肝！Python+AI给老照片上色

哈喽，大家好。

今天继续给大家分享有趣的 AI 项目。

上次我们分享了用 GAN （生成对抗网络）让静态图片动起来。

今天我们分享用 NoGAN 的图像增强技术给老照片着色。效果如下：

NoGAN 是一种新型 GAN ，它能花费最少的时间进行 GAN 训练。

今天分享的这个项目已在 GitHub 开源项目，下面我们来运行一下。

1. 准备工作

首先，用 git clone 命令下载源码

git clone https://github.com/jantic/DeOldify.git

进入项目根目录，安装 Python 依赖包

pip3 install -r requirements.txt

编写代码运行项目之前，需要下载预训练好的模型。项目提供了三个模型

区别如下：

• ColorizeArtistic_gen.pth：在有趣的细节和活力方面实现了最高质量的图像着色效果，该模型在 UNet 上使用 resnet34 为主干，通过 NoGAN 进行了 5 次评论家预训练/GAN 循环重复训练

• ColorizeStable_gen.pth：在风景和肖像方面取得了最佳效果，该模型在 UNet 上使用 resnet101 为主干，通过 NoGAN 进行了 3 次评论家预训练/GAN 循环重复训练

• ColorizeVideo_gen.pth：针对流畅的视频进行了优化，它仅使用初始生成器/评论家预训练/GAN NoGAN 训练。由于追求流畅的速度，它的色彩比前两者少。

将下载好的模型文件放在项目根目录的 models 目录下即可。

2. 编写代码

在项目根目录同级目录下创建 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 指定项目根目录， weights_name 指定接下来使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入所需要的格式，送入模型进行上色，完成后保存。

上述代码是我从项目源码中抽取的，可以看到，运行代码还是非常简单的。

感兴趣的朋友可以自己运行一下，也可以试试其他模型的效果。

最后，感谢你的关注，我将持续分享优秀的 AI 项目。如果本文对你有用就点个 赏 鼓励一下吧。