小伙伴们应该在别的自媒体平台上看到过,关于老照片修复的文章或短视频,而这项技术目前在用户群体中很受欢迎,目前作为服务早早已经在各大电商平台售卖了
文章图片
作为一个技术号主,今天给大家介绍一个老照片修复相关的 Github 项目,并手把手教学,带大家将这个项目起来,
学会了之后可以把项目应用到自己收集的图片上,有想法的读者也可以借助这个项目帮别人修复照片赚点零花钱,岂不美滋滋~
Github 项目叫Bringing-Old-Photos-Back-to-Life,是微软公司把去年发表在 CVPR 上的一篇期刊的源码,项目地址 https://github.com/microsoft/...
名称就代表了项目用途:对老照片进行修复,恢复它原有的样貌;下面是官方公布的一些修复前后对比效果图,看上去是不是很赞 ~
文章图片
根据上面给定的样例,如果对项目的功能细分的话可分为以下三类
- 1,旧照片全景修复;
- 2,照片折痕识别、修复;
- 3,照片人脸识别、人脸部分增强;
- OS: Windows 10,
- Python :python 3.7.6,
- IDE : Pycharm;
- torch : 1.6.0+cpu
- torchvision :0.7.0+cpu
文章图片
项目下载方式有两种,
Download Zip
或 git 命令(需借助 Git 工具) ;Download Zip
通过浏览器来下载,得到的是个解压包,下载到本地之后解压即可解压后的目录如下:
文章图片
2,配置环境 该项目是基于深度学习训练得到的,但官方已经提供了训练好的权重文件,可以直接下载下来供我们使用(网络当然也可以重新训练,但极其不建议,因为耗时、耗钱并且最终权重精度远不如官方),一共需要配置 3 部分权重文件
2.1 Global 权重配置 该权重是用于图片全局修复,下载地址
https://facevc.blob.core.windows.net/zhanbo/old_photo/pretrain/Global/checkpoints.zip
下载后把文件加压至
./Global
文件目录下2.2Face_Detection 权重 在前面项目介绍中,提到过该项目除了可以照片修复之外,还可以进行人脸增强,简单理解就是把模糊的人脸图像清晰化
人脸增强 首先需要解决的是人脸识别问题,项目中借助的是一个Python库 dlib,关于 dlib 使用可以参考之前我写的一篇文章 实现人脸识别、人脸68个特征点提取,或许这个 Python 库能帮到你!
dlib 库安装也可以通过 pip 工具,但需要注意两个点 :
- 1, pip 安装 dlib 之前,需提前安装好 Cmake,
pip install Cmake
,否则会安装失败; - 2,用 dlib 进行人脸识别需要下载一个权重文件
./Face_Detection/
中http://dlib.net/files/shape_predictor_68_face_landmarks.dat.bz2
2.3 Face_Enhancement 权重 Face_Enhancement 权重用于人脸部位增强,下载后权重文件解压至
./Face_Enhancement
,下载地址如下https://facevc.blob.core.windows.net/zhanbo/old_photo/pretrain/Face_Enhancement/checkpoints.zip
2.4 Synchronized-BatchNorm-PyTorch 这是 Pytorch 框架的一个 同步BatchNorm 一个分支仓库,此项目中用到了这个模块;仓库地址
https://github.com/vacancy/Sy...
文章图片
将仓库克隆到本地,解压后目录如下:
文章图片
项目中两处地方用到了
sync_batchnorm
文件夹,这里需要注意下一下1,将
sync_batchnorm
复制到 Face_Enhancement/models/network
文件夹下,还需要改动一点项目中的代码部分,找到 Face_Enhancement/models/network/normalize.py
脚本,更改第 8 行代码,将from models.networks.sync_batchnorm import SynchronizedBatchNorm2d
改为
from models.networks.sync_batchnorm.batchnorm import SynchronizedBatchNorm2d
文章图片
2,将
sync_batchnorm
复制到 Global/detection_models
,找到 Global/detection_models/network.py
脚本,更改第7 行代码,将from detection_models.sync_batchnorm import DataParallelWithCallback
改为
from detection_models.sync_batchnorm.replicate import DataParallelWithCallback
文章图片
2.5 安装依赖项 在终端输入下面命令,安装项目中所需的第三方程序包
pip install -r requirements.txt
3,运行,修复自己收集的图片 上面环境配置好之后,下面就可以正常使用了;在项目中官方给的有测试图片,存放在 test_images, 分为两类
- old 老照片,没有折痕的照片;
文章图片
- old_w_scratch ,有折痕的照片
文章图片
3.1 修复不带折痕的照片 对于不带折痕的照片,终端输入时需要三个参数,
--input_folder
,存放需要修复图片的文件路径,不指定时默认为./test_images/old
;--output_folder
,存放修复后图片的文件路径,不指定时默认为./output/
--GPU
,指定用到的 GPU 编号,可设定为0
、0,1
或0,1,2
,没有 GPU 配置时 设为-1
表示运行时只用 CPU ;设定 GPU 时需要确保配置的 Pytorch 是 GPU 版本,相对 CPU 的话,GPU 测试时间会更短;
--input_folder、--output_folder
参数都为默认,所以命令中加这两个参数,电脑比较渣没有 GPU所以设为 -1;python run.py --GPU -1
3.2 修复带折痕的照片 与不带折痕相比,修复带折痕照片要多加入一个参数
--with_scratch
,还有一点不同的是存放原照片默认路径更改为为 ./test_images/old_w_scratch
,其它参数设置见 3.1终端中输入的测试命令如下:
python run.py --GPU -1 --with_scratch
最终的运行结果
文章图片
官方在
./test_images/old
和 ./test_images/old_w_scratch
文件夹下提供的有测试图片,读者们想要测试自己收集的图片时,有两种方法- 1,把自己图片放入默认
--input_folder
文件夹中,运行时无需指定--input_folder
参数 - 2,运行命令指定
--input_folder
参数,后跟自己存放照片的文件路径;
不带折痕的
图一
文章图片
图二
文章图片
图三
文章图片
图四
文章图片
上面这张图大致一看没什么变化,是因为原图像本身就很清晰,但如果把图片放大的话就明显看到两者之间的差距
放大后的左图
文章图片
放大后的右图
文章图片
带有折痕的图片修复
图一
文章图片
图二
文章图片
图三
文章图片
小结 关于本项目中图像修复技术原理,这里并没有特别介绍,如果只是想用一下这项技术的话,这篇文章已经足够能帮到你了。
【火爆全网的老照片修复技术,今天手把手教你用怎么玩】以上就是本次分享的所有内容,如果你觉得文章还不错,欢迎关注公众号:Python编程学习圈,每日干货分享,发送“J”还可领取大量学习资料。或是前往编程学习网,了解更多编程技术知识。