躺媳芽谂大家好这里是Coding茶水间。今天我来分享一个基于深度学习的图像增强系统主要使用开源的Zero-DCE模型。这个系统可以帮助我们将曝光不足的暗淡图片处理成曝光正常的清晰图像。下面我将详细介绍这个系统的原理、演示效果、代码实现以及训练方法。如果你感兴趣欢迎点赞、收藏和关注Zero-DCE模型在不同迭代下的图像增强效果对比:对比度图什么是图像增强图像增强指的是将曝光不足、暗淡的图片通过算法处理得到曝光正常、细节清晰的图像。例如一张夜晚拍摄的照片可能因为光线不足而看起来很模糊经过增强后就能看到更多细节如绿植、房屋等。什么是图像增强这个系统基于GitHub上的开源项目Zero-DCE模型。这是一个几年前比较火的低光照图像增强模型。其核心思想是将图像增强抽象成一个增强曲线来进行训练而不需要成对的低曝光和高曝光图像作为参考。这就是为什么它叫“Zero-Reference”零参考不需要依赖参考图像进行训练这是一个很大的优点。Zero-DCE开源地址https://github.com/Li-Chongyi/Zero-DCE演示效果让我们来看一些演示效果。系统处理速度很快只需几秒钟就能输出结果。国外街道示例左侧是原图暗淡无光经过处理后右侧得到曝光正常的图片细节更丰富。街道对比野外景色示例原图中绿植模糊不清增强后一下子看得非常清楚。野外对比夜晚图像示例如月球上的图片或小房屋原图几乎漆黑增强后变得清晰明亮。月球对比这些效果是通过PyQt5界面封装的你可以直接打开图片进行增强处理并保存结果。我已经将模型和界面打包在一起方便使用。代码实现下面是完整的代码实现。这是一个使用PyQt5构建的GUI应用集成了Zero-DCE模型。代码包括图像加载、模型推理、结果显示和保存功能。pythonfrom datetime import datetimeimport mathimport sysfrom shibie import Ui_MainWindowfrom PyQt5.QtWidgets import *from PyQt5 import QtCore, QtGui, QtWidgetsfrom PyQt5.QtCore import *from PyQt5.QtGui import *import cv2 as cvimport numpy as npimport osimport timeimport matplotlib.pyplot as pltimport torchimport torch.nn as nnfrom torchvision import transformsfrom PIL import Imageimport modelclass ImageProcess(QMainWindow, Ui_MainWindow):def __init__(self, parentNone):super(ImageProcess, self).__init__()self.setupUi(self)self.device torch.device(cuda if torch.cuda.is_available() else cpu)# 3. 加载模型self.DCE_net model.enhance_net_nopool().to(self.device)self.DCE_net.load_state_dict(torch.load(snapshots/Epoch99.pth, map_locationself.device))self.DCE_net.eval()def paintEvent(self, event):painter QPainter(self)pixmap QPixmap(main_background.jpg) # 加载背景图片painter.drawPixmap(self.rect(), pixmap) # 将图片拉伸填充整个窗口painter.end()def cv_imread(self,filePath):cv_img cv.imdecode(np.fromfile(filePath, dtypenp.uint8), -1)return cv_imgdef dakaituxiang(self):filename, _ QFileDialog.getOpenFileName(self, 打开图片)if filename:# self.captured cv.imdecode(np.fromfile(filename,dtypenp.uint8),-1)self.captured self.cv_imread(str(filename))self.image_path filename# self.captured cv.imread(str(filename))# OpenCV图像以BGR通道存储显示时需要从BGR转到RGB# self.captured cv.cvtColor(self.captured, cv.COLOR_BGR2RGB)rows, cols, channels self.captured.shapebytesPerLine channels * colscv_imgcv.cvtColor(self.captured,cv.COLOR_RGB2BGR)QImg QImage(cv_img.data, cols, rows,bytesPerLine, QImage.Format_RGB888)self.timecha 0self.result_tu self.capturedself.axes_yuantu.setPixmap(QPixmap.fromImage(QImg).scaled(self.axes_yuantu.size(), Qt.KeepAspectRatio, Qt.SmoothTransformation))def btn_save(self):if hasattr(self, result_tu) and self.result_tu is not None:filename, _ QFileDialog.getSaveFileName(self, 保存图片, , Images (*.png *.jpg *.bmp))if filename:cv.imwrite(filename, cv.cvtColor(self.result_tu, cv.COLOR_RGB2BGR))QMessageBox.information(self, 提示, 图片保存成功)else:QMessageBox.warning(self, 警告, 没有可保存的图像)def btnzero(self):original_img Image.open(self.image_path).convert(RGB)starttime time.time()# 2. 图像预处理transform transforms.Compose([transforms.ToTensor(),])img_tensor transform(original_img).unsqueeze(0).to(self.device)with torch.no_grad():_, enhanced_img, _ self.DCE_net(img_tensor)# 后处理enhanced_img enhanced_img.squeeze(0).permute(1, 2, 0).cpu().numpy()enhanced_img np.clip(enhanced_img * 255, 0, 255).astype(np.uint8)enhanced_img Image.fromarray(enhanced_img)enhanced_img np.array(enhanced_img) # 直接转 NumPy 数组enhanced_img cv.cvtColor(enhanced_img, cv.COLOR_RGB2BGR)enhanced_img cv.cvtColor(enhanced_img, cv.COLOR_BGR2RGB)endtime time.time()timecha (endtime - starttime) * 1000timecha round(timecha, 2)self.timecha timechaself.result_tu enhanced_img# 8. 显示结果cv_img enhanced_imgrows, cols, channels enhanced_img.shapebytesPerLine channels * colsQImg QImage(cv_img.data, cols, rows,bytesPerLine, QImage.Format_RGB888)# 显示在GUI的axes_quzao区域可根据需要修改为其他QLabelself.axes_bianyuan_2.setPixmap(QPixmap.fromImage(QImg).scaled(self.axes_bianyuan_2.size(), Qt.KeepAspectRatio, Qt.SmoothTransformation))returnif __name__ __main__:app QApplication(sys.argv)window ImageProcess()window.show()sys.exit(app.exec_())代码说明初始化加载Zero-DCE模型使用预训练权重Epoch99.pth。打开图片通过dakaituxiang方法选择并显示原图支持中文路径。增强处理btnzero方法使用Torch进行图像预处理、模型推理和后处理输出增强图像。保存btn_save方法保存增强后的图像。界面使用PyQt5背景图片为main_background.jpg结果显示在指定Label中。二次训练系统还提供了二次训练功能。你可以在data/train_data文件夹中使用作者提供的约2000张不同曝光程度的图像进行训练。运行训练函数时可能需要调整一些旧代码我已经做过优化确保运行OK。训练记录会保存过程大约需要几个小时取决于硬件。例如训练后你可以得到更好的模型适应特定场景。结语这就是基于深度学习的图像增强系统分享。如果你想获取完整代码和打包文件欢迎在评论区留下邮箱我会发给你。记得三连支持哦如果有问题随时讨论。