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。