自学教程：Colorful-Image-Colorization, 图像着色的深度学习方法

A deep learning approach to colorizing images

• 源代码名称:Colorful-Image-Colorization
• 源代码网址:http://www.github.com/cameronfabbri/Colorful-Image-Colorization
• Colorful-Image-Colorization源代码文档
• Colorful-Image-Colorization源代码下载
• Git URL:
  复制

  git://www.github.com/cameronfabbri/Colorful-Image-Colorization.git

  Git Clone代码到本地:
  复制

  git clone http://www.github.com/cameronfabbri/Colorful-Image-Colorization

  Subversion代码到本地:
  复制

  $ svn co --depth empty http://www.github.com/cameronfabbri/Colorful-Image-Colorization
  Checked out revision 1.
  $ cd repo
  $ svn up trunk
  

  着色图像

  更新- 完全清除 Tensorflow 1.0和重新培训模型的代码。

  一种深着色图像的深入学习方法，特别。

  当前模型被训练用于从黑色。晶体和金刚石上拍摄的截图，然后测试黑色版本。 下面的示例结果。

  

  

  

  基本培训用法

  images/train 文件夹中的文件如下所示：

  图像评估

  我已经在 models/ 目录中包含了一个经过训练的模型，你可以运行自己的映像。 你可以在一个图像或者一个图像文件夹上运行该模型。 对于一个图像，运行 eval_one.py 并将模型和图像作为参数传递。 运行多个图像，运行 eval.py 并将模型和文件夹传递给图像。 eval.py 将在 output 文件夹中保存图像，因为 eval_one.py 将保存在当前目录中。 例如：

  训练你自己的数据

  有一些脚本可以帮助创建自己的数据集，因为需要获得良好结果所需的数据量是很好的。 上面的结果被训练为大约 50,000个图像。

  获取图片最简单的方法是从不同游戏的Youtube浏览视频中提取它们。 考虑到你有一个带有视频的文件夹

  videos/

  video_1.mp4

  video_2.mp4

  ...

  使用 extract_frames.sh 从每个视频中提取图像。 只需传递包含图片的文件夹。

  根据视频在游戏周围的边界，你可以能需要使用 crop_images.py 来裁剪边框。 脚本中有注释，你可以注释以查看图像，以确保裁剪是正确的。