文章详情

短信预约-IT技能 免费直播动态提醒

请输入下面的图形验证码

提交验证

短信预约提醒成功

用于图像着色的五个开源Python工具

2024-12-01 14:16

关注

作为测试,我将使用两张图像。

本文将使用开源工具,这些工具可以从GitHub下载。

DeOldify

DeOldify是基于SA-GAN (Self-Attention - generate对抗网络)。一般来说,GAN由两个独立的神经网络组成——生成器和判别器。这两个网络都是由大量的图像训练而成,在训练过程中,生成器学会了制作似是而非的图像,而判别器学会将生成的图像与真实的图像区分开来。

为了在本地运行DeOldify,我们需要从GitHub中获取项目,并将预训练好的神经网络权重下载到“models”文件夹中(链接来自项目页面,未来作者可能会更改):

git clone https://github.com/jantic/DeOldify
cd DeOldify
mkdir models
cd models
wget https://data.deepai.org/deoldify/ColorizeArtistic_gen.pth
wget https://www.dropbox.com/s/usf7uifrctqw9rl/ColorizeStable_gen.pth?dl=1 -O ColorizeStable_gen.pth
cd ..

在这里,我将“device”设置为CPU - 如果您没有好的显卡,则很可能会收到“内存不足”错误(CPU上的处理时间约为3-5s,GPU上的处理时间约为0.5s,因此CPU计算也运行良好)。如果您希望运行独立的Python代码,则可以使用以下Python代码:

from deoldify import device
from deoldify.device_id import DeviceId
from deoldify.visualize import *
torch.backends.cudnn.benchmark=True
device.set(device=DeviceId.CPU)
colorizer = get_image_colorizer(artistic=True)
img_out = colorizer.get_transformed_image(path="anna_bw.jpg",
render_factor=15,
watermarked=True)
img_out.save("anna_color.jpg")

至于结果,相当不错:

大家还可以尝试更改模型(有两种模型,具有更鲜艳颜色的“artistic”模型和“stable”模型可用)和影响输出颜色的“render_factor”变量。要去除水印可以将参数watermarked设置为False。

彩色图像着色(Colorful Image Colorization)

这个项目使用卷积神经网络(CNN)来生成彩色图像。在体系结构上,它比DeOldify简单得多,但正因为如此,它可能更方便大家理解它的工作原理。

最后一次项目更新是在2020年,但代码仍然可以工作,并且可以很容易地在本地运行。

有两种模型可用,Python代码如下:

import colorizers as c
import torch
import matplotlib.image as plt
img = c.load_img("image_bw.jpg")
tens_l_orig, tens_l_rs = c.preprocess_img(img, HW=(256, 256))
img_bw = c.postprocess_tens(tens_l_orig,
torch.cat((0*tens_l_orig, 0*tens_l_orig), dim=1))
colorizer_eccv16 = c.eccv16(pretrained=True).eval()
out_img_eccv16 = c.postprocess_tens(tens_l_orig,
colorizer_eccv16(tens_l_rs).cpu())
plt.imsave('image_eccv16.jpg', out_img_eccv16)
colorizer_siggraph17 = c.siggraph17(pretrained=True).eval()
out_img_siggraph17 = c.postprocess_tens(tens_l_orig,
colorizer_siggraph17(tens_l_rs).cpu())
plt.imsave('image_siggraph17.jpg', out_img_siggraph17)

结果如下:

ChromaGAN

顾名思义,ChromaGAN的作者也在使用生成对抗网络给图像上色。

这个项目可能只是作为研究的一个演示,操作并不是太友好。在使用项目之前,应下载“my_model_colorization.h5”文件(链接在GitHub页面上提供)并放入“MODEL”文件夹中。源图像和输出图像应该分别放在“chromagan_images”和“chromagan_results”文件夹中,然后可以参考作者jupyter notebook进行处理。要在本地PC上运行代码,“from google.colab.patches import cv2_imshow”和“cv2_imshow(…)”行应该删除。该项目正在使用Keras,如果出现“内存不足”的错误,建议在文件开头添加os.environ["CUDA_VISIBLE_DEVICES"] = "-1"。

Google Colorization Transformer (ColTran)

