SRCNN图像超分辨率图像增强放大系统-python

项目描述 SRCNN 图像超分辨率系统
本项目是经典超分辨率算法 SRCNN的 PyTorch 复现与 Web 化改造。系统将上传的图片先做 Bicubic 降质退化，再由三层卷积神经网络在 YCbCr 色彩空间重建高频细节，输出更清晰的图像。项目在原作者命令行训练/推理脚本基础上，新增了 Flask Web 操作界面，实现浏览器内上传图片、选择倍率、在线超分并三方对比查看结果。

访问 http://127.0.0.1:5000

项目功能
Web 超分推理：浏览器拖拽或点击上传图片，一键完成超分辨率处理（入口 app.py，访问 http://127.0.0.1:5000 ）
结果对比展示：原图（HR 参考）、Bicubic 退化图（模型实际输入）、SRCNN 重建图三图并排，附输出尺寸与 PSNR 指标（含 Bicubic 基线对照），支持结果图下载
倍率选择：提供 x4 模型（best.pth，真实照片实测优于 Bicubic 基线）；x2 权重因过冲严重（振铃、色偏）已在界面禁用
命令行推理：python use.py –image 图片路径 –scale 4
模型训练：python train.py，基于 91 张图像裁剪的 33×33 图块（h5 数据集需自行下载），MSE 损失、Adam 优化、PSNR 评估，自动保存最优权重

运行环境
操作系统：Windows（跨平台代码，亦可 Linux）
Python 3.13（Anaconda）；实测依赖版本：torch 2.13.0、numpy 2.1.3、Pillow 10.4.0、Flask 3.1.0、h5py 3.12.1
硬件：CPU 即可运行（模型仅约 5.7 万参数），有 CUDA GPU 时自动启用加速
启动方式：Web 界面执行 python app.py；命令行执行 python use.py

项目技术
语言：Python；前端为原生 HTML/CSS/JavaScript（fetch + FormData 异步上传，无前端框架）
深度学习框架：PyTorch；网络结构为三层卷积——9×9 特征提取（64 通道，ReLU）、1×1 非线性映射（32 通道，ReLU）、5×5 重建输出
图像算法：PIL Bicubic 缩放构造低质输入、RGB 与 YCbCr 色彩空间转换、MSE 损失、PSNR 定量评价
Web 后端：Flask，启动时预加载模型权重常驻内存，提供 /api/super-resolve 推理接口；上传与结果文件以 UUID 命名落盘于 static 目录，含文件格式、大小、倍率等参数校验与中文错误提示
数据处理：训练数据用 h5 格式存储图块，多线程 DataLoader 加载

以上系统源码经过技术整理与调试，确保能正常运行