共计 1533 个字符，预计需要花费 4 分钟才能阅读完成。
明天咱们分享用 NoGAN 的图像增强技术给老照片着色。
NoGAN 是一种新型 GAN，它能破费起码的工夫进行 GAN 训练。
明天分享的这个我的项目已在 GitHub 开源我的项目，上面咱们来运行一下。
- 筹备工作
首先，用 git clone 命令下载源码
git clone https://github.com/jantic/DeOldify.git进入我的项目根目录，装置 Python 依赖包
pip3 install -r requirements.txt
编写代码运行我的项目之前，须要下载预训练好的模型。
- ColorizeArtistic_gen.pth
- ColorizeStable_gen.pth
- ColorizeVideo_gen.pth
区别如下
ColorizeArtistic_gen.pth：在乏味的细节和生机方面实现了最高品质的图像着色成果，该模型在 UNet 上应用 resnet34 为主干，通过 NoGAN 进行了 5 次评论家预训练 /GAN 循环反复训练
ColorizeStable_gen.pth：在风光和肖像方面获得了最佳成果，该模型在 UNet 上应用 resnet101 为主干，通过 NoGAN 进行了 3 次评论家预训练 /GAN 循环反复训练
ColorizeVideo_gen.pth：针对晦涩的视频进行了优化，它仅应用初始生成器 / 评论家预训练 /GAN NoGAN 训练。因为谋求晦涩的速度，它的色调比前两者少。
将下载好的模型文件放在我的项目根目录的 models 目录下即可。
- 编写代码
在我的项目根目录同级目录下创立 Python 文件，编写代码加载刚刚下载好的模型文件。
from DeOldify.deoldify.generators import gen_inference_wide
from DeOldify.deoldify.filters import MasterFilter, ColorizerFilter
# 指定模型文件
learn = gen_inference_wide(root_folder=Path('./DeOldify'), weights_name='ColorizeVideo_gen')
# 加载模型
deoldfly_model = MasterFilter([ColorizerFilter(learn=learn)], render_factor=10)root_folder 指定我的项目根目录，weights_name 指定接下来应用哪个模型为照片上色。
读取老照片，进行上色
import cv2
import numpy as np
from PIL import Image
img = cv2.imread('./images/origin.jpg')
img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
pil_img = Image.fromarray(img)
filtered_image = deoldfly_model.filter(pil_img, pil_img, render_factor=35, post_process=True)
result_img = np.asarray(filtered_image)
result_img = cv2.cvtColor(result_img, cv2.COLOR_RGB2BGR)
cv2.imwrite('deoldify.jpg', result_img)用 cv2 读取老照片，并用 PIL.Image 模块将图片转换成模型输出所须要的格局，送入模型进行上色，实现后保留。
上述代码是我从我的项目源码中抽取的，能够看到，运行代码还是非常简单的。
以上就是本次分享的所有内容，想要理解更多 python 常识欢送返回公众号：Python 编程学习圈，发送“J”即可收费获取，每日干货分享