这个项目可以从google-research GitHub页面下载,更详细的研究论文也可以下载。作者使用的是具有自注意力架构的轴向transformer,而不是GAN。在使用ColTran之前,我们需要下载预训练模型,这些模型位于ColTran.zip归档文件中。该归档文件包含3个模型检查点:colorizer、color_upsampler和spatial_upsampler。然后我们可以运行3个Python命令:

python3 custom_colorize.py --config=configs/colorizer.py --mode=colorize --accelerator_type=CPU --logdir=colorizer --img_dir=img_dir --store_dir=target_dir
python3 custom_colorize.py --config=configs/color_upsampler.py --mode=colorize --accelerator_type=CPU --logdir=color_upsampler --img_dir=img_dir --store_dir=target_dir --gen_data_dir=target_dir/stage1 --mode=colorize
python3 custom_colorize.py --config=configs/spatial_upsampler.py --mode=colorize --accelerator_type=CPU --logdir=spatial_upsampler --img_dir=img_dir --store_dir=target_dir --gen_data_dir=target_dir/stage2

这里的img_dir是一个文件夹,包含源图像,store_dir是输出文件夹,colorize是一种处理模式,而logdir是到预训练模型的路径。我们有3个处理步骤:我们有3个处理步骤:“colorizer”只使用512种输出颜色和64x64的输出图像进行粗着色,“color upsampler”改善颜色,“spatial upsampler”将图像提升到256x256的分辨率。

结果是颜色也很准确:

这个工具可能只是作为研究论文的演示而制作的,与以前的项目相比,没有现成的方法来处理任意分辨率的图像。输出仅限于 256x256 大小。

BigColor

BigColor项目是由作者在2022年提出的。作者还在他们的论文中写道:“我们将BigColor与最近的自动着色方法进行了比较,包括CIC、ChromaGAN、DeOldify、InstColor、ColTran和ToVivid。在六张具有挑战性的图像上,BigColor的优于所有方法。”

该项目本身可以从GitHub页面下载(https://github.com/KIMGEONUNG/BigColor)。使用代码很简单。在进行转换之前,应该执行两个脚本download- pretraining.sh和download-bigcolor.sh。之后,可以使用一个命令完成转换:

python3 colorize_real.py --path_ckpt=ckpts/bigcolor --path_input=images_gray --epoch=11 --type_resize=powerof --seed=-1 --device=cpu

此处的path_ckpt是指向预训练模型的路径,images_gray是包含源图像的文件夹。结果如下:

最后

图像着色是一个有趣的话题,正如我们所看到的,不同的方法和架构是可能的。从准确性的角度来看,事情也很复杂。通常,黑白照片不再有颜色信息,因此神经网络只能根据之前训练的图像来猜测输出结果。例如,这是我用来测试的原始图像:

这是相同的图像,转换为黑白:

这是使用DeOldify制作的图像:

树是绿色的,天空是蓝色的,这已经挺不错了。但是,不仅DeOldify,而且其他经过测试的项目都无法正确确定百叶窗的颜色。在大多数情况下,这些结果已经足够好了。


来源:不靠谱的猫内容投诉

免责声明:

① 本站未注明“稿件来源”的信息均来自网络整理。其文字、图片和音视频稿件的所属权归原作者所有。本站收集整理出于非商业性的教育和科研之目的,并不意味着本站赞同其观点或证实其内容的真实性。仅作为临时的测试数据,供内部测试之用。本站并未授权任何人以任何方式主动获取本站任何信息。

② 本站未注明“稿件来源”的临时测试数据将在测试完成后最终做删除处理。有问题或投稿请发送至: 邮箱/279061341@qq.com QQ/279061341

软考中级精品资料免费领

  • 历年真题答案解析
  • 备考技巧名师总结
  • 高频考点精准押题
  • 2024年上半年信息系统项目管理师第二批次真题及答案解析(完整版)

    难度     813人已做
    查看
  • 【考后总结】2024年5月26日信息系统项目管理师第2批次考情分析

    难度     354人已做
    查看
  • 【考后总结】2024年5月25日信息系统项目管理师第1批次考情分析

    难度     318人已做
    查看
  • 2024年上半年软考高项第一、二批次真题考点汇总(完整版)

    难度     435人已做
    查看
  • 2024年上半年系统架构设计师考试综合知识真题

    难度     224人已做
    查看

相关文章

发现更多好内容

猜你喜欢

AI推送时光机
位置:首页-资讯-后端开发
咦!没有更多了?去看看其它编程学习网 内容吧
首页课程
资料下载
问答资讯