当前位置：首页 > news >正文

计算机视觉：python老照片修复系统卷积神经网络CNN算法图片修复深度学习 Django框架 pytorch 大数据（建议收藏）✅

news 2025/10/29 13:52:07

博主介绍：✌全网粉丝50W+，前互联网大厂软件研发、集结硕博英豪成立软件开发工作室，专注于计算机相关专业项目实战6年之久，累计开发项目作品上万套。凭借丰富的经验与专业实力，已帮助成千上万的学生顺利毕业，选择我们，就是选择放心、选择安心毕业✌
> 🍅想要获取完整文章或者源码，或者代做，拉到文章底部即可与我联系了。🍅

1、2026年计算机专业毕业设计选题大全（建议收藏）✅

2、大数据、计算机专业选题（Python/Java/大数据/深度学习/机器学习）（建议收藏）✅

1、项目介绍

技术栈：
Python语言、Django框架、vue框架、torch、卷积神经网络CNN算法、HTML

一、图片修复步骤：
这些步骤用于实现整体修复、人脸检测、人脸增强、图像融合等功能。
Stage 1: Overall restoration（整体修复）：
在这个阶段，系统会对整张老照片进行修复，包括修复损坏的区域、去除噪声、恢复细节等。这一步骤旨在还原整张照片的整体质量。
Stage 2: Face Detection（人脸检测）：
在这个阶段，系统会使用人脸检测算法来自动识别照片中的人脸位置。通过准确地检测人脸，可以为后续的人脸增强和图像融合提供准确的区域。
Stage 3: Face Enhancement（人脸增强）：
在这个阶段，系统会对检测到的人脸区域进行进一步的修复和增强。这包括去除人脸上的瑕疵、修复损坏的部分、增强细节等，以使人脸在修复后更加清晰和自然。
Stage 4: Blending（图像融合）：
在这个阶段，系统会将修复后的人脸区域与整体修复的图像进行融合，以保持整体修复的一致性和平滑过渡。
这一步骤旨在使修复后的人脸与周围环境相匹配，使整张照片看起来更加自然。

2、项目界面

（1）上传图片，点击照片修复，系统按照上面4个步骤处理，处理完成显示处理后的效果图

在这里插入图片描述

（2）上传图片，点击照片修复，系统按照上面4个步骤处理，处理完成显示处理后的效果图
在这里插入图片描述

（3）照片修复历史记录

在这里插入图片描述

（4）注册登录

在这里插入图片描述

3、项目说明

摘要

从墙壁绘画到暗箱拍摄，从银版摄影到彩色照片，从胶片冲印到数码相机，照片的发展印证了社会的发展和进步。照片不仅是一段时期的缩影和佐证，更是人类情感的载体。尽管在这个信息技术飞速发展的时代，情感需求也仍然是不可忽视的一环。而照片修复的意义则在于，让斑驳失去光泽的老照片重现生机，让那些逝去的记忆重返心中。就现今而言，真正意义上能够进行照片修复的技术人员并不多，照片修复的市场往往也是供大于求。利用机器深度学习来实现照片的智能修复，不仅能够满足大部分人修复旧照片的情感需要，也能够帮助相关技术人员更好的进行图像处理，使照片修复工作化繁为简，变得更加高效。
照片修复系统是基于后端框架Django设计并开发的，所运用的开发软件为PyCharm，借助其默认轻型嵌入式数据库SQLite存储样本数据。前端页面以Vue框架为主，Node.js为辅。系统所使用的编程语言有Python、JavaScript、HTML。

关键词：照片修复；深度学习；智能；图像处理

4 系统实现

登陆模块的实现有三个核心逻辑：
1.客户端传出逻辑：从控制器中取得用户填写的用户名和密码—>把信息装到登陆协议—>把信息传送给Web服务器。
2.服务器逻辑：服务器从通信模块收到协议—>判断协议编号—>通过协议编号判断出登陆协议—>解析出协议的内容(用户名和密码)—>通过封装好的数据库管理器里面的方法根据用户名获取到密码—>判断数据库提取出来的密码和解析内容密码是否相等—>如果相等，返回账号和密码正确，否则返回账号和密码不匹配。
3.客户端回传逻辑：客户端收到请求回调数据—>解析回调的数据类，如果收到“账号密码正确”，则可以跳转到下一个场景。如果收到”账号密码不匹配”，把消息通过控制器放入提示框。显示在登陆界面。
照片修复系统的登录页面，灵感来源于 qq登陆时的界面。设计以简洁为主，因此页面背景选择了网页原有的底色，未添加任何相关背景的渲染。具体页面如图4.1所示。

登录框位于整个背景的中心区域，看起来更加舒服。加上两个输入框，搭配深蓝色登录按钮，简洁大方。浅灰色“还没账号？立即注册”按钮，是一个超链接，可跳转至注册页面。这就是登录页面的全部内容，输入好用户名和密码，点击登录按钮就可以进入到系统主界面啦。

在登录页面，点击左下角的“还没账号？立即注册”按钮，将立即跳转至注册页面。这个页面包含三个输入框，分别是：输入用户名，输入密码和再次输入密码。系统利用名的唯一性，作为区分用区分用户的标准，因此输入的用户名必须是唯一且非空的[13]。这里的用户名和密码长度并无过多限制，基本满足用户注册的需求。其注册的逻辑与登陆逻辑类似，这里就不做赘述了。页面样式如下图4.2所示。

主界面的配色选择了紫色，左侧放置是功能栏，中间是一张在进行系统测试时所选用过的旧照片，照片的上面和下面分别是一些文字性的描述和一个上传图片的按钮，页面的右上角是个人的登陆状态。如图4.3所示。

