Python机器学习之实现模糊照片人脸恢复清晰

目录
  • 前言
  • 环境安装
  • 验证模型
  • 总结

前言

最近看到一个有意思的机器学习项目——GFPGAN，他可以将模糊的人脸照片恢复清晰。开源项目的Github地址：https://github.com/TencentARC/GFPGAN

我们看一看作者给出的对比图。

最右侧的就是GFPGAN的效果，看一下最左层的输入图片，可以发现GFPGAN将图片恢复的非常清晰。这个效果非常惊艳。

按照以前的惯例，我还是先把这个项目安装使用一下，看看能不能对代码重新封装，变成可以工程化的项目。

环境安装

我们先看一下项目README给的提示。

首先需要的python版本是>=3.7的，所以我用Anaconda创建了一个python3.9的虚拟环境。Pytorch的安装直接从官网获取命令安装一个最新版本即可。

因为还有一些基础依赖的安装，照着安装一下就行，其实setup.py是已经在项目中的，如下图。

由于模型比较大，所以作者没有放在github上，给了下面的下载提示。该模型是作者提供已经训练好的模型。

如果下载很慢的话，可以从我的网盘下载。

链接提取码：TUAN

作者还提供了基础模型可供自行训练。

验证模型

下面我准备了一些图，挑了一些比较典型的图片，有黑白的、彩色的以及马赛克的，想看看是不是都可以实现清晰化处理。

准备的图片如下：

按照README提供的指令

python inference_gfpgan.py --upscale 2 --test_path inputs/newImages --save_root results

看一下执行结果：

(pytorch39) C:\Users\yi\PycharmProjects\GFPGAN>python inference_gfpgan.py --upscale 2 --test_path inputs/newImages --save_root results
C:\Users\yi\PycharmProjects\GFPGAN\inference_gfpgan.py:45: UserWarning: The unoptimized RealESRGAN is very slow on CPU. We do not use it. If you really want to use it, p
lease modify the corresponding codes.
  warnings.warn('The unoptimized RealESRGAN is very slow on CPU. We do not use it. '
Processing 331.jpg ...
E:\ProgramData\Anaconda3\envs\pytorch39\lib\site-packages\torch\nn\functional.py:3679: UserWarning: The default behavior for interpolate/upsample with float scale_factor
 changed in 1.6.0 to align with other frameworks/libraries, and now uses scale_factor directly, instead of relying on the computed output size. If you wish to restore th
e old behavior, please set recompute_scale_factor=True. See the documentation of nn.Upsample for details.
  warnings.warn(
Processing 333.jpg ...
Processing 334.jpg ...
Processing 335.jpg ...
Results are in the [results] folder.

(pytorch39) C:\Users\yi\PycharmProjects\GFPGAN>

按照默认参数，会在results结果文件夹中生成4个目录分别为前后对比图、原检测出来的脸部图、处理后的脸部图、处理后的最终图。

我们看看效果

 

可以看出两点：

1、马赛克不能消除，有一张全马赛克的图片，直接无法修复。

2、常规的模糊照片修复的是真的很清晰呀。

总结

总的来说该项目是非常优秀的，从最终图片的效果上来说，非常好了，至于去除马赛克还是得看别的项目了。后面研究研究这么项目，看能不能改改。

以上就是Python机器学习之实现模糊照片人脸恢复清晰的详细内容，更多关于Python模糊照片人脸恢复清晰的资料请关注我们其它相关文章！

赞 (0)

相关推荐

  • Python 照片人物背景替换的实现方法

    Python 照片人物背景替换的实现方法

    目录 前言 项目说明 项目结构 数据准备 替换背景图代码 代码说明 验证一下效果 总结 前言 本文的github仓库地址为: 替换照片人物背景项目(模型文件过大,不在仓库中) 由于模型文件过大,没放在仓库中,本文下面有模型下载地址. 项目说明 项目结构 我们先看一下项目的结构,如图: 其中,model文件夹放的是模型文件,模型文件的下载地址为:模型下载地址 下载该模型放到model文件夹下. 依赖文件-requirements.txt,说明一下,pytorch的安装需要使用官网给出的,避免显卡驱

  • Python实现老照片修复之上色小技巧

    Python实现老照片修复之上色小技巧

    导语 "黑白变彩色,就是这么简单" 老照片上色,是一门功夫,费时费力. 老照片上色,也是一门艺术,还原历史. 提起老照片上色,小编第一个想到了的就是一位名叫Marina Amaral的艺术家,她将历史上很多著名的老照片,都用后期处理的方式填补上了颜色. 逼真.写实,看不出丝毫的漏洞,你对她的作品有多钦佩,也就意味着这项技艺有多复杂. 所以,你想学习老照片上色吗?也想把父母的照片,或者儿时的黑白照变成彩色的吗? 那木木子给你的建议的是:别费劲了,因为,这项工作,以后交给AI去完成就可以了

