Python全栈项目--基于深度学习的图像超分辨率系统

天天进步20152026-07-22 11:48

一、项目简介

图像超分辨率（Super Resolution）是计算机视觉中非常常见的应用场景：将低分辨率图片放大为更清晰的高分辨率图片，可用于老照片修复、监控画面增强、电商商品图优化、医学影像辅助分析等业务。

本文实现一个完整的 Python 全栈项目：基于深度学习的图像超分辨率系统。它不是只讲算法概念，而是把"用户登录、图片上传、任务管理、结果下载、前后端交互、数据库落库、接口鉴权"全部串起来，形成一个可运行的业务系统。

项目采用 FastAPI + SQLite + Vue 3（Vite）技术栈。后端超分推理流程改用 PyTorch 实现：上传图片先转换为 NCHW Tensor，再通过 torch.nn.functional.interpolate 完成 bicubic 上采样，并使用逐通道卷积锐化核增强细节；同时通过 model_name 字段预留 FSRCNN、EDSR、Real-ESRGAN 等真实模型接入位置。

二、技术栈

层级 技术 作用
后端框架 FastAPI 提供 RESTful API、文件上传、接口鉴权
数据库 SQLite 保存用户、Token、超分任务记录
ORM SQLAlchemy 定义数据模型并操作数据库
数据校验 Pydantic 请求参数和响应结构校验
超分推理 PyTorch + Pillow PyTorch 执行 Tensor 上采样与卷积增强，Pillow 负责图片读取与保存
前端框架 Vue 3 + Vite 构建单页应用、组件状态管理、接口调用
鉴权方式 Bearer Token 登录后生成 Token，保护核心业务接口

三、系统架构

系统分为三层：

text 复制代码 
浏览器 Vue 3 前端
  ├── 注册/登录页面
  ├── 上传超分任务页面
  └── 任务列表与结果下载页面
        ↓ HTTP/JSON/FormData
FastAPI 后端服务
  ├── 用户认证模块
  ├── 图片上传模块
  ├── 超分推理模块
  ├── 任务管理模块
  └── 文件下载模块
        ↓ SQLAlchemy
SQLite 数据库 + 本地文件存储
  ├── users
  ├── access_tokens
  ├── image_jobs
  ├── uploads/
  └── results/

前端通过 api.js 统一封装请求。登录成功后 Token 存储在 localStorage，后续请求自动携带 Authorization: Bearer <token>。后端对 /api/jobs 等核心接口进行鉴权，确保用户只能操作自己的任务。

四、功能模块

1. 用户认证模块

  • 用户注册：用户名、邮箱、密码。
  • 密码哈希：使用 PBKDF2-HMAC-SHA256 加盐存储。
  • 用户登录：验证密码后生成随机 Token。
  • 退出登录：撤销当前 Token。
  • 登录状态：前端刷新页面时调用 /api/auth/me 恢复用户状态。

2. 图像超分任务模块

  • 上传低分辨率图片。
  • 设置任务标题、放大倍数（2x、3x、4x）、模型名称、备注。
  • 后端保存原图到 uploads/。
  • 执行 PyTorch 教学版超分推理并保存到 results/。
  • 数据库保存任务记录，包括文件名、输出路径、模型、状态等。

3. 历史任务模块

  • 查询当前用户的所有任务。
  • 查看任务标题、模型、倍数、指标、创建时间。
  • 下载处理后的图片。
  • 删除任务记录。

五、数据库/数据模型设计

项目中定义了三个核心表。

users 用户表

字段 类型 说明
id Integer 主键
username String 用户名，唯一
email String 邮箱，唯一
password_hash String 加盐哈希后的密码
created_at DateTime 创建时间

access_tokens 登录令牌表

字段 类型 说明
id Integer 主键
token String 随机 Token，唯一
user_id Integer 所属用户
created_at DateTime 创建时间

image_jobs 超分任务表

字段 类型 说明
id Integer 主键
owner_id Integer 任务所属用户
title String 任务标题
original_filename String 原始文件名
scale Integer 放大倍数
model_name String 模型名称
status String 任务状态
input_path String 原图路径
output_path String 结果图路径
notes Text 备注
psnr String 演示指标
created_at DateTime 创建时间

核心模型代码如下：

python 复制代码 
class User(Base):
    __tablename__ = "users"
    id = Column(Integer, primary_key=True, index=True)
    username = Column(String(64), unique=True, index=True, nullable=False)
    email = Column(String(120), unique=True, index=True, nullable=False)
    password_hash = Column(String(255), nullable=False)
    created_at = Column(DateTime, default=datetime.utcnow)

class ImageJob(Base):
    __tablename__ = "image_jobs"
    id = Column(Integer, primary_key=True, index=True)
    owner_id = Column(Integer, ForeignKey("users.id"), nullable=False)
    title = Column(String(120), nullable=False)
    original_filename = Column(String(255), nullable=False)
    scale = Column(Integer, default=2)
    model_name = Column(String(80), default="FSRCNN-lite")
    status = Column(String(30), default="completed")
    input_path = Column(String(255), nullable=False)
    output_path = Column(String(255), nullable=False)

