Python 实现 GIF 动图以及视频卡通化，两脚踢碎次元壁

最新推荐文章于 2024-03-06 15:58:07 发布
最新推荐文章于 2024-03-06 15:58:07 发布
阅读量289 收藏 4
点赞数
文章标签： 深度学习 python ffmpeg os cuda
原文链接：https://mp.weixin.qq.com/s?__biz=MzI2NjY5NzI0NA==&mid=2247508896&idx=3&sn=55df726991be62df1c9e239dd77ac855&chksm=ea88ccd3ddff45c5a0fef09b5479caf822c906c7bee18288a93d2fd58b44f99a4e4801820617&scene=126&&sessionid=0
版权

作者 | 剑客阿良_ALiang

来源 | CSDN博客

0af9536338b4173283f9c8c8703e7e17.png

前言

今天我继续魔改一下，让该模型可以支持将gif动图或者视频，也做成卡通化效果。毕竟一张图可以那就带边视频也可以，没毛病。所以继给次元壁来了一拳，我在加两脚。

项目github地址：https://github.com/Hy-1990/hy-cartoon

c5998264b35cda94fc1f16f3e94f4926.png

环境依赖

除了上一篇文章中的依赖，还需要加一些其他依赖，requirements.txt如下：

48f3fbcd5c124bc76f3fb09ce20b746d.png

核心代码

不废话了，先上gif代码。

gif动图卡通化

实现代码如下：

#!/usr/bin/env python
# -*- coding: utf-8 -*-
# @Time    : 2021/12/5 18:10
# @Author  : 剑客阿良_ALiang
# @Site    : 
# @File    : gif_cartoon_tool.py
# !/usr/bin/env python
# -*- coding: utf-8 -*-
# @Time    : 2021/12/5 0:26
# @Author  : 剑客阿良_ALiang
# @Site    :
# @File    : video_cartoon_tool.py


# !/usr/bin/env python
# -*- coding: utf-8 -*-
# @Time    : 2021/12/4 22:34
# @Author  : 剑客阿良_ALiang
# @Site    :
# @File    : image_cartoon_tool.py


from PIL import Image, ImageEnhance, ImageSequence
import torch
from torchvision.transforms.functional import to_tensor, to_pil_image
from torch import nn
import os
import torch.nn.functional as F
import uuid
import imageio




# -------------------------- hy add 01 --------------------------
class ConvNormLReLU(nn.Sequential):
    def __init__(self, in_ch, out_ch, kernel_size=3, stride=1, padding=1, pad_mode="reflect", groups=1, bias=False):
        pad_layer = {
            "zero": nn.ZeroPad2d,
            "same": nn.ReplicationPad2d,
            "reflect": nn.ReflectionPad2d,
        }
        if pad_mode not in pad_layer:
            raise NotImplementedError


        super(ConvNormLReLU, self).__init__(
            pad_layer[pad_mode](padding),
            nn.Conv2d(in_ch, out_ch, kernel_size=kernel_size, stride=stride, padding=0, groups=groups, bias=bias),
            nn.GroupNorm(num_groups=1, num_channels=out_ch, affine=True),
            nn.LeakyReLU(0.2, inplace=True)
        )




class InvertedResBlock(nn.Module):
    def __init__(self, in_ch, out_ch, expansion_ratio=2):
        super(InvertedResBlock, self).__init__()


        self.use_res_connect = in_ch == out_ch
        bottleneck = int(round(in_ch * expansion_ratio))
        layers = []
        if expansion_ratio != 1:
            layers.append(ConvNormLReLU(in_ch, bottleneck, kernel_size=1, padding=0))


        # dw
        layers.append(ConvNormLReLU(bottleneck, bottleneck, groups=bottleneck, bias=True))
        # pw
        layers.append(nn.Conv2d(bottleneck, out_ch, kernel_size=1, padding=0, bias=False))
        layers.append(nn.GroupNorm(num_groups=1, num_channels=out_ch, affine=True))


        self.layers = nn.Sequential(*layers)


    def forward(self, input):
        out = self.layers(input)
        if self.use_res_connect:
            out = input + out
        return out




class Generator(nn.Module):
    def __init__(self, ):
        super().__init__()


        self.block_a = nn.Sequential(
            ConvNormLReLU(3, 32, kernel_size=7, padding=3),
            ConvNormLReLU(32, 64, stride=2, padding=(0, 1, 0, 1)),
            ConvNormLReLU(64, 64)
        )


