python图像处理实战 豆瓣,python图像数据处理

  python图像处理实战 豆瓣,python图像数据处理

  这篇文章主要和大家分享一个有意思的模型:RealBasicVSR。本文将利用这个模型制作一个图像超分处理工具,感兴趣的小伙伴可以跟随小编一起学习一下

  

目录
前言项目说明代码说明总结

  

前言

  根据上一篇文章:Python图片视频超分模型RealBasicVSR的使用教程

  我把项目进行的工具化调整,做成了对单一照片输入进行处理的工具。大家可以拿去直接集成到代码中使用。

  开源代码库项目地址:工具项目地址

  

项目说明

  项目结构如下

  注意项

  1、检查站中的模型文件太大,上传不到开源代码库上,大家可以通过下面我分享的百度云盘地址下载,放到检查站目录中。

  链接提取码:1234

  2、康达环境安装,我这里就不多叙述了,直接参考上一篇文章中的安装过程即可。

  计算机编程语言图片视频超分模型RealBasicVSR的使用教程

  

代码说明

  主要的核心代码是推论_hy.py文件,代码如下:

  #!/user/bin/env python

  #编码=utf-8

  @project : hy_realbasicvsr

  @作者:剑客阿良_阿良

  @file :推论_hy.py

  @ide : PyCharm

  @时间: 2022-05-08 15:18:15

  导入命令行解析模块

  导入全球

  导入操作系统

  导入cv2

  导入设备维修和管理创造价值能力

  将数组作为铭牌导入

  进口火炬

  导入全局唯一识别

  从mmcv.runner导入负载检查点

  来自mmedit.core导入tensor2img

  从realbasicvsr.models.builder导入构建模型

  定义初始模型(配置,检查点=无):

  if isinstance(config,str):

  配置=mmcv .来自文件(配置)

  如果不是实例(配置,mmcv .配置):

  引发TypeError(config必须是文件名或配置对象,

  f 但得到{type(config)} )

  config.model.pretrained=无

  config.test_cfg.metrics=无

  模型=构建模型(配置。模型,测试_ cfg=配置。测试_cfg)

  如果检查点不是无:

  检查点=加载检查点(模型,检查点)

  model.cfg=config #为了方便起见,将配置保存在模型中

  model.eval()

  回报模型

  班级工作者:

  def __init__(self):

  自我。check point _ path= check points/RealBasicVSR _ x4。PTH

  自我。config= configs/realbasicvsr _ x4。py

  self.is_save_as_png=True

  self.max_seq_len=2

  自我。model=init _ model(自身。config,self.checkpoint_path)

  def do_pic(self,input_image_path: str,output_dir: str):

  输入=[]

  img=mmcv.imread(输入图像路径,通道

  l_order=rgb)

   ext = os.path.basename(input_image_path).split(.)[-1]

   inputs.append(img)

   for i, img in enumerate(inputs):

   img = torch.from_numpy(img / 255.).permute(2, 0, 1).float()

   inputs[i] = img.unsqueeze(0)

   inputs = torch.stack(inputs, dim=1)

   # map to cuda, if available

   cuda_flag = False

   if torch.cuda.is_available():

   model = self.model.cuda()

   cuda_flag = True

   with torch.no_grad():

   if isinstance(self.max_seq_len, int):

   outputs = []

   for i in range(0, inputs.size(1), self.max_seq_len):

   imgs = inputs[:, i:i + self.max_seq_len, :, :, :]

   if cuda_flag:

   imgs = imgs.cuda()

   outputs.append(self.model(imgs, test_mode=True)[output].cpu())

   outputs = torch.cat(outputs, dim=1)

   else:

   if cuda_flag:

   inputs = inputs.cuda()

   outputs = self.model(inputs, test_mode=True)[output].cpu()

   mmcv.mkdir_or_exist(output_dir)

   for i in range(0, outputs.size(1)):

   output = tensor2img(outputs[:, i, :, :, :])

   filename = {}.{}.format(uuid.uuid1().hex, ext)

   if self.is_save_as_png:

   file_extension = os.path.splitext(filename)[1]

   filename = filename.replace(file_extension, .png)

   result_path = os.path.join(output_dir, filename)

   mmcv.imwrite(output, result_path)

  if __name__ == __main__:

   worker = Worker()

   worker.do_pic(data/136.jpeg, results/)

  代码说明

  1、如果在真实项目中使用的话,worker对象可以在项目启动中创建,不需要每次调用时候创建。

  2、主要使用方法为do_pic方法,入参分别为:需要超分的照片地址,以及最后生成的目录地址。

  3、最终输出的照片名使用uuid进行命名,如果需要自定义的话,可以看着调整。

  4、输出的文件格式不一定需要是png,上面的类初始化有bool选项,自行调整。

  测试一下代码,先看一下图片。

  

  执行结果

  

2022-05-08 15:47:54,792 - mmedit - INFO - load checkpoint from torchvision path: torchvision://vgg19
load checkpoint from local path: checkpoints/RealBasicVSR_x4.pth
/home/zhangmaolin/.local/lib/python3.7/site-packages/torch/functional.py:445: UserWarning: torch.meshgrid: in an upcoming release, it will be required to pass the indexing argument. (Triggered internally at ../aten/src/ATen/native/TensorShape.cpp:2157.)
return _VF.meshgrid(tensors, **kwargs) # type: ignore[attr-defined]

  

  最终图片输出

  

  

  

总结

  本文主要是造个轮子吧,相信有经验的可以自己改造,包括视频处理也可以不要使用作者的demo,自己优化一下逻辑,性能应该都跟得上。提供思路吧,视频拆分图片组和音频,处理完之后压缩为一个视频。

  以上就是基于Python制作图像完美超分处理工具的详细内容,更多关于Python图像超分处理的资料请关注盛行IT软件开发工作室其它相关文章!

郑重声明:本文由网友发布,不代表盛行IT的观点,版权归原作者所有,仅为传播更多信息之目的,如有侵权请联系,我们将第一时间修改或删除,多谢。

留言与评论(共有 条评论)
   
验证码: