尧图网页设计 
简介这是一套面向计算机相关专业毕业设计场景的模糊人脸图像增强系统项目基于Python深度学习技术实现主要解决低清、模糊人脸图像的复原与增强问题适合本科生、研究生用于毕业设计、课程设计或初期项目立项。资源共23个文件核心为9个Python源码脚本涵盖人脸输入、增强模型、主流程等模块6个pyc编译文件另有3个Markdown部署文档、2张模型结构示意图、1个XML配置、1个TXT说明及1个内嵌zip包整体仅368KB轻量但结构完整。目前已有145人学习下载项目为经导师认可的95分高分毕业设计代码已验证可运行并附带Django与Flask两套部署文档便于快速搭建环境。除直接使用外还可在此基础上调整网络结构或增加预处理逻辑用于其他图像处理任务或二次开发。1. 模糊人脸图像增强毕设资源核心目录结构与第一眼判断如果你做过图像增强相关的毕设大概率遇到过这种处境网上能找到的源码要么只讲论文结构、要么只有一个模型文件真正能跑通的没几个。这份基于 Python 深度学习的模糊人脸图像增强系统属于少见的「源码数据双部署文档」齐全的资源解压后直接能看到 src 下的 FaceInput.py、Test.py、FaceEnhance.py以及根目录的 Django 系统部署文档.md 和 Flask 系统部署文档.md。它的核心价值在于既能支撑毕业设计里「模型设计与实现」的论述又能用两套后端把推理能力封装成可演示的网页应用适合软件工程、人工智能、电子信息等方向的学生作为毕设或课程设计底子。下面我按自己拆项目的顺序把目录结构、模型思路、推理参数、部署边界和常见翻车点逐层讲透。2. UNetLike 架构拆解模型输入输出与对齐配准的取舍2.1 UNetLike 到底改了什么从编码器到输出层的设计取舍项目根目录里有一张 UNetLike.png直接点明了模型采用的网络家族U-Net 变体。U-Net 在图像到图像任务里的地位不用多说它的编码器-解码器结构加上跳层连接天然适合保留人脸五官的局部细节。毕设答辩时老师最常问的一句话是“你为什么用 UNet 而不是 GAN”这个问题其实在论文里很好回答模糊人脸增强是典型的 ill-posed 问题UNet 的 L2 类损失收敛快、训练稳定且对显存要求低适合在单卡环境下复现。这个项目里的 UNetLike 不是标准 UNet 的逐层复刻而是做了一些简化调整。常见做法是收缩通道数、减少下采样层数把输入从固定尺寸改为可配置尺寸。在 src 目录下你看到的是 FaceEnhance.py它负责模型定义和推理封装Test.py 负责调用。你要是打开 FaceEnhance.py大概率能看到一个类封装里面包含 encoder、decoder 和最后一层卷积输出。由于毕设资源没有附带原始训练脚本我的理解是模型权重已存在于 model 目录src 部分的重点是推理而不是训练复现这反而降低了你的工作量。2.2 输入输出的对齐约定灰度还是 RGB、尺寸怎么定拆这类项目最容易被忽略的就是输入输出约定。模糊人脸增强模型的输入通常有三种形式单张灰度图、三通道 RGB、归一化之后的张量。这个项目里 data 目录是输入图片存放位置resource 目录里有 test1.png 测试图。我拿到资源后第一件事是看 Test.py 里怎么读图确认是否用 OpenCV 的 imread 加载、是否做 BGR 转 RGB、是否除以 255。根据经验这种毕设项目普遍采用 256×256 或 128×128 的输入尺寸。如果输入尺寸和训练尺寸不一致推理结果会变得异常平滑或出现棋盘伪影。你可以先跑一次测试图确认默认尺寸再决定要不要改。常见做法是在 FaceEnhance.py 里加一个 resize 参数而不是修改整个网络结构。# 以常见推理流程为例演示输入尺寸与通道处理逻辑 import cv2 import torch import numpy as np # 读取测试图注意 OpenCV 默认读进来是 BGR img cv2.imread(resource/test1.png) # 统一转成 RGB避免颜色通道错位导致增强结果偏色 img_rgb cv2.cvtColor(img, cv2.COLOR_BGR2RGB) # 缩放到网络输入尺寸这里以 256 为例 img_resized cv2.resize(img_rgb, (256, 256), interpolationcv2.INTER_AREA) # 归一化到 0-1并转换为 NCHW 格式 img_tensor torch.from_numpy(img_resized).float().permute(2, 0, 1).unsqueeze(0) / 255.0 # 模型前向推理输出与输入同尺寸 with torch.no_grad(): output model(img_tensor) # 输出张量转回 HWC uint8 格式方便保存 out_img output.squeeze(0).permute(1, 2, 0).numpy() out_img np.clip(out_img * 255.0, 0, 255).astype(np.uint8)代码逻辑说明这段代码把读图、通道转换、缩放、归一化、前向推理和反归一化串成了一条完整链路。逻辑说明与参数说明cv2.resize 的 interpolation 参数建议用 INTER_AREA 做缩小能减少摩尔纹permute 负责把 HWC 转为 CHW这是 PyTorch 模型的标准输入顺序除以 255 是把像素值压到 0~1 区间绝大多数预训练模型都默认输入归一化到该区间。如果加载出来的测试图效果发灰优先检查是否漏了 / 255.0 这步。2.3 在本地把模型文件跑起来加载权重与首帧检验model 目录里存放的是训练好的权重文件。权重加载这一步常见做法是用 torch.save 存成 .pth 或 .pt 文件。由于 FaceEnhance.py 里已经封装了模型类你只需要找到权重指向的路径确认它没有被硬编码成绝对路径。血泪经验很多毕设项目在作者机器上能跑换一台机器就报 FileNotFoundError原因就是路径写死比如 C:\Users\admin\Desktop。我一般会在 Test.py 里把路径改成相对路径或者用 os.path.join 拼接。检查权重是否加载成功的第二个办法是看 log.txt。项目根目录里有 log.txt里面记录了训练或测试过程中的 loss 变化如果 loss 最终在低位震荡说明模型有收敛趋势。跑通后的第一帧测试图建议用 resource 目录自带的 test1.png确认输出尺寸与原图一致、人脸区域纹理明显变清晰再换自己的图片。这个首帧验证很有必要它能把「环境问题」和「模型问题」快速分开。3. 从 Test.py 到实测推理参数含义与换图评估方法3.1 FaceInput.py 的职责读图、预处理与对齐FaceInput.py 这个名字容易让人误以为它只负责读取图片实际上它经常承担「人脸检测 对齐 裁剪」的职责。模糊人脸增强通常不是对整张图做全局增强而是先检测人脸区域、统一缩放到固定尺寸再送入增强网络最后把增强结果贴回原图。src 目录下的 FaceInput.py 应该就是这个流程的入口。如果你打开 FaceInput.py大概率能看到类似 detect_face、align_face、crop_face 这类函数。人脸对齐在毕设里是一个加分项因为未对齐的人脸输入会导致模型输出出现重影或五官错位。常见做法是使用 OpenCV 的 DNN 人脸检测器或者直接使用 MTCNN 检测五个关键点做相似变换。项目依赖里如果没有额外安装 mtcnn 包就说明作者用的是 OpenCV 内置检测器对 Windows 环境更友好。3.2 Test.py 的推理主流程与命令行参数Test.py 是整个系统最容易直接运行的入口。它的主流程一般是读取图片 → 检测人脸 → 裁剪对齐 → 送入 FaceEnhance 模型 → 保存增强结果。命令行参数通常包括输入路径、输出路径、是否使用 GPU 等。这类毕设项目默认使用 GPU如果检测到 CUDA 不可用要么直接报错要么自动回退到 CPU。我建议你在跑通之前先看一眼 Test.py 开头几行确认是否有 device 变量。以下是我见过的最常见的 Test.py 调用方式你可以对照自己的资源来修改# 直接运行默认测试输入图为 resource/test1.png python Test.py # 如果支持命令行参数常见形式如下 python Test.py --input resource/test1.png --output output/enhanced.jpg --gpu 0如果你打开 Test.py 发现它不支持命令行参数说明作者把输入输出路径直接写在文件里了这时候需要手动改代码。常见做法是在文件顶部附近找 img_path、save_path 这类变量改成你自己的路径。这里面有一个坑如果保存路径的目录不存在cv2.imwrite 会静默失败不报错但也不保存文件。血泪经验是每次改路径后先看输出目录里是否真的生成了文件。3.3 换自己的测试图参数修改与效果评估方法把测试图从 test1.png 换成自己的图片时要注意三点图片尺寸、人脸占比、图片格式。如果图片中人脸占比太小检测器可能无法定位到人脸如果图片是 RGBA 格式OpenCV 读出来是四通道需要在预处理里丢弃 alpha 通道。效果评估不能只看主观视觉还要用客观指标。毕设答辩时老师会问“你的增强效果怎么量化”这句话往往能看出你是否真正理解模型。常见的量化指标包括 PSNR 和 SSIM它们都需要一张 ground truth 清晰图作为参照。如果你没有清晰对照图可以用无参考指标比如 Brenner 梯度或 Laplacian 方差来衡量图像的清晰度变化。# 用 Laplacian 方差衡量图像清晰度适合没有原图对照的场景 import cv2 import numpy as np def laplacian_score(img_path): # 读图并转灰度 img cv2.imread(img_path, cv2.IMREAD_GRAYSCALE) # Laplacian 算子计算二阶梯度方差越大代表边缘越锐利 return cv2.Laplacian(img, cv2.CV_64F).var() # 对比增强前后的清晰度得分 before laplacian_score(resource/test1.png) after laplacian_score(output/enhanced.jpg) print(f清晰度得分 - 增强前: {before:.2f}, 增强后: {after:.2f})这段代码的思路是Laplacian 算子对边缘敏感模糊图像的边缘梯度弱方差自然偏低增强如果有效方差会明显上升。