  • Python实现照片卡通化

    Python实现照片卡通化

    目录 前言 环境部署 项目使用 景色类图像使用 人像类图像使用 总结 前言 之前看到一个有意思的开源项目,主要是可以将一张照片变成卡通漫画的风格.下面给大家放几张官方给出的部分效果图. 看到这个效果图,还是非常经验的.下面我会分享一下这个项目,并且选择一些我自己找的图片试验一下. 项目Github地址:github地址  环境部署 先使用git将项目下载下来.看一下项目结构. 我们看一下需要的环境. 非常简单,只要pytorch就可以了.如果有不太会安装的,可以参考:机器学习基础环境部署  项目

  • Python 人工智能老照片修复算法学习

    Python 人工智能老照片修复算法学习

    目录 前言 项目环境搭建 conda虚拟环境创建 激活环境 Pytorch安装 Synchronized-BatchNorm-PyTorch repository安装 Global目录Synchronized-BatchNorm-PyTorch项目部署 检测预处理模型下载 下载脸部增强模型文件 下载依赖 完整部署后项目结构 项目使用 验证一下 总结 前言 老旧或者破损的照片如何修复呢?本文主要分享一个博主使用后非常不错的照片恢复开源项目:Bringing-Old-Photos-Back-to-L

  • Python DPED机器学习之实现照片美化

    Python DPED机器学习之实现照片美化

    目录 前言 环境部署 项目结构 tensorflow安装 其他依赖安装 VGG-19下载 项目运行 准备图片素材 测试效果 前言 最近发现了一个可以把照片美化的项目,自己玩了玩,挺有意思的,分享一下. Github地址:DPED项目地址 下面来看看项目怎么玩?先放一些项目给出的效果图.可以看出照片更明亮好看了. 环境部署 项目结构 下面是项目的原始结构: tensorflow安装 按照项目的说明,我们需要安装tensorflow以及一些必要的库. 如果安装gpu版本的tensorflow需要对照

  • Python机器学习之实现模糊照片人脸恢复清晰

    Python机器学习之实现模糊照片人脸恢复清晰

    目录 前言 环境安装 验证模型 总结 前言 最近看到一个有意思的机器学习项目--GFPGAN,他可以将模糊的人脸照片恢复清晰.开源项目的Github地址:https://github.com/TencentARC/GFPGAN 我们看一看作者给出的对比图. 最右侧的就是GFPGAN的效果,看一下最左层的输入图片,可以发现GFPGAN将图片恢复的非常清晰.这个效果非常惊艳. 按照以前的惯例,我还是先把这个项目安装使用一下,看看能不能对代码重新封装,变成可以工程化的项目. 环境安装 我们先看一下项目

  • python 使用百度AI接口进行人脸对比的步骤

    python 使用百度AI接口进行人脸对比的步骤

    1. 注册百度云账号 注册百度智能云,提交申请. 创建应用获取AppID,API Key,Secret Key. 2. 安装baidu python api 人脸对比 API 文档 pip install baidu-aip 调用: import base64 from aip import AipFace APP_ID = '你的 App ID' API_KEY = '你的 Api Key' SECRET_KEY = '你的 Secret Key' client = AipFace(APP_I

  • 超详细注释之OpenCV实现视频实时人脸模糊和人脸马赛克

    超详细注释之OpenCV实现视频实时人脸模糊和人脸马赛克

    目录 1. 效果图 2. 原理 2.1 什么是人脸模糊,如何将其用于人脸匿名化? 2.2 执行人脸模糊/匿名化的步骤 3. 源码 3.1 图像人脸模糊源码 3.2 实时视频流人脸模糊源码 参考 这篇博客将介绍人脸检测,然后使用Python,OpenCV模糊它们来"匿名化"每张图像,以确保隐私得到保护,保证没有人脸可以被识别如何使用. 并介绍俩种模糊的方法:简单高斯模糊.像素模糊. 人脸模糊和匿名化的实际应用包括: 公共/私人区域的隐私和身份保护 在线保护儿童(即在上传的照片中模糊未成年