六、后端接口设计

方法 路径 功能 是否鉴权
GET /api/health 服务健康检查 否
POST /api/auth/register 注册用户 否
POST /api/auth/login 用户登录 否
GET /api/auth/me 获取当前用户 是
POST /api/auth/logout 退出登录 是
POST /api/jobs 上传图片并创建超分任务 是
GET /api/jobs 获取当前用户任务列表 是
GET /api/jobs/{job_id} 获取任务详情 是
GET /api/jobs/{job_id}/download 下载结果图 是
DELETE /api/jobs/{job_id} 删除任务 是

鉴权依赖示例：

python 复制代码 
def current_user(authorization: str = Header(default=""), db: Session = Depends(get_db)):
    if not authorization.startswith("Bearer "):
        raise HTTPException(status_code=401, detail="缺少 Bearer Token")
    token = authorization.removeprefix("Bearer ").strip()
    user = crud.get_user_by_token(db, token)
    if not user:
        raise HTTPException(status_code=401, detail="登录已失效")
    return user

上传任务接口使用 multipart/form-data：

python 复制代码 
@app.post("/api/jobs", response_model=schemas.ImageJobRead)
def upload_job(
    title: str = Form(...),
    scale: int = Form(2),
    model_name: str = Form("FSRCNN-lite"),
    notes: str = Form(""),
    file: UploadFile = File(...),
    db: Session = Depends(get_db),
    user: models.User = Depends(current_user),
):
    data = schemas.ImageJobCreate(title=title, scale=scale, model_name=model_name, notes=notes)
    return crud.create_image_job(db, user, data, file)

七、前端页面设计

前端使用 Vue 3 + Vite 构建单页应用，主要包含以下区域：

  1. 顶部介绍区：展示系统名称和项目定位。
  2. 注册表单：输入用户名、邮箱、密码。
  3. 登录表单：登录后保存 Token。
  4. 任务创建表单：填写标题、选择模型、选择放大倍数、上传图片。
  5. 任务列表：展示历史任务、下载结果、删除任务。

api.js 对请求进行统一封装：

javascript 复制代码 
async function request(path, options = {}) {
  const headers = options.headers || {}
  const token = getToken()
  if (token) headers.Authorization = `Bearer ${token}`
  const res = await fetch(`${API_BASE}${path}`, { ...options, headers })
  const body = res.headers.get('content-type')?.includes('application/json')
    ? await res.json()
    : await res.blob()
  if (!res.ok) throw new Error(body.detail || '请求失败')
  return body
}

任务上传时使用 FormData：

javascript 复制代码 
const fd = new FormData()
fd.append('title', jobForm.title)
fd.append('scale', jobForm.scale)
fd.append('model_name', jobForm.model_name)
fd.append('notes', jobForm.notes)
fd.append('file', selectedFile.value)
await api.createJob(fd)

八、核心代码讲解

1. 密码哈希

系统没有明文保存密码，而是用随机盐和 PBKDF2 生成哈希：

python 复制代码 
def hash_password(password: str, salt: Optional[str] = None) -> str:
    salt = salt or secrets.token_hex(16)
    digest = hashlib.pbkdf2_hmac(
        "sha256", password.encode("utf-8"), salt.encode("utf-8"), 120_000
    )
    return f"{salt}${digest.hex()}"

校验密码时重新计算哈希，并使用 secrets.compare_digest 防止简单时序攻击。

2. Token 鉴权

登录成功后后端生成随机 Token：

python 复制代码 
def create_token(db: Session, user: models.User) -> models.AccessToken:
    token = models.AccessToken(token=secrets.token_urlsafe(32), user_id=user.id)
    db.add(token)
    db.commit()
    db.refresh(token)
    return token