参数说明cv2.Laplacian 的 ddepth 参数用 CV_64F 是为了避免梯度计算时的截断误差var() 返回的是像素级方差。这个指标虽然不能完全代表主观质量但作为答辩时的量化佐证已经足够配合两到三组对比图就能形成完整证据链。4. 两套部署文档的适用边界Django 与 Flask 怎么选4.1 部署文档到底写了什么从环境准备到启动根目录里同时存在 Django系统部署文档.md 和 Flask系统部署文档.md说明作者分别用两套后端框架封装了推理服务。这样做的好处是覆盖了不同人群的偏好Django 适合展示完整站点包括后台管理、路由分发、模板渲染Flask 适合轻量级接口演示代码量小、上手快。如果你毕设侧重点是「系统设计」和「工程化能力」选 Django如果侧重点是「模型本身」和「推理效果」选 Flask。两份文档的共性是包含环境准备、依赖安装、启动命令和浏览器访问地址。它们的差异在目录结构上Django 项目有 settings.py、urls.py、views.py 等固定文件Flask 项目通常只有一个 app.py 加 templates 目录。不管哪套核心逻辑都是把 Test.py 的推理过程封装成一个 HTTP 接口前端通过上传图片按钮调用该接口服务器端返回增强后的图片。4.2 Flask 轻量部署的启动方式Flask 部署最适合快速演示代码结构一目了然。我拆过很多类似项目最常见的就是把 FaceEnhance 模型加载放到全局变量避免每次请求都重新加载权重。这里有个细节模型加载必须在路由函数之前完成否则每来一个请求就加载一次模型显存会被撑爆。# 一个最小化的 Flask 推理服务示例 import os import cv2 import torch from flask import Flask, request, jsonify, send_file app Flask(__name__) # 全局只加载一次模型避免重复初始化 model FaceEnhance() model.load_state_dict(torch.load(model/face_model.pth, map_locationcpu)) model.eval() app.route(/enhance, methods[POST]) def enhance(): # 接收前端上传的图片文件 file request.files[image] img cv2.imdecode(np.frombuffer(file.read(), np.uint8), cv2.IMREAD_COLOR) # 调用增强函数输入原图输出增强结果 result model.enhance(img) # 保存到临时目录并返回给前端 temp_path data/temp_result.jpg cv2.imwrite(temp_path, result) return send_file(temp_path, mimetypeimage/jpeg) if __name__ __main__: app.run(host0.0.0.0, port5000)逻辑说明FaceEnhance() 这个类被实例化为全局对象load_state_dict 加载权重enhance 函数接收 numpy 数组返回 numpy 数组send_file 直接把图片文件传回浏览器。参数说明map_locationcpu 非常关键如果毕设电脑没有 N 卡 CUDA 环境不写这个参数会直接报错port5000 是 Flask 默认端口如果被占用换成 5001 即可。启动命令很简单pip install flask opencv-python torch python app.py然后浏览器访问 http://127.0.0.1:5000用 Postman 或者前端页面做一次 POST 请求上传图片。提示如果你用的是虚拟环境请先激活再执行 pip install否则依赖可能会装到系统全局环境里项目迁到别的机器时又得重新排查一遍。4.3 Django 部署的注意事项与区别Django 部署相对重一些它需要你理解 settings.py 里的媒体文件处理逻辑。Django 处理图片上传默认走 MEDIA_ROOT 和 MEDIA_URL这和 Flask 手动读写临时文件的方式完全不同。部署文档里如果写到 images 上传后的存储路径那大概率就是用的 Django FileField。Django 部署容易踩的坑是静态文件和媒体文件路径配置。如果你从 GitHub 拉下来的 Django 项目没有迁移数据库直接运行 python manage.py runserver 可能会报错。标准的启动顺序是pip install django djangorestframework torch python manage.py makemigrations python manage.py migrate python manage.py runserver 0.0.0.0:8000迁移数据库是 Django 和 Flask 最大的差异点因为 Django 自带 ORM 和 admin 后台首次运行必须先建表。如果你启动时报错说某个表不存在多半就是忘了执行 migrate。