        self.block_b = nn.Sequential(
            ConvNormLReLU(64, 128, stride=2, padding=(0, 1, 0, 1)),
            ConvNormLReLU(128, 128)
        )


        self.block_c = nn.Sequential(
            ConvNormLReLU(128, 128),
            InvertedResBlock(128, 256, 2),
            InvertedResBlock(256, 256, 2),
            InvertedResBlock(256, 256, 2),
            InvertedResBlock(256, 256, 2),
            ConvNormLReLU(256, 128),
        )


        self.block_d = nn.Sequential(
            ConvNormLReLU(128, 128),
            ConvNormLReLU(128, 128)
        )


        self.block_e = nn.Sequential(
            ConvNormLReLU(128, 64),
            ConvNormLReLU(64, 64),
            ConvNormLReLU(64, 32, kernel_size=7, padding=3)
        )


        self.out_layer = nn.Sequential(
            nn.Conv2d(32, 3, kernel_size=1, stride=1, padding=0, bias=False),
            nn.Tanh()
        )


    def forward(self, input, align_corners=True):
        out = self.block_a(input)
        half_size = out.size()[-2:]
        out = self.block_b(out)
        out = self.block_c(out)


        if align_corners:
            out = F.interpolate(out, half_size, mode="bilinear", align_corners=True)
        else:
            out = F.interpolate(out, scale_factor=2, mode="bilinear", align_corners=False)
        out = self.block_d(out)


        if align_corners:
            out = F.interpolate(out, input.size()[-2:], mode="bilinear", align_corners=True)
        else:
            out = F.interpolate(out, scale_factor=2, mode="bilinear", align_corners=False)
        out = self.block_e(out)


        out = self.out_layer(out)
        return out




# -------------------------- hy add 02 --------------------------


def handle(gif_path: str, output_dir: str, type: int, device='cpu'):
    _ext = os.path.basename(gif_path).strip().split('.')[-1]
    if type == 1:
        _checkpoint = './weights/paprika.pt'
    elif type == 2:
        _checkpoint = './weights/face_paint_512_v1.pt'
    elif type == 3:
        _checkpoint = './weights/face_paint_512_v2.pt'
    elif type == 4:
        _checkpoint = './weights/celeba_distill.pt'
    else:
        raise Exception('type not support')
    os.makedirs(output_dir, exist_ok=True)
    net = Generator()
    net.load_state_dict(torch.load(_checkpoint, map_location="cpu"))
    net.to(device).eval()
    result = os.path.join(output_dir, '{}.{}'.format(uuid.uuid1().hex, _ext))
    img = Image.open(gif_path)
    out_images = []
    for frame in ImageSequence.Iterator(img):
        frame = frame.convert("RGB")
        with torch.no_grad():
            image = to_tensor(frame).unsqueeze(0) * 2 - 1
            out = net(image.to(device), False).cpu()
            out = out.squeeze(0).clip(-1, 1) * 0.5 + 0.5
            out = to_pil_image(out)
            out_images.append(out)
    # out_images[0].save(result, save_all=True, loop=True, append_images=out_images[1:], duration=100)
    imageio.mimsave(result, out_images, fps=15)
    return result




if __name__ == '__main__':
    print(handle('samples/gif/128.gif', 'samples/gif_result/', 3, 'cuda'))

代码说明：

1、主要的handle方法入参分别为：gif地址、输出目录、类型、设备使用（默认cpu，可选cuda使用显卡）。

2、类型主要是选择模型，最好用3，人像处理更生动一些。

5dab01e3e607b33051c5a21aa811ad0d.png

执行验证一下

下面是我准备的gif素材

844c99b026970c66afba7b26db462ed0.gif

执行结果如下：

1b6296c1c8fe7959eb6783c129e4f834.png

看一下效果：

171333ba05b6e07f768f14c1c3a1df2d.gif

1f71146b2d897b394f67936548c59ecc.png

视频卡通化

实现代码如下：

#!/usr/bin/env python
# -*- coding: utf-8 -*-
# @Time    : 2021/12/5 0:26
# @Author  : 剑客阿良_ALiang
# @Site    : 
# @File    : video_cartoon_tool.py


