Python+OpenCV：用脚本实现老照片修复与上色，附代码详解！

以下是一个使用Python和OpenCV库的脚本示例，用于修复老照片和上色。这个脚本使用了深度学习模型来实现图像修复和上色。 ```python import cv2 import numpy as np # 加载预训练的模型 # 图像修复模型 inpainting_model = cv2.dnn.readNetFromTensorflow('path_to_inpainting_model.pb') # 图像上色模型 colorization_model = cv2.dnn.readNetFromCaffe('path_to_colorization_deploy_v2.prototxt', 'path_to_colorization_release_v2.caffemodel') # 加载图像 image = cv2.imread('old_photo.jpg') # 图像修复 # 假设我们有一个掩码图像，标记出需要修复的区域 mask = cv2.imread('mask.png', 0) inpainted_image = cv2.inpaint(image, mask, inpaintRadius=3, flags=cv2.INPAINT_TELEA) # 图像上色 # 将图像转换为Lab色彩空间 lab_image = cv2.cvtColor(inpainted_image, cv2.COLOR_BGR2Lab) # 提取L通道 L = lab_image[:, :, 0] # 归一化L通道 L = L.astype('float32') / 255.0 # 将L通道调整为模型输入大小 L = cv2.resize(L, (224, 224)) L = L - 50 # 将L通道输入到模型中 colorization_model.setInput(cv2.dnn.blobFromImage(L)) # 获取输出 ab = colorization_model.forward() # 调整ab通道的大小 ab = cv2.resize(ab[0, :, :, :].transpose((1, 2, 0)), (inpainted_image.shape[1], inpainted_image.shape[0])) # 将ab通道与L通道合并 colorized_lab = np.concatenate((L[:, :, np.newaxis], ab), axis=2) # 将Lab图像转换回BGR色彩空间 colorized_image = cv2.cvtColor(colorized_lab, cv2.COLOR_Lab2BGR) # 保存修复和上色后的图像 cv2.imwrite('restored_photo.jpg', colorized_image) print("图像修复和上色完成，保存为 'restored_photo.jpg'") ``` 代码说明： 1. 图像修复：使用OpenCV的`inpaint`函数，通过提供的掩码图像修复图像中的损坏区域。 2. 图像上色：使用预训练的深度学习模型将灰度图像转换为彩像。首先将图像转换为Lab色彩空间，提取L通道并输入到模型中，模型输出ab通道，最后将L和ab通道合并并转换回BGR色彩空间。 注意事项： 1. 模型路径：确保提供的模型路径正确，模型文件需要提前下载。 2. 掩码图像：修复图像时需要提供一个掩码图像，标记出需要修复的区域。 3. 图像尺寸：上色模型通常需要输入特定尺寸的图像（如224x224），因此在输入前需要调整图像尺寸。 ######[AI写代码神器 | 688点数解答 | 2025-02-06 15:38:24]