另一个差异是 Django 的 urls.py 路由配置如果你新增了接口必须在 urls.py 里注册否则 404。这一点在毕设答辩演示时特别容易翻车很多人现场演示时发现接口调不通最后一看是 url 写错了。5. 避坑环境、路径、显存与归一化容易翻车的四个地方5.1 torch.cuda.is_available() 返回 False代码直接报错现象运行 Test.py 时提示 CUDA 不可用程序退出。原因PyTorch 版本与显卡驱动不匹配或者装的是 CPU 版 PyTorch。解决先执行python -c import torch; print(torch.cuda.is_available())确认环境如果返回 False去官网安装对应 CUDA 版本的 PyTorch如果电脑没有 N 卡直接找代码里的 device 变量改成 cpu同时把加载权重的 map_location 参数也改成 cpu。5.2 模型加载报错 size mismatch权重和模型对不上现象加载 .pth 文件时提示 size mismatch for encoder.0.weight。原因权重文件来自不同网络结构版本或者你修改了 FaceEnhance.py 里的通道数。解决不要自己改模型通道数直接使用原始 FaceEnhance.py 里的定义。如果必须修改就把 model 目录里的权重文件一并换成与你网络匹配的新权重。这种情况在毕设资源里经常出现原因就是作者改过代码但忘记重新训练权重。5.3 效果图色彩异常人脸发绿或发蓝现象增强后的图片整体偏色皮肤变成绿色或蓝色。原因OpenCV 读图默认 BGR但模型在训练时用的是 RGB。如果你的预处理里没有做 BGR 转 RGB输出自然偏色。解决在 cv2.imread 之后加上 cv2.cvtColor(img, cv2.COLOR_BGR2RGB)输出保存时再转回 BGR。这个问题很隐蔽因为有时候偏色不明显而一旦人脸图像增强效果图发绿答辩时一眼就会被看出来。5.4 内存或显存不足程序中途崩溃现象运行到一半报 CUDA out of memory 或 MemoryError。原因输入图片太大或者批量推理时单次输入了多张图。解决把输入尺寸从 512 降到 256或者将推理代码改为单张处理。常见的做法是在预处理里先做 resize而不是让模型自适应输入。如果 CPU 内存不足检查是否有其他地方加载了多余的大数组比如读取整批图片后统一处理而不是逐张处理。6. 把资源变成自己的毕设三个还能继续做的方向拿到手的资源能跑通只是第一步毕设评分的高低往往取决于你在这个基础上做了哪些增量工作。第一个推荐方向是增加人脸关键点对齐的可视化对输入人脸画关键点、对增强后的人脸也画关键点然后对比两者的位置偏差。这个改动不大但答辩时可以直观说明模型没有改变五官结构。第二个方向是增加 PSNR/SSIM 自动评估模块并在界面上生成对比图。虽然项目本身没有附带未模糊的 ground truth但你可以用 test1.png 先手动高斯模糊出一张低清图再送进模型增强最后拿原图和增强结果算 PSNR。这样你就拥有了完整的「构造数据 → 增强 → 评估」链路答辩时展示这条链路比单纯展示一张图要有说服力得多。第三个方向是把模型封装成带置信度输出的接口。当前资源输出的是一张增强后的图片如果你在 FaceEnhance.py 中额外输出一个质量分数就能在页面上显示增强前后的清晰度变化。我一般会在后处理阶段同时计算 Laplacian 方差并写入结果这样用户能直观看到增强效果提升了多少而不是只看到一个安静的输出图片。# 在推理结果中同时返回清晰度得分 def enhance_with_score(model, img_tensor): with torch.no_grad(): output model(img_tensor) # 输出张量转回 uint8 图像 out_np output.squeeze(0).permute(1, 2, 0).numpy() out_np np.clip(out_np * 255, 0, 255).astype(np.uint8) # 同时基于输入计算原始清晰度 score_before cv2.Laplacian(img_tensor.squeeze(0).permute(1, 2, 0).numpy(), cv2.CV_64F).var() score_after cv2.Laplacian(out_np, cv2.CV_64F).var() return out_np, score_before, score_after参数说明score_before 和 score_after 分别对应增强前后的 Laplacian 方差在答辩演示时把这两个数字直接投射到页面上比口头描述“看起来变清晰了”更有说服力。如果你选择把这个功能接到 Flask 接口里只需要在 enhance 路由里同时返回结果图和分数即可。上个月我也帮人拆过类似的超分项目当时最深的教训是环境隔离没做好anaconda 里各种版本的 torch 混在一起最后花了五个小时才把环境对齐。从那以后我每次拆这种毕设资源都强制要求自己先建一个全新的虚拟环境把依赖文档里的版本号逐条核对后再运行走过的弯路多了反而越觉得这类带双部署文档的项目最值得下载因为它的边界和坑都写在文档里了。希望帮到你。本文还有配套的精品资源点击获取 模糊人脸图像增强毕设资源：UNet模型与Python部署实战解析
