_set.py：将图像分割成小块。
2. 演化过程实现：
   • main.py：演化算法主函数。
   • population.py：种群类。
   • individual.py：个体类。
   • layer.py：网络中的层类。
   • cnn.py：根据个体携带的编码搭建对应的神经网络。
   • evolve.py：实现进化过程，包含初始化种群、适应度评价、交叉和变异、环境选择操作。
   • evaluate.py：适应度评价的实现代码。
3. 最终训练和对比：
   • final_train.py：对选择出来的模型进行训练并得到训练后网络的输出图像。
   • artificial_cnn.py：人工搭建的神经网络。
4. 工具包：
   • utils.py：工具函数。
   • nn_summery.py：计算神经网络参数个数。
   • getdata.py：获取训练数据。

安装使用步骤

1. 环境准备：
   • 确保已安装Python 3.x。
   • 安装PyTorch及相关依赖： bash pip install torch torchvision
2. 项目源码已下载。
3. 数据集准备：
   • 用add_noise.py为高光谱图像添加模拟噪声。
   • 用make_trainAndtest_image_set.py将图像分割成小块。
   • 手动将图像拖动到相应的训练集和验证集文件夹。
4. 运行演化算法：
   • 执行main.py启动演化算法，生成初始种群并进行进化过程。
   • 进化过程调用evolve.py进行种群的进化操作，包括适应度评价、交叉和变异等。
5. 最终训练和对比：
   • 用final_train.py对选择出的模型进行最终训练，并生成去噪后的图像。
   • 可与artificial_cnn.py中人工搭建的神经网络进行对比。
6. 工具使用：
   • 使用utils.py中的工具函数进行辅助操作。
   • 使用nn_summery.py计算神经网络的参数个数。
   • 使用getdata.py获取训练数据。

通过以上步骤，可完整运行本项目，实现高光谱图像的去噪处理。

下载地址

点击下载 【提取码: 4003】【解压密码: www.makuang.net】