使用python提升图片清晰度的常见方法！
使用python提升图片清晰度的常见方法！
在Python中，提升图片清晰度可以通过多种方法实现，其中一些常见的方法包括使用图像处理库如OpenCV和Pillow，以及深度学习库如TensorFlow或PyTorch来实现更高级的图像增强。下面是一些常见的方法：
方法1：使用Pillow库
Pillow是一个非常流行的Python图像处理库，可以用来调整图片的对比度、锐化等，从而在一定程度上提升图片的清晰度。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
|
from PIL import Image, ImageEnhance, ImageFilter# 打开图片image = Image.open("path_to_your_image.jpg")# 增加对比度enhancer = ImageEnhance.Contrast(image)image_enhanced = enhancer.enhance(2) # 2是对比度因子，可以调整# 锐化图片image_sharp = image_enhanced.filter(ImageFilter.SHARPEN)# 保存处理后的图片image_sharp.save("path_to_save_enhanced_image.jpg") |
方法2：使用OpenCV库
OpenCV是一个开源的计算机视觉和机器学习软件库，它也提供了图像锐化等操作。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
|
import cv2import numpy as np# 读取图片image = cv2.imread("path_to_your_image.jpg")# 转换为灰度图（可选，锐化通常在灰度图上操作）gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)# 应用锐化核进行锐化处理kernel_sharpening = np.array([[-1,-1,-1], [-1, 9,-1],[-1,-1,-1]])sharpened = cv2.filter2D(gray, -1, kernel_sharpening)# 将灰度图转换回彩色图（如果需要）sharpened_color = cv2.cvtColor(sharpened, cv2.COLOR_GRAY2BGR)# 保存处理后的图片cv2.imwrite("path_to_save_enhanced_image.jpg", sharpened_color) |
方法3：使用深度学习方法（例如使用TensorFlow或PyTorch）
对于更高级的图像增强，可以使用深度学习模型，如使用预训练的模型进行风格迁移或超分辨率（Super-Resolution）。这通常需要更多的计算资源和数据。
使用TensorFlow的Keras进行图像超分辨率：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
|
import tensorflow as tffrom tensorflow.keras.applications.vgg16 import VGG16, preprocess_inputfrom tensorflow.keras.models import Modelfrom tensorflow.keras.layers import Input, Conv2D, UpSampling2D, concatenateimport numpy as npimport cv2# 加载预训练的VGG16模型（用于特征提取）base_model = VGG16(weights='imagenet', include_top=False, input_shape=(None, None, 3))base_output = base_model.outputbase_model.trainable = False # 冻结VGG16层以节省内存和加快处理速度# 定义超分辨率模型结构（这里仅为示例，实际模型可能需要更复杂的结构）input_img = Input(shape=(None, None, 3))x = Conv2D(64, (3, 3), activation='relu', padding='same')(input_img)x = UpSampling2D()(x) # 上采样以增加图像尺寸，通常需要多次上采样和卷积层组合使用以获得更好的效果。x = Conv2D(64, (3, 3), activation='relu', padding='same')(x)x = UpSampling2D()(x) # 再次上采样以进一步增加图像尺寸和清晰度。output_img = Conv2D(3, (3, 3), activation='sigmoid', padding='same')(x) # 输出层，注意激活函数根据需求选择。model = Model(input_img, output_img) # 创建模型实例。model.compile(optimizer='adam', loss='mse') # 编译模型，选择适当的损失函数。# 加载并预处理图像（仅为示例，实际使用时需要根据数据集进行调整）image = cv2.imread("path_to_your_image.jpg")image = cv2.resize(image, (256, 256)) |
知识扩展
下面小编为大家整理了Python提高图片的分辨率的方法，感兴趣的小伙伴可以了解下
方法 1：使用插值方法（如双线性插值、双三次插值）
插值是一种简单的图像放大方法，适合快速实现，但可能会损失一些细节。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
|
from PIL import Image# 打开图像image = Image.open("input_image.jpg")# 设置目标分辨率（宽度, 高度）target_size = (1920, 1080) # 例如，将图像放大到1920x1080# 使用双三次插值放大图像resized_image = image.resize(target_size, Image.BICUBIC)# 保存结果resized_image.save("output_image_high_res.jpg") |
插值方法说明：
- Image.NEAREST：最近邻插值（速度最快，质量最低）。
- Image.BILINEAR：双线性插值（质量中等）。
- Image.BICUBIC：双三次插值（质量较高，推荐使用）。
- Image.LANCZOS：Lanczos插值（质量最高，但计算较慢）。
方法 2：使用深度学习模型（如ESRGAN、SRCNN）
深度学习模型可以生成更高质量的图像，适合需要高保真度的场景。
使用 OpenCV 和 TensorFlow 实现超分辨率：
安装依赖：
|
1
|
pip install opencv-python tensorflow |
使用预训练的深度学习模型：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
|