简介这是一套面向计算机相关专业毕业设计场景的模糊人脸图像增强系统项目基于Python深度学习技术实现主要解决低清、模糊人脸图像的复原与增强问题适合本科生、研究生用于毕业设计、课程设计或初期项目立项。资源共23个文件核心为9个Python源码脚本涵盖人脸输入、增强模型、主流程等模块6个pyc编译文件另有3个Markdown部署文档、2张模型结构示意图、1个XML配置、1个TXT说明及1个内嵌zip包整体仅368KB轻量但结构完整。目前已有145人学习下载项目为经导师认可的95分高分毕业设计代码已验证可运行并附带Django与Flask两套部署文档便于快速搭建环境。除直接使用外还可在此基础上调整网络结构或增加预处理逻辑用于其他图像处理任务或二次开发。1. 模糊人脸图像增强毕设资源核心目录结构与第一眼判断如果你做过图像增强相关的毕设大概率遇到过这种处境网上能找到的源码要么只讲论文结构、要么只有一个模型文件真正能跑通的没几个。这份基于 Python 深度学习的模糊人脸图像增强系统属于少见的「源码数据双部署文档」齐全的资源解压后直接能看到 src 下的 FaceInput.py、Test.py、FaceEnhance.py以及根目录的 Django 系统部署文档.md 和 Flask 系统部署文档.md。它的核心价值在于既能支撑毕业设计里「模型设计与实现」的论述又能用两套后端把推理能力封装成可演示的网页应用适合软件工程、人工智能、电子信息等方向的学生作为毕设或课程设计底子。下面我按自己拆项目的顺序把目录结构、模型思路、推理参数、部署边界和常见翻车点逐层讲透。2. UNetLike 架构拆解模型输入输出与对齐配准的取舍2.1 UNetLike 到底改了什么从编码器到输出层的设计取舍项目根目录里有一张 UNetLike.png直接点明了模型采用的网络家族U-Net 变体。U-Net 在图像到图像任务里的地位不用多说它的编码器-解码器结构加上跳层连接天然适合保留人脸五官的局部细节。毕设答辩时老师最常问的一句话是“你为什么用 UNet 而不是 GAN”这个问题其实在论文里很好回答模糊人脸增强是典型的 ill-posed 问题UNet 的 L2 类损失收敛快、训练稳定且对显存要求低适合在单卡环境下复现。这个项目里的 UNetLike 不是标准 UNet 的逐层复刻而是做了一些简化调整。常见做法是收缩通道数、减少下采样层数把输入从固定尺寸改为可配置尺寸。在 src 目录下你看到的是 FaceEnhance.py它负责模型定义和推理封装Test.py 负责调用。你要是打开 FaceEnhance.py大概率能看到一个类封装里面包含 encoder、decoder 和最后一层卷积输出。由于毕设资源没有附带原始训练脚本我的理解是模型权重已存在于 model 目录src 部分的重点是推理而不是训练复现这反而降低了你的工作量。2.2 输入输出的对齐约定灰度还是 RGB、尺寸怎么定拆这类项目最容易被忽略的就是输入输出约定。模糊人脸增强模型的输入通常有三种形式单张灰度图、三通道 RGB、归一化之后的张量。这个项目里 data 目录是输入图片存放位置resource 目录里有 test1.png 测试图。我拿到资源后第一件事是看 Test.py 里怎么读图确认是否用 OpenCV 的 imread 加载、是否做 BGR 转 RGB、是否除以 255。根据经验这种毕设项目普遍采用 256×256 或 128×128 的输入尺寸。如果输入尺寸和训练尺寸不一致推理结果会变得异常平滑或出现棋盘伪影。你可以先跑一次测试图确认默认尺寸再决定要不要改。常见做法是在 FaceEnhance.py 里加一个 resize 参数而不是修改整个网络结构。# 以常见推理流程为例演示输入尺寸与通道处理逻辑 import cv2 import torch import numpy as np # 读取测试图注意 OpenCV 默认读进来是 BGR img cv2.imread(resource/test1.png) # 统一转成 RGB避免颜色通道错位导致增强结果偏色 img_rgb cv2.cvtColor(img, cv2.COLOR_BGR2RGB) # 缩放到网络输入尺寸这里以 256 为例 img_resized cv2.resize(img_rgb, (256, 256), interpolationcv2.INTER_AREA) # 归一化到 0-1并转换为 NCHW 格式 img_tensor torch.from_numpy(img_resized).float().permute(2, 0, 1).unsqueeze(0) / 255.0 # 模型前向推理输出与输入同尺寸 with torch.no_grad(): output model(img_tensor) # 输出张量转回 HWC uint8 格式方便保存 out_img output.squeeze(0).permute(1, 2, 0).numpy() out_img np.clip(out_img * 255.0, 0, 255).astype(np.uint8)代码逻辑说明这段代码把读图、通道转换、缩放、归一化、前向推理和反归一化串成了一条完整链路。