# !/usr/bin/env python
# -*- coding: utf-8 -*-
# @Time    : 2021/12/4 22:34
# @Author  : 剑客阿良_ALiang
# @Site    :
# @File    : image_cartoon_tool.py


from PIL import Image, ImageEnhance
import torch
from torchvision.transforms.functional import to_tensor, to_pil_image
from torch import nn
import os
import torch.nn.functional as F
import uuid
import cv2
import numpy as np
import time
from ffmpy import FFmpeg




# -------------------------- hy add 01 --------------------------
class ConvNormLReLU(nn.Sequential):
    def __init__(self, in_ch, out_ch, kernel_size=3, stride=1, padding=1, pad_mode="reflect", groups=1, bias=False):
        pad_layer = {
            "zero": nn.ZeroPad2d,
            "same": nn.ReplicationPad2d,
            "reflect": nn.ReflectionPad2d,
        }
        if pad_mode not in pad_layer:
            raise NotImplementedError


        super(ConvNormLReLU, self).__init__(
            pad_layer[pad_mode](padding),
            nn.Conv2d(in_ch, out_ch, kernel_size=kernel_size, stride=stride, padding=0, groups=groups, bias=bias),
            nn.GroupNorm(num_groups=1, num_channels=out_ch, affine=True),
            nn.LeakyReLU(0.2, inplace=True)
        )




class InvertedResBlock(nn.Module):
    def __init__(self, in_ch, out_ch, expansion_ratio=2):
        super(InvertedResBlock, self).__init__()


        self.use_res_connect = in_ch == out_ch
        bottleneck = int(round(in_ch * expansion_ratio))
        layers = []
        if expansion_ratio != 1:
            layers.append(ConvNormLReLU(in_ch, bottleneck, kernel_size=1, padding=0))


        # dw
        layers.append(ConvNormLReLU(bottleneck, bottleneck, groups=bottleneck, bias=True))
        # pw
        layers.append(nn.Conv2d(bottleneck, out_ch, kernel_size=1, padding=0, bias=False))
        layers.append(nn.GroupNorm(num_groups=1, num_channels=out_ch, affine=True))


        self.layers = nn.Sequential(*layers)


    def forward(self, input):
        out = self.layers(input)
        if self.use_res_connect:
            out = input + out
        return out




class Generator(nn.Module):
    def __init__(self, ):
        super().__init__()


        self.block_a = nn.Sequential(
            ConvNormLReLU(3, 32, kernel_size=7, padding=3),
            ConvNormLReLU(32, 64, stride=2, padding=(0, 1, 0, 1)),
            ConvNormLReLU(64, 64)
        )


        self.block_b = nn.Sequential(
            ConvNormLReLU(64, 128, stride=2, padding=(0, 1, 0, 1)),
            ConvNormLReLU(128, 128)
        )


        self.block_c = nn.Sequential(
            ConvNormLReLU(128, 128),
            InvertedResBlock(128, 256, 2),
            InvertedResBlock(256, 256, 2),
            InvertedResBlock(256, 256, 2),
            InvertedResBlock(256, 256, 2),
            ConvNormLReLU(256, 128),
        )


        self.block_d = nn.Sequential(
            ConvNormLReLU(128, 128),
            ConvNormLReLU(128, 128)
        )


        self.block_e = nn.Sequential(
            ConvNormLReLU(128, 64),
            ConvNormLReLU(64, 64),
            ConvNormLReLU(64, 32, kernel_size=7, padding=3)
        )


        self.out_layer = nn.Sequential(
            nn.Conv2d(32, 3, kernel_size=1, stride=1, padding=0, bias=False),
            nn.Tanh()
        )


    def forward(self, input, align_corners=True):
        out = self.block_a(input)
        half_size = out.size()[-2:]
        out = self.block_b(out)
        out = self.block_c(out)


        if align_corners:
            out = F.interpolate(out, half_size, mode="bilinear", align_corners=True)
        else:
            out = F.interpolate(out, scale_factor=2, mode="bilinear", align_corners=False)
        out = self.block_d(out)


        if align_corners:
            out = F.interpolate(out, input.size()[-2:], mode="bilinear", align_corners=True)
        else:
            out = F.interpolate(out, scale_factor=2, mode="bilinear", align_corners=False)
        out = self.block_e(out)