  • Python三十行代码实现简单人脸识别的示例代码

    一.库介绍 opencv,face_recognition,numpy,以及dlib 注意: 安装opencv速度可能过慢,需要更换国内镜像源,参考:https://www.jb51.net/article/208359.htm 附带Python3.7,64位版本 dlib whl下载路径:dlib-19_jb51.rar 二.库安装 pip install opencv-python pip install face_recognition pip install numpy dlib库需进入

  • Python机器学习之决策树

    Python机器学习之决策树

    一.要求 二.原理 决策树是一种类似于流程图的结构,其中每个内部节点代表一个属性上的"测试",每个分支代表测试的结果,每个叶节点代表一个测试结果.类标签(在计算所有属性后做出的决定).从根到叶的路径代表分类规则. 决策树学习的目的是为了产生一棵泛化能力强,即处理未见示例能力强的决策树.因此如何构建决策树,是后续预测的关键!而构建决策树,就需要确定类标签判断的先后,其决定了构建的决策树的性能.决策树的分支节点应该尽可能的属于同一类别,即节点的"纯度"要越来越高,只有这

  • Python 机器学习工具包SKlearn的安装与使用

    Python 机器学习工具包SKlearn的安装与使用

    1.SKlearn 是什么 Sklearn(全称 SciKit-Learn),是基于 Python 语言的机器学习工具包. Sklearn 主要用Python编写,建立在 Numpy.Scipy.Pandas 和 Matplotlib 的基础上,也用 Cython编写了一些核心算法来提高性能. Sklearn 包括六大功能模块: 分类(Classification):识别样本属于哪个类别,常用算法有 SVM(支持向量机).nearest neighbors(最近邻).random forest(

  • Python机器学习NLP自然语言处理基本操作家暴归类

    Python机器学习NLP自然语言处理基本操作家暴归类

    目录 概述 数据介绍 词频统计 朴素贝叶斯 代码实现 预处理 主函数 概述 从今天开始我们将开启一段自然语言处理 (NLP) 的旅程. 自然语言处理可以让来处理, 理解, 以及运用人类的语言, 实现机器语言和人类语言之间的沟通桥梁. 数据介绍 该数据是家庭暴力的一份司法数据.分为 4 个不同类别: 报警人被老公打,报警人被老婆打,报警人被儿子打,报警人被女儿打. 今天我们就要运用我们前几次学到的知识, 来实现一个 NLP 分类问题. 词频统计 CountVectorizer是一个文本特征提取的方

  • Python机器学习pytorch模型选择及欠拟合和过拟合详解

    Python机器学习pytorch模型选择及欠拟合和过拟合详解

    目录 训练误差和泛化误差 模型复杂性 模型选择 验证集 K折交叉验证 欠拟合还是过拟合? 模型复杂性 数据集大小 训练误差和泛化误差 训练误差是指,我们的模型在训练数据集上计算得到的误差. 泛化误差是指,我们将模型应用在同样从原始样本的分布中抽取的无限多的数据样本时,我们模型误差的期望. 在实际中,我们只能通过将模型应用于一个独立的测试集来估计泛化误差,该测试集由随机选取的.未曾在训练集中出现的数据样本构成. 模型复杂性 在本节中将重点介绍几个倾向于影响模型泛化的因素: 可调整参数的数量.当可调

  • Python机器学习应用之基于线性判别模型的分类篇详解

    Python机器学习应用之基于线性判别模型的分类篇详解

    目录 一.Introduction 1 LDA的优点 2 LDA的缺点 3 LDA在模式识别领域与自然语言处理领域的区别 二.Demo 三.基于LDA 手写数字的分类 四.小结 一.Introduction 线性判别模型(LDA)在模式识别领域(比如人脸识别等图形图像识别领域)中有非常广泛的应用.LDA是一种监督学习的降维技术,也就是说它的数据集的每个样本是有类别输出的.这点和PCA不同.PCA是不考虑样本类别输出的无监督降维技术. LDA的思想可以用一句话概括,就是"投影后类内方差最小,类间方

  • Python 几行代码即可实现人脸识别

    Python 几行代码即可实现人脸识别

    摘要:一行代码实现人脸识别 首先你需要提供一个文件夹,里面是所有你希望系统认识的人的图片.其中每个人一张图片,图片以人的名字命名. 接下来,你需要准备另一个文件夹,里面是你要识别的图片. 然后你就可以运行face_recognition命令了,把刚刚准备的两个文件夹作为参数传入,命令就会返回需要识别的图片中都出现了谁,一行代码足以!!! 正文: 环境要求: Ubuntu17.10 Python 2.7.14 环境搭建: 1.安装 Ubuntu17.10 > 安装步骤在这里 2.安装 Python

随机推荐