逻辑说明与参数说明cv2.resize 的 interpolation 参数建议用 INTER_AREA 做缩小能减少摩尔纹permute 负责把 HWC 转为 CHW这是 PyTorch 模型的标准输入顺序除以 255 是把像素值压到 0~1 区间绝大多数预训练模型都默认输入归一化到该区间。如果加载出来的测试图效果发灰优先检查是否漏了 / 255.0 这步。2.3 在本地把模型文件跑起来加载权重与首帧检验model 目录里存放的是训练好的权重文件。权重加载这一步常见做法是用 torch.save 存成 .pth 或 .pt 文件。由于 FaceEnhance.py 里已经封装了模型类你只需要找到权重指向的路径确认它没有被硬编码成绝对路径。血泪经验很多毕设项目在作者机器上能跑换一台机器就报 FileNotFoundError原因就是路径写死比如 C:\Users\admin\Desktop。我一般会在 Test.py 里把路径改成相对路径或者用 os.path.join 拼接。检查权重是否加载成功的第二个办法是看 log.txt。项目根目录里有 log.txt里面记录了训练或测试过程中的 loss 变化如果 loss 最终在低位震荡说明模型有收敛趋势。跑通后的第一帧测试图建议用 resource 目录自带的 test1.png确认输出尺寸与原图一致、人脸区域纹理明显变清晰再换自己的图片。这个首帧验证很有必要它能把「环境问题」和「模型问题」快速分开。3. 从 Test.py 到实测推理参数含义与换图评估方法3.1 FaceInput.py 的职责读图、预处理与对齐FaceInput.py 这个名字容易让人误以为它只负责读取图片实际上它经常承担「人脸检测 对齐 裁剪」的职责。模糊人脸增强通常不是对整张图做全局增强而是先检测人脸区域、统一缩放到固定尺寸再送入增强网络最后把增强结果贴回原图。src 目录下的 FaceInput.py 应该就是这个流程的入口。如果你打开 FaceInput.py大概率能看到类似 detect_face、align_face、crop_face 这类函数。人脸对齐在毕设里是一个加分项因为未对齐的人脸输入会导致模型输出出现重影或五官错位。常见做法是使用 OpenCV 的 DNN 人脸检测器或者直接使用 MTCNN 检测五个关键点做相似变换。项目依赖里如果没有额外安装 mtcnn 包就说明作者用的是 OpenCV 内置检测器对 Windows 环境更友好。3.2 Test.py 的推理主流程与命令行参数Test.py 是整个系统最容易直接运行的入口。它的主流程一般是读取图片 → 检测人脸 → 裁剪对齐 → 送入 FaceEnhance 模型 → 保存增强结果。命令行参数通常包括输入路径、输出路径、是否使用 GPU 等。这类毕设项目默认使用 GPU如果检测到 CUDA 不可用要么直接报错要么自动回退到 CPU。我建议你在跑通之前先看一眼 Test.py 开头几行确认是否有 device 变量。以下是我见过的最常见的 Test.py 调用方式你可以对照自己的资源来修改# 直接运行默认测试输入图为 resource/test1.png python Test.py # 如果支持命令行参数常见形式如下 python Test.py --input resource/test1.png --output output/enhanced.jpg --gpu 0如果你打开 Test.py 发现它不支持命令行参数说明作者把输入输出路径直接写在文件里了这时候需要手动改代码。常见做法是在文件顶部附近找 img_path、save_path 这类变量改成你自己的路径。这里面有一个坑如果保存路径的目录不存在cv2.imwrite 会静默失败不报错但也不保存文件。血泪经验是每次改路径后先看输出目录里是否真的生成了文件。3.3 换自己的测试图参数修改与效果评估方法把测试图从 test1.png 换成自己的图片时要注意三点图片尺寸、人脸占比、图片格式。如果图片中人脸占比太小检测器可能无法定位到人脸如果图片是 RGBA 格式OpenCV 读出来是四通道需要在预处理里丢弃 alpha 通道。效果评估不能只看主观视觉还要用客观指标。毕设答辩时老师会问“你的增强效果怎么量化”这句话往往能看出你是否真正理解模型。常见的量化指标包括 PSNR 和 SSIM它们都需要一张 ground truth 清晰图作为参照。如果你没有清晰对照图可以用无参考指标比如 Brenner 梯度或 Laplacian 方差来衡量图像的清晰度变化。# 用 Laplacian 方差衡量图像清晰度适合没有原图对照的场景 import cv2 import numpy as np def laplacian_score(img_path): # 读图并转灰度 img cv2.imread(img_path, cv2.IMREAD_GRAYSCALE) # Laplacian 算子计算二阶梯度方差越大代表边缘越锐利 return cv2.Laplacian(img, cv2.CV_64F).var() # 对比增强前后的清晰度得分 before laplacian_score(resource/test1.png) after laplacian_score(output/enhanced.jpg) print(f清晰度得分 - 增强前: {before:.2f}, 增强后: {after:.2f})这段代码的思路是Laplacian 算子对边缘敏感模糊图像的边缘梯度弱方差自然偏低增强如果有效方差会明显上升。