        out = self.out_layer(out)
        return out




# -------------------------- hy add 02 --------------------------


def handle(video_path: str, output_dir: str, type: int, fps: int, device='cpu'):
    _ext = os.path.basename(video_path).strip().split('.')[-1]
    if type == 1:
        _checkpoint = './weights/paprika.pt'
    elif type == 2:
        _checkpoint = './weights/face_paint_512_v1.pt'
    elif type == 3:
        _checkpoint = './weights/face_paint_512_v2.pt'
    elif type == 4:
        _checkpoint = './weights/celeba_distill.pt'
    else:
        raise Exception('type not support')
    os.makedirs(output_dir, exist_ok=True)
    # 获取视频音频
    _audio = extract(video_path, output_dir, 'wav')
    net = Generator()
    net.load_state_dict(torch.load(_checkpoint, map_location="cpu"))
    net.to(device).eval()
    result = os.path.join(output_dir, '{}.{}'.format(uuid.uuid1().hex, _ext))
    capture = cv2.VideoCapture(video_path)
    size = (int(capture.get(cv2.CAP_PROP_FRAME_WIDTH)), int(capture.get(cv2.CAP_PROP_FRAME_HEIGHT)))
    print(size)
    videoWriter = cv2.VideoWriter(result, cv2.VideoWriter_fourcc(*'mp4v'), fps, size)
    cul = 0
    with torch.no_grad():
        while True:
            ret, frame = capture.read()
            if ret:
                print(ret)
                image = to_tensor(frame).unsqueeze(0) * 2 - 1
                out = net(image.to(device), False).cpu()
                out = out.squeeze(0).clip(-1, 1) * 0.5 + 0.5
                out = to_pil_image(out)
                contrast_enhancer = ImageEnhance.Contrast(out)
                img_enhanced_image = contrast_enhancer.enhance(2)
                enhanced_image = np.asarray(img_enhanced_image)
                videoWriter.write(enhanced_image)
                cul += 1
                print('第{}张图'.format(cul))
            else:
                break
    videoWriter.release()
    # 视频添加原音频
    _final_video = video_add_audio(result, _audio, output_dir)
    return _final_video




# -------------------------- hy add 03 --------------------------
def extract(video_path: str, tmp_dir: str, ext: str):
    file_name = '.'.join(os.path.basename(video_path).split('.')[0:-1])
    print('文件名:{}，提取音频'.format(file_name))
    if ext == 'mp3':
        return _run_ffmpeg(video_path, os.path.join(tmp_dir, '{}.{}'.format(uuid.uuid1().hex, ext)), 'mp3')
    if ext == 'wav':
        return _run_ffmpeg(video_path, os.path.join(tmp_dir, '{}.{}'.format(uuid.uuid1().hex, ext)), 'wav')




def _run_ffmpeg(video_path: str, audio_path: str, format: str):
    ff = FFmpeg(inputs={video_path: None},
                outputs={audio_path: '-f {} -vn'.format(format)})
    print(ff.cmd)
    ff.run()
    return audio_path




# 视频添加音频
def video_add_audio(video_path: str, audio_path: str, output_dir: str):
    _ext_video = os.path.basename(video_path).strip().split('.')[-1]
    _ext_audio = os.path.basename(audio_path).strip().split('.')[-1]
    if _ext_audio not in ['mp3', 'wav']:
        raise Exception('audio format not support')
    _codec = 'copy'
    if _ext_audio == 'wav':
        _codec = 'aac'
    result = os.path.join(
        output_dir, '{}.{}'.format(
            uuid.uuid4(), _ext_video))
    ff = FFmpeg(
        inputs={video_path: None, audio_path: None},
        outputs={result: '-map 0:v -map 1:a -c:v copy -c:a {} -shortest'.format(_codec)})
    print(ff.cmd)
    ff.run()
    return result




if __name__ == '__main__':
    print(handle('samples/video/981.mp4', 'samples/video_result/', 3, 25, 'cuda'))

