自助下单地址（拼多多砍价，ks/qq/dy赞等业务）：点我进入
（智能修复旧照片应用程序）。
智能修复旧照片
（智能修复旧照片应用程序）。
编者按：近年来，基于深度学习的发展，计算机视觉正在
在人工智能和深度学习的背景下方兴未艾，同时，当越来越多的应用场景被挖掘出来时，也意味着计算机视觉的发展前景将极其广阔，其中图像处理技术是最受欢迎的应用之一，而最近最流行的图像处理技术一定是图像修复功能， 一键修复旧照片和其他App应用程序，在社交网络上掀起一股潮流。
作者：|李秋健
编辑|西堰
来源|CSDN（ID：CSDNnews）
图像识别技术本身的原理并不复杂，信息的处理是这项技术的关键点。近年来，由于深度学习的发展，图像识别的准确率大大提高，深度学习可以通过大量图像数据信息特征的积累和分析，自动完成特征提取、图像匹配等任务。最近，最受欢迎的必须是图像恢复功能。早在文艺复兴时期，人们就开始修复一些中世纪的艺术品，目的是通过填补一些裂缝来恢复画面的原始外观，这种作品被称为“绘画”或“修饰”。M. Bertalmio首先提出，许多图像修复可以简化为可以使用计算机自动实现的数学表达式。图像修复是目前计算机图形学和计算机视觉领域的研究热点，在文物保护、影视特技制作、虚拟现实、多余物体去除（如删除视频图像中的一些字符、文字、字幕等）等方面具有重要的应用价值。
常见的修复程序包括：偏微分方程
法：Bertalmio采用偏微分方程（PDE）方法进行图像还原，取得了良好的效果。用户指定要修复的区域，算法将要沿轮廓法线修补的区域边界轮廓之外的信息散布到中间要修补的像素上。该算法利用局部颜色的平滑度沿等高线扩散，兼顾各向异性扩散，保证边缘边界的连续性，但该方法计算不稳定。
整体变分法和基于曲率的扩散模型：全局变分法（
TV，全变分）采用欧拉-拉格朗日方程和各向异性扩散，基于曲率的扩散模型（CDD，曲率驱动扩散）方法是全局变分侧的延伸，它考虑了扩散过程中轮廓（曲率）的几何信息，可以处理大面积，但边界往往模糊。高斯卷积检查滤波
方法：采用高斯卷积校验对图像进行滤波，可以快速修复受损区域，但算法仅考虑受损区域边缘一周的图像颜色值，使其仅适用于受损区域宽度为2-3像素的情况。
纹理合成方法
：纹理合成方法可以较好地去除图像中的大污渍，但由于算法运行时间与遮罩面积不成正比，而是与图像大小成正比，修复时间相对较长。
今天我们将使用 Python 来实现我们的修饰效果。
实验前的准备
我们使用的第一个版本的 Python 是 3.6.5。测试的系统是Windows 10，Windows 7，Linux和Apple。由此，我们也可以看到Python多平台和多扩展性的优势，易于迁移。使用的python库
有CV2库，用于读取图片，处理图像像素值和保存图片;numpy用于对读取的像素值矩阵执行操作。
施工修复过程1、图像处理步骤1：
首先，我们使用常见的OpenCV处理方法来处理图像。首先要做的是图像二值化和结构元素的创建，其中详细代码如下：
import cv2import numpy as nppath = “13.jpg”img = cv2.imread（path）hight， width， depth = img.shape[0：3]#图片二值化处理， 将 [240， 240， 240]~[255， 255， 255] 以外的颜色更改为 0thresh = cv2.inRange（img， np.array（[240， 240， 240]）， np.array（[255， 255， 255]））#创建形状和尺寸的结构元素kernel = np.ones（（3， 3）， np.uint8）.