参数说明cv2.Laplacian 的 ddepth 参数用 CV_64F 是为了避免梯度计算时的截断误差var() 返回的是像素级方差。这个指标虽然不能完全代表主观质量但作为答辩时的量化佐证已经足够配合两到三组对比图就能形成完整证据链。4. 两套部署文档的适用边界Django 与 Flask 怎么选4.1 部署文档到底写了什么从环境准备到启动根目录里同时存在 Django系统部署文档.md 和 Flask系统部署文档.md说明作者分别用两套后端框架封装了推理服务。这样做的好处是覆盖了不同人群的偏好Django 适合展示完整站点包括后台管理、路由分发、模板渲染Flask 适合轻量级接口演示代码量小、上手快。如果你毕设侧重点是「系统设计」和「工程化能力」选 Django如果侧重点是「模型本身」和「推理效果」选 Flask。两份文档的共性是包含环境准备、依赖安装、启动命令和浏览器访问地址。它们的差异在目录结构上Django 项目有 settings.py、urls.py、views.py 等固定文件Flask 项目通常只有一个 app.py 加 templates 目录。不管哪套核心逻辑都是把 Test.py 的推理过程封装成一个 HTTP 接口前端通过上传图片按钮调用该接口服务器端返回增强后的图片。4.2 Flask 轻量部署的启动方式Flask 部署最适合快速演示代码结构一目了然。我拆过很多类似项目最常见的就是把 FaceEnhance 模型加载放到全局变量避免每次请求都重新加载权重。这里有个细节模型加载必须在路由函数之前完成否则每来一个请求就加载一次模型显存会被撑爆。# 一个最小化的 Flask 推理服务示例 import os import cv2 import torch from flask import Flask, request, jsonify, send_file app Flask(__name__) # 全局只加载一次模型避免重复初始化 model FaceEnhance() model.load_state_dict(torch.load(model/face_model.pth, map_locationcpu)) model.eval() app.route(/enhance, methods[POST]) def enhance(): # 接收前端上传的图片文件 file request.files[image] img cv2.imdecode(np.frombuffer(file.read(), np.uint8), cv2.IMREAD_COLOR) # 调用增强函数输入原图输出增强结果 result model.enhance(img) # 保存到临时目录并返回给前端 temp_path data/temp_result.jpg cv2.imwrite(temp_path, result) return send_file(temp_path, mimetypeimage/jpeg) if __name__ __main__: app.run(host0.0.0.0, port5000)逻辑说明FaceEnhance() 这个类被实例化为全局对象load_state_dict 加载权重enhance 函数接收 numpy 数组返回 numpy 数组send_file 直接把图片文件传回浏览器。参数说明map_locationcpu 非常关键如果毕设电脑没有 N 卡 CUDA 环境不写这个参数会直接报错port5000 是 Flask 默认端口如果被占用换成 5001 即可。启动命令很简单pip install flask opencv-python torch python app.py然后浏览器访问 http://127.0.0.1:5000用 Postman 或者前端页面做一次 POST 请求上传图片。提示如果你用的是虚拟环境请先激活再执行 pip install否则依赖可能会装到系统全局环境里项目迁到别的机器时又得重新排查一遍。4.3 Django 部署的注意事项与区别Django 部署相对重一些它需要你理解 settings.py 里的媒体文件处理逻辑。Django 处理图片上传默认走 MEDIA_ROOT 和 MEDIA_URL这和 Flask 手动读写临时文件的方式完全不同。部署文档里如果写到 images 上传后的存储路径那大概率就是用的 Django FileField。Django 部署容易踩的坑是静态文件和媒体文件路径配置。如果你从 GitHub 拉下来的 Django 项目没有迁移数据库直接运行 python manage.py runserver 可能会报错。标准的启动顺序是pip install django djangorestframework torch python manage.py makemigrations python manage.py migrate python manage.py runserver 0.0.0.0:8000迁移数据库是 Django 和 Flask 最大的差异点因为 Django 自带 ORM 和 admin 后台首次运行必须先建表。如果你启动时报错说某个表不存在多半就是忘了执行 migrate。