import cv2import tensorflow as tfimport numpy as np# 加载预训练的超分辨率模型model = tf.keras.models.load_model("pretrained_esrgan_model.h5") # 替换为你的模型路径# 读取图像image = cv2.imread("input_image.jpg")image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB) # 转换为RGB格式image = image / 255.0 # 归一化# 调整图像大小为模型输入尺寸input_image = np.expand_dims(image, axis=0) # 添加批次维度# 使用模型预测高分辨率图像high_res_image = model.predict(input_image)# 后处理high_res_image = np.squeeze(high_res_image, axis=0) # 去掉批次维度high_res_image = (high_res_image * 255).astype(np.uint8) # 反归一化# 保存结果cv2.imwrite("output_image_high_res.jpg", cv2.cvtColor(high_res_image, cv2.COLOR_RGB2BGR)) |
模型说明：
- ESRGAN：Enhanced Super-Resolution Generative Adversarial Networks，生成高质量的超分辨率图像。
- SRCNN：Super-Resolution Convolutional Neural Network，经典的超分辨率模型。
- 你可以从开源社区（如 TensorFlow Hub 或 GitHub）下载预训练模型。
方法 3：使用现成的超分辨率工具包
一些现成的工具包（如 OpenCV 的 dnn_superres 模块）可以方便地实现超分辨率。
安装依赖：
|
1
|
pip install opencv-python opencv-contrib-python |
使用 dnn_superres：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
|
import cv2# 创建超分辨率对象sr = cv2.dnn_superres.DnnSuperResImpl_create()# 加载预训练模型model_path = "EDSR_x4.pb" # 替换为你的模型路径sr.readModel(model_path)sr.setModel("edsr", 4) # 设置模型类型和放大倍数# 读取图像image = cv2.imread("input_image.jpg")# 进行超分辨率high_res_image = sr.upsample(image)# 保存结果cv2.imwrite("output_image_high_res.jpg", high_res_image) |
模型说明：
可以从 OpenCV 官方资源 下载预训练模型（如 EDSR、ESPCN、FSRCNN 等）。
总结
插值方法：简单快速，适合一般需求，但细节可能不足。
深度学习模型：生成高质量图像，适合高保真度需求，但需要更多计算资源。
现成工具包：如 OpenCV 的 dnn_superres，方便易用，适合快速实现。
根据你的需求选择合适的方法！如果需要高质量结果，推荐使用深度学习模型。
如果你想直接修改图片的分辨率（即调整图像的宽度和高度），可以使用 OpenCV 的 resize 函数。这种方法会通过插值来放大或缩小图像，但不会增加图像的细节（即不会真正提高图像的质量）。以下是代码示例：
代码：使用 OpenCV 修改图片分辨率
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
|
import cv2# 读取图像image = cv2.imread("input_image.jpg")# 设置目标分辨率（宽度, 高度）target_width = 1920 # 目标宽度target_height = 1080 # 目标高度target_size = (target_width, target_height)# 使用 OpenCV 的 resize 函数调整分辨率resized_image = cv2.resize(image, target_size, interpolation=cv2.INTER_CUBIC)# 保存结果cv2.imwrite("output_image_resized.jpg", resized_image)# 显示结果（可选）cv2.imshow("Resized Image", resized_image)cv2.waitKey(0)cv2.destroyAllWindows() |
参数说明
1.target_size：
- 目标分辨率，格式为 (宽度, 高度)。
- 例如 (1920, 1080) 表示将图像调整为 1920x1080 的分辨率。
2.interpolation：
插值方法，用于决定如何计算新像素的值。常用的插值方法包括：
- cv2.INTER_NEAREST：最近邻插值（速度最快，质量最低）。
- cv2.INTER_LINEAR：双线性插值（默认值，速度较快，质量较好）。
- cv2.INTER_CUBIC：双三次插值（速度较慢，质量更高）。
- cv2.INTER_LANCZOS4：Lanczos 插值（速度最慢，质量最好）。
注意事项
放大图像：
- 如果目标分辨率比原始图像大，OpenCV 会通过插值填充新像素，但不会增加图像的细节。
- 放大后的图像可能会显得模糊。
缩小图像：
如果目标分辨率比原始图像小，OpenCV 会丢弃部分像素，图像会变得更小，但可能会丢失一些细节。
保持宽高比：
如果你希望调整分辨率时保持图像的宽高比，可以先计算缩放比例，然后调整分辨率。例如：
|
1
2
3
4
5
|
original_height, original_width = image.shape[:2]scale_percent = 50 # 缩小到原来的50%target_width = int(original_width * scale_percent / 100)target_height = int(original_height * scale_percent / 100)target_size = (target_width, target_height) |
总结
使用 cv2.resize 可以直接修改图像的分辨率，但不会增加图像的细节。
如果需要高质量的超分辨率效果，建议使用深度学习模型（如 ESRGAN、SRCNN 等）。
到此这篇关于使用python提升图片清晰度的常见方法的文章就介绍到这了。
学习资料见知识星球。
以上就是今天要分享的技巧，你学会了吗？若有什么问题，欢迎在下方留言。
快来试试吧，小琥 my21ke007。获取 1000个免费 Excel模板福利！
更多技巧， www.excelbook.cn
欢迎 加入 零售创新 知识星球，知识星球主要以数据分析、报告分享、数据工具讨论为主；
1、价值上万元的专业的PPT报告模板。
2、专业案例分析和解读笔记。
3、实用的Excel、Word、PPT技巧。
4、VIP讨论群，共享资源。
5、优惠的会员商品。
6、一次付费只需129元，即可下载本站文章涉及的文件和软件。
共有 0 条评论