前端保存该 Token，后续请求统一带上请求头：

javascript 复制代码 
headers.Authorization = `Bearer ${token}`

3. 超分推理流程

超分模块用 PyTorch 实现。教学版不依赖外部模型权重，而是保留深度学习推理的基本结构：图片读取后转换成 NCHW Tensor，使用 PyTorch bicubic 上采样放大，再通过逐通道卷积锐化核增强边缘细节，最后保存到 results/。

python 复制代码 
class TorchSuperResolutionModel:
    def __init__(self, scale: int):
        self.scale = max(1, int(scale))

    def __call__(self, image_tensor):
        import torch
        import torch.nn.functional as F

        upscaled = F.interpolate(
            image_tensor,
            scale_factor=self.scale,
            mode="bicubic",
            align_corners=False,
        )
        channels = upscaled.shape[1]
        kernel = torch.tensor(
            [[0.0, -1.0, 0.0], [-1.0, 5.0, -1.0], [0.0, -1.0, 0.0]],
            dtype=upscaled.dtype,
            device=upscaled.device,
        ).view(1, 1, 3, 3).repeat(channels, 1, 1, 1)
        return F.conv2d(upscaled, kernel, padding=1, groups=channels).clamp(0.0, 1.0)

业务入口保持 run_super_resolution(input_path, output_path, scale) 不变。未来如果要接入真实模型，只需将 TorchSuperResolutionModel.__call__ 替换为 FSRCNN、EDSR、Real-ESRGAN 等模型的前向推理。

九、部署与运行步骤

1. 运行后端

bash 复制代码 
cd project/backend
python3 -m venv .venv
source .venv/bin/activate
pip install -r requirements.txt
uvicorn app.main:app --reload --host 0.0.0.0 --port 8000

后端默认地址：http://127.0.0.1:8000。

2. 运行前端

bash 复制代码 
cd project/frontend
npm install
npm run dev

前端默认访问后端 http://127.0.0.1:8000，Vite 默认页面通常为 http://127.0.0.1:5173。

3. 使用流程

  1. 打开前端页面。
  2. 注册新用户。
  3. 登录系统。
  4. 上传一张低分辨率图片。
  5. 选择 2x、3x 或 4x 放大。
  6. 查看任务列表并下载结果图片。

十、项目总结

本文完成了一个完整的 Python 全栈项目：基于深度学习的图像超分辨率系统。它覆盖了从用户认证、数据库设计、图片上传、推理处理、任务管理到 Vue 前端交互的完整流程。

这个项目的亮点在于：

  • 不是单纯算法 Demo，而是可运行的全栈业务系统。
  • 后端接口有完整注册、登录、Token 鉴权。
  • 核心业务接口按用户隔离，避免越权访问。
  • 前端使用 Vue 3 + Vite，具备登录状态处理和鉴权请求。
  • 推理模块已使用 PyTorch 张量与卷积算子实现，接口清晰，方便后续替换为真实深度学习模型。

后续可继续扩展任务队列、GPU 推理、模型管理、图片预览对比、SSIM/PSNR 自动评估、管理员后台等功能，使其进一步接近生产级图像增强平台。

项目代码

下载链接

相关推荐
LadenKiller1 小时前
近期AI协作写量化规则，要按阶段安排任务
人工智能·python
ellenwan20261 小时前
近期AI协作量化实现，先补规则清晰度和流程完整性
人工智能·python
小小晓.2 小时前
C++小白记：C风格字符串和数组用法
c语言·开发语言·c++
卷无止境2 小时前
Python 类型注解与运行时反射：从原理到工程实践
后端·python
Helen_cai2 小时前
OpenHarmony 项目统一全局样式、尺寸、色彩主题封装 ThemeUtil（API23）
开发语言·前端·javascript·华为·harmonyos
郑州光合科技余经理2 小时前
家政O2O平台解析：从0搭建上门预约小程序解决方案
android·java·开发语言·前端·小程序·架构·php
酷可达拉斯2 小时前
Linux操作系统-shell编程(0)
linux·运维·服务器·python·云计算
W658034192 小时前
2026年AI编程工具实测横评：Claude Code v2.1、Cursor 3.0、Trae SOLO、Copilot、Windsurf 谁更好用？
python·copilot·ai编程
数智工坊2 小时前
RehearseVLA深度解析：基于物理一致世界模型的VLA强化学习后训练框架
人工智能·深度学习·3d·机器人
热门推荐
012026年7月AI圈大地震：GPT-5.6被政府限制、Claude入驻Slack、Anthropic自研芯片02GitHub 镜像站点03如何新建文件夹？ 电脑新建文件夹的4种方法04AI科技热点日报 | 2026年07月01日05幻兽帕鲁 - 服务器管理员权限与 GM 命令完全指南06国内可直接用、免费额度/永久免费的大模型API清单（含 SiliconFlow、火山、阿里、智谱、百度、Kimi、DeepSeek、DMXAPI 等）07AI 编程 IDE 全景解析 2026：Agent 全面接管开发链路082026 年 AI 大模型 & AI 编程工具实战全总结092026 国产 AI 大模型横评：DeepSeek、通义千问、Kimi、文心一言、星火、豆包谁更能打？102026年AI技术突破与产业落地全景：从GPT-5到多模态智能体的新纪元