代码说明：

1、主要的实现方法入参分别为：视频地址、输出目录、类型、fps（帧率）、设备类型（默认cpu，可选择cuda显卡模式）。

2、类型主要是选择模型，最好用3，人像处理更生动一些。

3、代码设计思路：先将视频音频提取出来、将视频逐帧处理后写入新视频、新视频和原视频音频融合。

4、视频中间会产生临时文件，没有清理，如需要可以修改代码自行清理。

11146ad16dc1b433296ae74d2ba002f6.png

验证一下

下面是我准备的视频素材截图，我会上传到github上。

f46320d2cb1702ae8846c4512ac263ce.png

执行结果

ef2af4796697d9e435ce7da436d8cfce.png

看看效果截图

97fb377b88929735377db996015ced84.png

还是很不错的哦。

eb599d85e0ba57ba2ad4a823594cf8ff.png

总结

这次可不是没什么好总结的，总结的东西蛮多的。首先我说一下这个开源项目目前模型的一些问题。

1、我测试了不少图片，总的来说对亚洲人的脸型不能很好的卡通化，但是欧美的脸型都比较好。所以还是训练的数据不是很够，但是能理解，毕竟要专门做卡通化的标注数据想想就是蛮头疼的事。所以我建议大家在使用的时候，多关注一下项目是否更新了最新的模型。

