深度學(xué)習(xí)方法，如微軟的Bringing-Old-Photos-Back-to-Life的模型等。存在一些問題，首先是使用深度學(xué)習(xí)方法沒有剛好的模型，得在自己的數(shù)據(jù)集上微調(diào)，比較麻煩，其次是帶來的推理時(shí)間開銷會(huì)比較大，不是特別劃算，畢竟只是一個(gè)小環(huán)節(jié)。
商用API，發(fā)現(xiàn)百度智能云提供了很多這方面的API，調(diào)用相當(dāng)方便，但是免費(fèi)次數(shù)有限啊。
基于python自帶的PIL 實(shí)現(xiàn)圖片亮度增強(qiáng)、飽和度增強(qiáng)、對(duì)比度增強(qiáng)以及銳度增強(qiáng)。
基于opencv實(shí)現(xiàn)數(shù)字圖像處理?。?！

百度智能云

官方教程：鏈接

參考代碼（方便的一塌糊涂）：

from aip import AipImageProcess
import base64
import os
APP_ID = ''
API_KEY = ''
SECRET_KEY = ''
client = AipImageProcess(APP_ID, API_KEY, SECRET_KEY)
""" 讀取圖片 """
def get_file_content(filePath):
    with open(filePath, 'rb') as fp:
        return fp.read()
def get_all_file(path):
    all_file=[]
    for i in os.listdir(path):
        file_name=os.path.join(path,i)
        all_file.append(file_name)
    return all_file
for img_path in get_all_file('img'):
    image = get_file_content(img_path)
    """ 調(diào)用圖像清晰度增強(qiáng) """
    if not os.path.exists('output'):
        os.mkdir('output')
    response = client.imageDefinitionEnhance(image)
    imgdata = base64.b64decode(response['image'])
    file = open(os.path.join('output', img_path.split('\\')[-1]), 'wb')
    file.write(imgdata)
    file.close()

PIL實(shí)現(xiàn)

from PIL import Image
from PIL import ImageEnhance
import numpy as np
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['FangSong'] # 設(shè)置字體以便正確顯示漢字
plt.rcParams['axes.unicode_minus'] = False # 正確顯示連字符
# 原圖
image = Image.open('img/timg.jpg')
# 亮度增強(qiáng)
enh_bri = ImageEnhance.Brightness(image)
brightness = 2
image_brightened = enh_bri.enhance(brightness)
# 色度增強(qiáng)(飽和度↑)
enh_col = ImageEnhance.Color(image)
color = 2
image_colored = enh_col.enhance(color)
# 對(duì)比度增強(qiáng)
enh_con = ImageEnhance.Contrast(image)
contrast = 2
image_contrasted = enh_con.enhance(contrast)
# 銳度增強(qiáng)
enh_sha = ImageEnhance.Sharpness(image)
sharpness = 4.0
image_sharped = enh_sha.enhance(sharpness)
fig,axes=plt.subplots(nrows=2,ncols=3,figsize=(10,8),dpi=100)
axes[0,0].imshow(np.array(image, dtype=np.uint8)[:,:,::-1])
axes[0,0].set_title("原圖")
axes[0,1].imshow(np.array(image_brightened, dtype=np.uint8)[:,:,::-1])
axes[0,1].set_title("亮度增強(qiáng)")
axes[0,2].imshow(np.array(image_colored, dtype=np.uint8)[:,:,::-1])
axes[0,2].set_title("飽和度增強(qiáng)")
axes[1,0].imshow(np.array(image_contrasted, dtype=np.uint8)[:,:,::-1])
axes[1,0].set_title("對(duì)比度增強(qiáng)")
axes[1,1].imshow(np.array(image_sharped, dtype=np.uint8)[:,:,::-1])
axes[1,1].set_title("銳度增強(qiáng)")
axes[1,2].imshow(np.array(image_sharped, dtype=np.uint8)[:,:,::-1])
axes[1,2].set_title("銳度增強(qiáng)")
plt.show()

opencv實(shí)現(xiàn)

鏈接

python實(shí)現(xiàn)圖像質(zhì)量評(píng)價(jià)準(zhǔn)則PSNR

計(jì)算PSNR的Python代碼，網(wǎng)上有下面兩種：

import cv2
import numpy as np
import math
def psnr1(img1, img2):
? ?mse = np.mean((img1 - img2) ** 2 )
? ?if mse < 1.0e-10:
? ? ? return 100
? ?return 10 * math.log10(255.0**2/mse)
def psnr2(img1, img2):
? ?mse = np.mean( (img1/255. - img2/255.) ** 2 )
? ?if mse < 1.0e-10:
? ? ? return 100
? ?PIXEL_MAX = 1
? ?return 20 * math.log10(PIXEL_MAX / math.sqrt(mse))

理論上，這兩種計(jì)算方式都對(duì)應(yīng)上面的計(jì)算公式，在輸入圖像一樣的情況下，這兩段代碼的結(jié)果應(yīng)該是一樣的。

但是，在調(diào)用這段代碼的時(shí)候，我發(fā)現(xiàn)這兩者的結(jié)果卻相差很遠(yuǎn)，同樣的圖片，psnr1的結(jié)果大概是29，而psnr2的結(jié)果是12。

gt = cv2.imread('1.jpg')
img= cv2.imread('2.jpg')
print(psnr1(gt,img))
print(psnr2(gt,img))

單看代碼的話完全看不出來任何問題，后來我輸出了這兩張圖像作差的結(jié)果，發(fā)現(xiàn)所有的值都是在0-255之間的，比如img1的一個(gè)像素值是30，img2的一個(gè)像素值是60，二者作差，本來應(yīng)該是-30，但是結(jié)果卻是226，即對(duì)于負(fù)值，輸出要加上256。

所以，問題就出在這行代碼上：