另一个差异是 Django 的 urls.py 路由配置如果你新增了接口必须在 urls.py 里注册否则 404。这一点在毕设答辩演示时特别容易翻车很多人现场演示时发现接口调不通最后一看是 url 写错了。5. 避坑环境、路径、显存与归一化容易翻车的四个地方5.1 torch.cuda.is_available() 返回 False代码直接报错现象运行 Test.py 时提示 CUDA 不可用程序退出。原因PyTorch 版本与显卡驱动不匹配或者装的是 CPU 版 PyTorch。解决先执行python -c import torch; print(torch.cuda.is_available())确认环境如果返回 False去官网安装对应 CUDA 版本的 PyTorch如果电脑没有 N 卡直接找代码里的 device 变量改成 cpu同时把加载权重的 map_location 参数也改成 cpu。5.2 模型加载报错 size mismatch权重和模型对不上现象加载 .pth 文件时提示 size mismatch for encoder.0.weight。原因权重文件来自不同网络结构版本或者你修改了 FaceEnhance.py 里的通道数。解决不要自己改模型通道数直接使用原始 FaceEnhance.py 里的定义。如果必须修改就把 model 目录里的权重文件一并换成与你网络匹配的新权重。这种情况在毕设资源里经常出现原因就是作者改过代码但忘记重新训练权重。5.3 效果图色彩异常人脸发绿或发蓝现象增强后的图片整体偏色皮肤变成绿色或蓝色。原因OpenCV 读图默认 BGR但模型在训练时用的是 RGB。如果你的预处理里没有做 BGR 转 RGB输出自然偏色。解决在 cv2.imread 之后加上 cv2.cvtColor(img, cv2.COLOR_BGR2RGB)输出保存时再转回 BGR。这个问题很隐蔽因为有时候偏色不明显而一旦人脸图像增强效果图发绿答辩时一眼就会被看出来。5.4 内存或显存不足程序中途崩溃现象运行到一半报 CUDA out of memory 或 MemoryError。原因输入图片太大或者批量推理时单次输入了多张图。解决把输入尺寸从 512 降到 256或者将推理代码改为单张处理。常见的做法是在预处理里先做 resize而不是让模型自适应输入。如果 CPU 内存不足检查是否有其他地方加载了多余的大数组比如读取整批图片后统一处理而不是逐张处理。6. 把资源变成自己的毕设三个还能继续做的方向拿到手的资源能跑通只是第一步毕设评分的高低往往取决于你在这个基础上做了哪些增量工作。第一个推荐方向是增加人脸关键点对齐的可视化对输入人脸画关键点、对增强后的人脸也画关键点然后对比两者的位置偏差。这个改动不大但答辩时可以直观说明模型没有改变五官结构。第二个方向是增加 PSNR/SSIM 自动评估模块并在界面上生成对比图。虽然项目本身没有附带未模糊的 ground truth但你可以用 test1.png 先手动高斯模糊出一张低清图再送进模型增强最后拿原图和增强结果算 PSNR。这样你就拥有了完整的「构造数据 → 增强 → 评估」链路答辩时展示这条链路比单纯展示一张图要有说服力得多。第三个方向是把模型封装成带置信度输出的接口。当前资源输出的是一张增强后的图片如果你在 FaceEnhance.py 中额外输出一个质量分数就能在页面上显示增强前后的清晰度变化。我一般会在后处理阶段同时计算 Laplacian 方差并写入结果这样用户能直观看到增强效果提升了多少而不是只看到一个安静的输出图片。# 在推理结果中同时返回清晰度得分 def enhance_with_score(model, img_tensor): with torch.no_grad(): output model(img_tensor) # 输出张量转回 uint8 图像 out_np output.squeeze(0).permute(1, 2, 0).numpy() out_np np.clip(out_np * 255, 0, 255).astype(np.uint8) # 同时基于输入计算原始清晰度 score_before cv2.Laplacian(img_tensor.squeeze(0).permute(1, 2, 0).numpy(), cv2.CV_64F).var() score_after cv2.Laplacian(out_np, cv2.CV_64F).var() return out_np, score_before, score_after参数说明score_before 和 score_after 分别对应增强前后的 Laplacian 方差在答辩演示时把这两个数字直接投射到页面上比口头描述“看起来变清晰了”更有说服力。如果你选择把这个功能接到 Flask 接口里只需要在 enhance 路由里同时返回结果图和分数即可。上个月我也帮人拆过类似的超分项目当时最深的教训是环境隔离没做好anaconda 里各种版本的 torch 混在一起最后花了五个小时才把环境对齐。从那以后我每次拆这种毕设资源都强制要求自己先建一个全新的虚拟环境把依赖文档里的版本号逐条核对后再运行走过的弯路多了反而越觉得这类带双部署文档的项目最值得下载因为它的边界和坑都写在文档里了。希望帮到你。本文还有配套的精品资源点击获取