小伙伴们应该在别的自媒体平台上看到过，关于老照片修复的文章或短视频，而这项技术目前在用户群体中很受欢迎，目前作为服务早早已经在各大电商平台售卖了
作为一个技术号主，今天给大家介绍一个老照片修复相关的 Github 项目，并手把手教学，带大家将这个项目起来，
学会了之后可以把项目应用到自己收集的图片上，有想法的读者也可以借助这个项目帮别人修复照片赚点零花钱，岂不美滋滋~
Github 项目叫 Bringing-Old-Photos-Back-to-Life，是微软公司把去年发表在 CVPR 上的一篇期刊的源码，项目地址 https://github.com/microsoft/...
名称就代表了项目用途：对老照片进行修复，恢复它原有的样貌；下面是官方公布的一些修复前后对比效果图，看上去是不是很赞 ~
根据上面给定的样例，如果对项目的功能细分的话可分为以下三类
- 1，旧照片全景修复；
- 2，照片折痕识别、修复；
- 3，照片人脸识别、人脸部分增强；
上面对项目一个简单介绍以后，下面开始正式介绍它的用法，先交代一下本次的测试环境：
- OS: Windows 10，
- Python ：python 3.7.6，
- IDE : Pycharm；
- torch : 1.6.0+cpu
- torchvision ：0.7.0+cpu
1，下载项目，克隆到本地
项目下载方式有两种，Download Zip 或 git 命令(需借助 Git 工具) ；Download Zip 通过浏览器来下载，得到的是个解压包，下载到本地之后解压即可
解压后的目录如下：
2，配置环境
该项目是基于深度学习训练得到的，但官方已经提供了训练好的权重文件，可以直接下载下来供我们使用(网络当然也可以重新训练，但极其不建议，因为耗时、耗钱并且最终权重精度远不如官方)，一共需要配置 3 部分权重文件
2.1 Global 权重配置
该权重是用于图片全局修复，下载地址
https://facevc.blob.core.windows.net/zhanbo/old_photo/pretrain/Global/checkpoints.zip下载后把文件加压至 ./Global 文件目录下
2.2 Face_Detection 权重
在前面项目介绍中，提到过该项目除了可以照片修复之外，还可以进行人脸增强，简单理解就是把模糊的人脸图像清晰化
人脸增强 首先需要解决的是人脸识别问题，项目中借助的是一个Python库 dlib，关于 dlib 使用可以参考之前我写的一篇文章 实现人脸识别、人脸68个特征点提取，或许这个 Python 库能帮到你！
dlib 库安装也可以通过 pip 工具，但需要注意两个点 ：
- 1， pip 安装 dlib 之前，需提前安装好 Cmake ，
pip install Cmake，否则会安装失败; - 2，用 dlib 进行人脸识别需要下载一个权重文件
dlib 权重文件下载地址如下，下载完之后将权重文件解压至 文件夹 ./Face_Detection/ 中
http://dlib.net/files/shape_predictor_68_face_landmarks.dat.bz22.3 Face_Enhancement 权重
Face_Enhancement 权重用于人脸部位增强，下载后权重文件解压至 ./Face_Enhancement ，下载地址如下
https://facevc.blob.core.windows.net/zhanbo/old_photo/pretrain/Face_Enhancement/checkpoints.zip2.4 Synchronized-BatchNorm-PyTorch
这是 Pytorch 框架的一个 同步BatchNorm 一个分支仓库，此项目中用到了这个模块；仓库地址
https://github.com/vacancy/Sy...
将仓库克隆到本地，解压后目录如下：
项目中两处地方用到了 sync_batchnorm 文件夹，这里需要注意下一下
1，将 sync_batchnorm 复制到 Face_Enhancement/models/network 文件夹下，还需要改动一点项目中的代码部分，找到 Face_Enhancement/models/network/normalize.py 脚本，更改第 8 行代码，将
from models.networks.sync_batchnorm import SynchronizedBatchNorm2d改为
from models.networks.sync_batchnorm.batchnorm import SynchronizedBatchNorm2d
2，将 sync_batchnorm 复制到 Global/detection_models ，找到 Global/detection_models/network.py 脚本，更改第 7 行代码，将
from detection_models.sync_batchnorm import DataParallelWithCallback改为
from detection_models.sync_batchnorm.replicate import DataParallelWithCallback
2.5 安装依赖项
在终端输入下面命令，安装项目中所需的第三方程序包
pip install -r requirements.txt3，运行，修复自己收集的图片
上面环境配置好之后，下面就可以正常使用了；在项目中官方给的有测试图片，存放在 test_images, 分为两类
- old 老照片，没有折痕的照片；
- old_w_scratch ，有折痕的照片
3.1 修复不带折痕的照片
对于不带折痕的照片，终端输入时需要三个参数，
--input_folder，存放需要修复图片的文件路径，不指定时默认为./test_images/old;--output_folder，存放修复后图片的文件路径，不指定时默认为./output/--GPU，指定用到的 GPU 编号，可设定为0、0,1或0,1,2，没有 GPU 配置时 设为-1表示运行时只用 CPU ；设定 GPU 时需要确保配置的 Pytorch 是 GPU 版本，相对 CPU 的话，GPU 测试时间会更短；
测试时，启动命令如下，这里 --input_folder、--output_folder参数都为默认，所以命令中加这两个参数，电脑比较渣没有 GPU 所以设为 -1；
python run.py --GPU -13.2 修复带折痕的照片
与不带折痕相比，修复带折痕照片要多加入一个参数 --with_scratch，还有一点不同的是存放原照片默认路径更改为为 ./test_images/old_w_scratch ，其它参数设置见 3.1
终端中输入的测试命令如下：
python run.py --GPU -1 --with_scratch最终的运行结果
官方在 ./test_images/old 和 ./test_images/old_w_scratch 文件夹下提供的有测试图片，读者们想要测试自己收集的图片时，有两种方法
- 1，把自己图片放入默认
--input_folder文件夹中，运行时无需指定--input_folder参数 - 2，运行命令指定
--input_folder参数，后跟自己存放照片的文件路径；
关于此项目的使用方法，基本就这些了，最后在这里贴几张我运行得到的几张修复图
不带折痕的
图一
图二
图三
图四
上面这张图大致一看没什么变化，是因为原图像本身就很清晰，但如果把图片放大的话就明显看到两者之间的差距
放大后的左图
放大后的右图
带有折痕的图片修复
图一
图二
图三
小结
关于本项目中图像修复技术原理，这里并没有特别介绍，如果只是想用一下这项技术的话，这篇文章已经足够能帮到你了。
以上就是本次分享的所有内容，如果你觉得文章还不错，欢迎关注公众号：Python编程学习圈，每日干货分享，发送“J”还可领取大量学习资料。或是前往编程学习网，了解更多编程技术知识。