2、视频一但有字幕，会对字幕也做处理。所以可以考虑找一些视频和字幕分开的素材，效果会更好一些。

Python数据之道
关注
  • 0
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
python实现视频转GIF动图（无水印，包含代码详解和.exe执行文件）
08-01
1.该代码提供了一个简单的界面，允许用户将视频转换为GIF动画，并且可以自定义采样率、GIF帧率和输出大小。修改后的代码将视频帧的大小调整为固定的尺寸，并在生成GIF动画时保持这个尺寸。 2.该代码GUI界面转化为了....
如何用python画动漫人物,用python画一个美女
chatgpt001的博客
09-21 3626
大家早好、午好、晚好吖 ❤ ~对于上面漫小姐姐图，大家觉得好不好看呢这种极简的线条画出超具魅力的小姐姐图简直不要太击中小心脏接下来，我们就用python来实现一下，画出一个好看的少女~
Python画动漫人物（2）
热门推荐
we123aaa4567的博客
06-30 1万+
用turtle库画小黄人，小猪佩奇和蜘蛛侠。
python制作动画代码,python画动态的雪花
number_516的博客
03-06 390
Turtle库是Python语言中一个很流行的绘制图像的函数库。想象一个小乌龟，在一个横轴为x、纵轴为y的坐标系原点，(0,0)位置开始，它根据一组函数指令的控制，在这个平面坐标系中移动，从而在它爬行的路径上绘制了图形怎么样用python绘制满天星。接下来，我们就要使用Turtle函数绘制几种樱花树：说明下：代码里用了随机函数，所以每次执行过程不仅仅是动态的，而且结果也是不同的。
用python去编写动漫里的人或物
2301_77630091的博客
09-14 199
我感觉效果超漂亮，分享给大家！
用Python把人物头像动漫化，不同的表情给你不同的惊喜
Python案例分享，B站视频教程：https://space.bilibili.com/523606542
07-07 1598
前言 最近上网冲浪的时候看到了一个有趣的东西，叫做『人物动漫化』，作为老大的粉丝，怎么可能放过这个机会，让我们先看看效果图： 这就是这次要用Python搞的事情啦，我们会利用百度AI的人物动漫化技术，结合Python对图片进行处理，生成动漫图片。 开始敲代码 老规矩先来敲代码，导入所需库 import base64 import requests 接下来利用百度AI的账号获取token，得到调用权限 def get_access_token(): # 获取tok..
利用python简单实现人物动漫化
qq_43538493的博客
08-06 2569
最近通过手机自带的AI抠图功能，顺藤摸瓜找到了百度Ai开放平台,很棒，注册之后可以免费使用很多次，具体就不多讲了。接下来上代码： import base64 import requests # client_id 为官网获取的AK， client_secret 为官网获取的SK host = 'https://aip.baidubce.com/oauth/2.0/token?grant_type=client_credentials&client_id=【】&client_secret=【
Python Pygame｜实现GIF（gif）动图的加载和降帧
10-06
最近在使用pygame开发游戏，练习python编程。但遇到了一个问题，就是如何载入已有的GIF动图增强游戏的效果，在csdn搜索了一下，发现相关的文章比较少，缺少实例。于是自己研究了相关内容，找到了解决方案。本篇文章...
python10行代码实现gif动图反转
03-28
python10行代码实现gif动图反转
源码下载 Python Pygame｜实现GIF（gif）动图的加载和降帧
最新发布
03-11
【资源下载】最近在使用pygame开发游戏，练习python编程。但遇到了一个问题，就是如何载入已有的GIF动图增强游戏的效果，在csdn搜索了一下，发现相关的文章比较少，缺少实例。于是自己研究了相关内容，找到了解决...
基于Python实现人像卡通化项目源码+数据集+模型（高分项目）.zip
01-04
基于Python实现人像卡通化项目源码+数据集+模型（高分项目）.zip将真实照片转换为卡通风格的非真实感图像，该项目是个人高分毕业设计项目源码，已获导师指导认可通过，都经过严格调试，确保可以运行！放心下载使用，...
Python人物头像动漫化[附源码]！！
顾木子吖的博客
08-12 6331
前文 哈哈哈乍一眼看到的第一眼的这张小姐姐图是不是很好看，缩小的是图片的原图，放大的是漫画的图片哦！！当你正在为你换什么头像烦恼时，看看这篇文章叭！ 当你有对象的时候还可以用你的女朋友的动漫化的卡通形象做头像，美美哒！！ 好了，今天带大家做一款真人动漫化的小程序！ （1）附源码单纯的人像动漫化！ import requests, base64 # 这个函数的操作是为了获取access_token参数 def get_access_token(): url = 'https://a...
用python画一个动漫人物,用python画动漫人物代码
chatgpt002的博客
09-17 1549
大家好，小编来为大家解答以下问题，用python画一个动漫人物，用python画动漫人物代码，现在让我们一起来看看吧！
python简单代码动画人物,用python做动画的代码
2301_81837718的博客
12-25 528
动画是通过一系列连续的图像快速播放而形成的视觉效果。Python是一门功能强大且易于学习的编程语言，提供了多种库和工具来制作动画。大家好，小编为大家解答python简单代码动画人物的问题。很多人还不知道用python做动画的代码，现在让我们一起来看看吧！在本文中，我们将介绍如何使用Python制作简单的动画，并提供相应的源代码。
用python做动画的代码_Python应用 | 三行代码实现GIF动画
weixin_39583162的博客
12-03 2657
原标题：Python应用 | 三行代码实现GIF动画图片看腻了，来一点动画吧。 很酷的花朵GIF动画，想了解一下如何利用Python实现吗？ 1. 准确图片数据集。准备需要制作GIF动画的图片若干，并放置在当前工作目录的data文件夹中，以便后续制作动画所用。2. 开始编码。我们将利用pathlib库读取文件夹内所有图片，利用cv2来调整所有的图片大小，利用imageio库来实现GIF动画制作。i...
python编写动漫人或物
Cat God 007的博客
12-28 1万+
废话不多说，直接上图 皮卡丘 import turtle def getPosition(x, y): turtle.setx(x) turtle.sety(y) print(x, y) class Pikachu: def __init__(self): self.t = turtle.Turtle() t = self.t t.pensize(3) t.speed(9)
如何用python画动漫人物,用python画画简单代码
wenangou的博客
09-16 1158
哈喽哈喽~！我是栗子同学呀，很久不见啦！大家有没有想我呀——（嘿嘿，自恋.jpg 你们肯定想我。python还要安装什么。。更新新的内容啦）最近一段时间都在忙碌中，很少更新文章啦~之后可能还会继续请假哦！但只要是有时间的话小编都会继续抽出时间给大家每天至少给你们续一篇的啦！今天没啥时间撒，所以给大家写了一篇简简单单的Turtle绘图系列给大家，还是希望大家多多给你们的支持才是我更新的动力，Figthing+Figthing!话不多说——👇👇👇👇👇👇嗨！
python人像绘制_python实现人像动漫化的示例代码
weixin_39963819的博客
11-20 1298
利用百度api实现人像动漫化注册百度账号，开通实现人像动漫化，创建应用。# encoding:utf-8import requestsimport base64# client_id 为官网获取的AK， client_secret 为官网获取的SKhost = 'https://aip.baidubce.com/oauth/2.0/token?grant_type=client_credentia...
太牛逼了！用 Python 实现抖音上的“人像动漫化”特效，原来这么简单！
Python数据之道
07-15 1585
转自：数据分析与统计学之美作者：黄伟呢前几天，女友拉着我和她玩儿抖音，就是这个人像动漫化的操作，顿时觉得很好玩儿。我心想：python既然这么强大，是不是也可以使用python程序来实现...
python代码实现gif动图
04-08
你可以使用Python中的Pillow库来实现gif动图。下面是一个简单的示例代码： ```python from PIL import Image, ImageSequence # 打开gif文件 with Image.open('animation.gif') as im: # 循环遍历每一帧 for ...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值