2.扩大维修区域：
识别修复区域并根据相邻像素值进行扩展，以达到使用像素值修复图像的效果。cv2.inpaint 函数主要涉及两种算法。
一种算法从区域的边界开始，然后移动到该区域，逐渐填充边界中的所有内容。它需要在相邻像素周围的小社区中进行修复。此像素将替换为相邻像素中所有已知像素的归一化加权和。选择砝码是一个重要问题。对于靠近该点的像素，边界附近的法线和位于边界轮廓上的像素具有更大的权重。
另一种基于流体动力学并使用偏微分方程。基本原理是启发式。它首先沿着已知区域的边缘行进到未知区域（因为边缘是连续的）。它继续等待照片（连接相同强度点的线，就像轮廓连接相同高度的点一样），同时匹配修复区域边界处的梯度矢量。为此，使用了一些流体动力学方法。获得颜色后，填充颜色以减少区域中的最小差异。
详细代码如下：
#扩张待修复区域hi_mask = cv2.dilate（
thresh， kernel， iterations=1）specular = cv2.inpaint（img， hi_mask， 5， flags=cv2.INPAINT_TELEA）cv2.namedWindow（“Image”， 0）cv2.resizeWindow（“Image”， int（width / 2）， int（hight / 2））cv2.imshow（“Image”， img）cv2.namedWindow（“newImage”， 0） cv2.resizeWindow（“newImage”， int（width / 2）， int（hight / 2））a=cv2.imshow（“newImage”， specular）cv2.imwrite（“43.jpg”，specular）cv2.waitKey（0）cv2.destroyAllWindows
修复第二步修复过程2 1、图像处理步骤2：转换为HSV值
，并根据HSV值判断图片的前景和背景。HSV 是一种在倒锥体中表示 RGB 颜色空间中的点的方法。HSV是色相，饱和度，值，也称为HSB（B是亮度）。色相是颜色的基本属性，是俗称的颜色的名称，如红色、黄色等。饱和度（S）是指颜色的纯度，颜色越高，越纯洁，越低是逐渐变灰，取值0-100%。亮度（V），取0-max（计算机中的HSV值范围与存储时间长短有关）。HSV 色彩空间可以用圆锥空间模型来描述。在圆锥体的顶点，V=0cdd图像修复，H 和 S 未定义，表示黑色。在圆锥顶面的中心，V=max，S=0，H 未定义，表示白色。使用的主要函数是 cv2 库中的 cv2.cvtColor 函数，它使用参数 cv2。COLOR_BGR2HSV将RGB图像（opencv中的BGR图像）转换为HSV图像。
详细代码如下：Import cv2Import OSIMPORT numpy as npsta=0for file in os.listdir（“cut_test”）： sta=sta+1 print（“processing”+“cut_test/” + file） img = cv2.imread（
“cut_test/” + file） #img=cv2.imread （’1.jpg’） 行，列，通道 = img.shape 裁剪 = img[0：479， 0：cols] #转换hsv hsv=cv2.cvtColor（cropped，cv2.COLOR_BGR2HSV） # 图像二值化，将 [240， 240， 240]~[255， 255， 255] 以外的颜色更改为 0 thresh = cv2.inRange（hsv， np.array（[90，10，125]）， np.array（[135，180，255]）） erode = cv2.erode（thresh， None， iterations= 2） 扩张 = cv2.dilate（erode， None， iterations=0） # 创建形状和大小的结构元素 kernel = np.ones（（3， 3）， np.uint8）.
2. 图像还原：
在扩大修复区域的基础上，加上调整图像处理的像素值。
腐蚀操作详细说明如下：
定义一个十字形的结构元素其实是一个矩阵，我们知道在画面的腐蚀过程中，对于画面的每个点，用这个结构扫描每个点，用结构元素和它覆盖的二元图像做“AND”操作，如果两者都是1，则图像的结果像素是1。否则为0，则腐蚀处理的结果是将原始二进制图像减少一圈。使用的功能： cv2.erode（img，kernel）;
扩展操作详述如下：
使用相同的结构，对于每个点
图片，使用此结构扫描每个点，对结构元素及其覆盖的二值图像进行 AND 操作，如果出现 1，则图像的结果像素为 1。否则为0，则腐蚀处理的结果是将原始二值图像放大一圈。使用的函数：cv2.dilate（img，kernel）。
详细代码如下：
# 扩展要修复的区域 hi_mask = cv2.dilate（扩张， 内核， 迭代=1） 镜面反射 = cv2.inpaint（裁剪， hi_mask， -5， flags=cv2.INPAINT_NS） #合并 htich = np.vstack（（镜面反射， img[479：rows， 0：cols]）） ”’ 蓝色= #获取mask，调整下部的 h 控制颜色 lower_blue=np.array（[90，10，125]） upper_blue=np.array（[135，180，255]） mask = cv2.inRange（hsv， lower_blue， upper_blue） erode=cv2.erode（mask，None，iterations=1） dilate=cv2.dilate（erode，None，iterations=1） #腐蚀膨胀 erode=cv2.erode（mask，None，iterations=1） cv2.imshow（’erode’，erode） dilate=cv2.dilate（erode，None，iterations=1） cv2.imshow（’dilate’，dilate） 对于 i in range（rows）： for j in range（cols）： if dilate[i，j]==255： blue.append（[i，j] ） for w in blue： x=w[0] y=w[1] img[x，y]=[255，255，255] ”’ cv2.imwrite（“dels_test/” + str（sta） + “.jpg”， htich）”’ cv2.imshow（’Mask’， img） cv2.waitKey（0） cv2.destroyAllWindows”’
最终效果如图所示（右侧修复效果）：
你觉得怎么样？这个修复效果还不错吧？赶紧练习，掌握千万修图师的技能！
作者简介李秋健，CSDN
博客专家，《CSDN人才课程》作者。硕士毕业于中国矿业大学，开发Taptap安卓武侠游戏、VIP视频分析、文学转换工具、写作机器人等项目，发表论文数篇，多次获得高额比赛等。
360金融首席科学家张家兴：别指望AI实验室会变成中台
用Python在手机上实现自动答题cdd图像修复，没人能玩我这个百万答题游戏！
做
黑客使用机器学习 你惊慌失措吗？了解这 7 种窃取数据的新方法
这
您需要了解的有关Docker的核心内容就在这里！
5分钟！您可以学习以太坊 JSON API 的基础知识
