照片模糊?辰哥手把手教你用Python让照片高清化

大家好,我是辰哥。

相信大家也遇到过这种困扰--照片模糊(几年前的照片),拍照设备的逐年增强,对比之下几年拍的照片都模糊了。

网上一些图片高清化的平台需要收费,今天辰哥就来教大家如何让一张模糊(非高清)的照片高清化

先看效果(高清化前后的对比):

左边是原始照片(高清前),右边是高清化照片。

第一张照片来源官方案例,第二张是辰哥的2013年拍的照片。

1

思路分析

图片增强(高清化)的方法可以从两方面入手:

  1. 自己在网上找开源或者自己编写神经网络结构,借助数据集进行训练,然后得到模型。但是这种方法对应小白或者没有接触深度网络(人工智能)方面的小伙伴,简直太难了。

    竟然如此,那么就看下面第二种方法。

  2. 借助第三方接口,直接调用接口就可以将图片转化为高清。

本文中,辰哥也是手把手教大家如何借助第三方(百度AI)接口,对照片进行高清化。

2

申请权限

百度AI平台提供的应用接口,需要权限(token)才可以使用,这里token可以通过账号免费获取到。

首先在百度AI平台注册账号(百度云账号也可以),然后进入到:图像增强与特效板块

https://console.bce.baidu.com/ai/?_=1621146718569&fromai=1#/ai/imageprocess/app/list

然后点击创建应用(这里辰哥已经创建好了:图像小程序),创建之后就可以获取到APIkey和Secret key ,这两个参数在获取token的时候用到。

开始获取token

# client_id 为官网获取的AK, client_secret 为官网获取的SK
import requests
host = 'https://aip.baidubce.com/oauth/2.0/token?grant_type=client_credentials&client_id=【官网获取的AK】&client_secret=【官网获取的SK】'
response = requests.get(host)
if response:
    print(response.json())
access_token = response.json()['access_token']
print(access_token)

这里AK和SK就是上面的APIkey和Secret key

这样就获取到token(一会在使用照片高清化接口,通过token去授权调用

3

照片高清化

获取到token之后,现在可以开始调用图片高清化接口

官方接口文档

https://ai.baidu.com/ai-doc/IMAGEPROCESS/5k4i6mzqk

开始写程序

'''
图像清晰度增强
'''
request_url = "https://aip.baidubce.com/rest/2.0/image-process/v1/image_definition_enhance"
# 二进制方式打开图片文件
f = open('辰哥.jpg', 'rb')
img = base64.b64encode(f.read())


params = {"image":img}
access_token = '上面获取的token值'
request_url = request_url + "?access_token=" + access_token
headers = {'content-type': 'application/x-www-form-urlencoded'}
response = requests.post(request_url, data=params, headers=headers)
if response:
    print (response.json()['image'])


上面需要改动的有两处:

  1. 辰哥.jpg(待高清的照片路径)

  2. access_token(自己的token值)

问题:这里返回的是base64值(图片的二进制值),不是直接返回图片。

我们需要将base64转为图片。

imgdata = base64.b64decode(response.json()['image'])
file = open('辰哥高清.jpg', 'wb')
file.write(imgdata)
file.close()

response.json()['image']就是接口返回的base64值,转为图片后,保存命名为:辰哥高清.jpg

最后高清化的图片就成功保存到本地。其结果如下:

4

小结

本文辰哥手把手教大家如何将一张模糊的照片进行高清化,这里是使用的第三方(百度)接口,如果有接触过深度学习(人工智能)的读者可以尝试自己训练模型。ok,本文的讲解就先到这里。

本文代码获取方式:公众号后台回复:照片高清化

最后说一声:原创不易,求给个赞、在看、评论

推荐阅读

采集+图谱可视化|手把手教你采集明星人物关系并进行图谱展示

1953~2021年七次全国人口普查以及各省人口数量变化情况

粉丝让我爬取热搜话题,结果做成了实时热搜『跑马灯』可视化

ps:辰哥自己建了一个交流群(非推销、广告群),只是作为交流技术使用,里面都是一群志同道合,想要学习更多技术的小伙伴在里面。辰哥已经给你搭建好交流平台,现在就差你了。

需要加群学习的小伙伴,可以在公众号后台加辰哥微信(备注:加群),辰哥拉你进群(广告推销勿扰,速踢

好的,我可以为您提供一些关于使用Python代码实现Transformer的指导。 首先,您需要安装PyTorch和torchtext库。然后,您可以按照以下步骤实现Transformer模型: 1. 定义输入和输出的词汇表,并使用torchtext库加载数据集。 2. 定义Transformer模型的编码器和解码器部分。 3. 实现自注意力机制(self-attention)和前向神经网络(feed-forward network)。 4. 实现残差连接(residual connection)和层归一化(layer normalization)。 5. 定义Transformer模型的训练和评估过程。 下面是一个简单的示例代码,用于实现一个基本的Transformer模型: ```python import torch import torch.nn as nn import torch.optim as optim import torch.nn.functional as F from torchtext.datasets import TranslationDataset, Multi30k from torchtext.data import Field, BucketIterator # 定义输入和输出的词汇表 SRC = Field(tokenize='spacy', tokenizer_language='de', init_token='<sos>', eos_token='<eos>', lower=True) TRG = Field(tokenize='spacy', tokenizer_language='en', init_token='<sos>', eos_token='<eos>', lower=True) # 加载数据集 train_data, valid_data, test_data = Multi30k.splits(exts=('.de', '.en'), fields=(SRC, TRG)) SRC.build_vocab(train_data, min_freq=2) TRG.build_vocab(train_data, min_freq=2) # 定义Transformer模型的编码器和解码器部分 class Encoder(nn.Module): def __init__(self, input_dim, hid_dim, n_layers, n_heads, pf_dim, dropout, device): super().__init__() self.device = device self.tok_embedding = nn.Embedding(input_dim, hid_dim) self.pos_embedding = nn.Embedding(1000, hid_dim) self.layers = nn.ModuleList([EncoderLayer(hid_dim, n_heads, pf_dim, dropout, device) for _ in range(n_layers)]) self.dropout = nn.Dropout(dropout) self.scale = torch.sqrt(torch.FloatTensor([hid_dim])).to(device) def forward(self, src, src_mask): # src: [batch_size, src_len] # src_mask: [batch_size, 1, 1, src_len] batch_size = src.shape[0] src_len = src.shape[1] pos = torch.arange(0, src_len).unsqueeze(0).repeat(batch_size, 1).to(self.device) # pos: [batch_size, src_len] src = self.dropout((self.tok_embedding(src) * self.scale) + self.pos_embedding(pos)) for layer in self.layers: src = layer(src, src_mask) return src class EncoderLayer(nn.Module): def __init__(self, hid_dim, n_heads, pf_dim, dropout, device): super().__init__() self.self_attn_layer_norm = nn.LayerNorm(hid_dim) self.ff_layer_norm = nn.LayerNorm(hid_dim) self.self_attention = MultiHeadAttentionLayer(hid_dim, n_heads, dropout, device) self.positionwise_feedforward = PositionwiseFeedforwardLayer(hid_dim, pf_dim, dropout) self.dropout = nn.Dropout(dropout) def forward(self, src, src_mask):
评论 7
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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

打赏作者

lyc2016012170

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
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