这个页面在简约的基础上，加了一点小小的设计，当鼠标划至页面中间的旧照片上时，这张照片会变成其修复后的样子，增强了系统的可观性。这部分用到的是前端技术中的鼠标悬停，鼠标悬停的意思是指,当鼠标在网页的部分图标、文字或者图片上停留的时候，会有部分内容弹出或改变，当从这个图标、文字或者图片上移开鼠标后，弹出的内容自动缩回或改变的内容变回原样[12]。如图4.4所示。

历史记录模块是对当前登陆用户所有的修复记录的一个展现，为用户提供对以往修复照片的保存机会。如图4.5所示。

这个模块主要是对于数据库中照片记录表（photo）的使用，将封存在数据库表中的数据与照片路径进行调用，经过交互，在页面中显示出来，实现并不复杂。

4、核心代码

# Copyright (c) Microsoft Corporation.
# Licensed under the MIT License.import os
import argparse
import shutil
import sys
from subprocess import calldef run_cmd(command):try:call(command, shell=True)except KeyboardInterrupt:print("Process interrupted")sys.exit(1)if __name__ == "__main__":parser = argparse.ArgumentParser()parser.add_argument("--input_folder", type=str, default="./test_images/old", help="Test images")parser.add_argument("--output_folder",type=str,default="./output",help="Restored images, please use the absolute path",)parser.add_argument("--GPU", type=str, default="6,7", help="0,1,2")parser.add_argument("--checkpoint_name", type=str, default="Setting_9_epoch_100", help="choose which checkpoint")parser.add_argument("--with_scratch", action="store_true")parser.add_argument("--HR", action='store_true')opts = parser.parse_args()gpu1 = opts.GPU# resolve relative paths before changing directoryopts.input_folder = os.path.abspath(opts.input_folder)opts.output_folder = os.path.abspath(opts.output_folder)if not os.path.exists(opts.output_folder):os.makedirs(opts.output_folder)main_environment = os.getcwd()## Stage 1: Overall Quality Improveprint("Running Stage 1: Overall restoration")os.chdir("./Global")stage_1_input_dir = opts.input_folderstage_1_output_dir = os.path.join(opts.output_folder, "stage_1_restore_output")if not os.path.exists(stage_1_output_dir):os.makedirs(stage_1_output_dir)if not opts.with_scratch:stage_1_command = ("python test.py --test_mode Full --Quality_restore --test_input "+ stage_1_input_dir+ " --outputs_dir "+ stage_1_output_dir+ " --gpu_ids "+ gpu1)run_cmd(stage_1_command)else:mask_dir = os.path.join(stage_1_output_dir, "masks")new_input = os.path.join(mask_dir, "input")new_mask = os.path.join(mask_dir, "mask")stage_1_command_1 = ("python detection.py --test_path "+ stage_1_input_dir+ " --output_dir "+ mask_dir+ " --input_size full_size"+ " --GPU "+ gpu1)if opts.HR:HR_suffix=" --HR"else:HR_suffix=""stage_1_command_2 = ("python test.py --Scratch_and_Quality_restore --test_input "+ new_input+ " --test_mask "+ new_mask+ " --outputs_dir "+ stage_1_output_dir+ " --gpu_ids "+ gpu1 + HR_suffix)run_cmd(stage_1_command_1)run_cmd(stage_1_command_2)## Solve the case when there is no face in the old photostage_1_results = os.path.join(stage_1_output_dir, "restored_image")stage_4_output_dir = os.path.join(opts.output_folder, "final_output")if not os.path.exists(stage_4_output_dir):os.makedirs(stage_4_output_dir)for x in os.listdir(stage_1_results):img_dir = os.path.join(stage_1_results, x)shutil.copy(img_dir, stage_4_output_dir)print("Finish Stage 1 ...")print("\n")## Stage 2: Face Detectionprint("Running Stage 2: Face Detection")os.chdir(".././Face_Detection")stage_2_input_dir = os.path.join(stage_1_output_dir, "restored_image")stage_2_output_dir = os.path.join(opts.output_folder, "stage_2_detection_output")if not os.path.exists(stage_2_output_dir):os.makedirs(stage_2_output_dir)if opts.HR:stage_2_command = ("python detect_all_dlib_HR.py --url " + stage_2_input_dir + " --save_url " + stage_2_output_dir)else:stage_2_command = ("python detect_all_dlib.py --url " + stage_2_input_dir + " --save_url " + stage_2_output_dir)run_cmd(stage_2_command)print("Finish Stage 2 ...")print("\n")## Stage 3: Face Restoreprint("Running Stage 3: Face Enhancement")os.chdir(".././Face_Enhancement")stage_3_input_mask = "./"stage_3_input_face = stage_2_output_dirstage_3_output_dir = os.path.join(opts.output_folder, "stage_3_face_output")if not os.path.exists(stage_3_output_dir):os.makedirs(stage_3_output_dir)if opts.HR:opts.checkpoint_name='FaceSR_512'stage_3_command = ("python test_face.py --old_face_folder "+ stage_3_input_face+ " --old_face_label_folder "+ stage_3_input_mask+ " --tensorboard_log --name "+ opts.checkpoint_name+ " --gpu_ids "+ gpu1+ " --load_size 512 --label_nc 18 --no_instance --preprocess_mode resize --batchSize 1 --results_dir "+ stage_3_output_dir+ " --no_parsing_map") else:stage_3_command = ("python test_face.py --old_face_folder "+ stage_3_input_face+ " --old_face_label_folder "+ stage_3_input_mask+ " --tensorboard_log --name "+ opts.checkpoint_name+ " --gpu_ids "+ gpu1+ " --load_size 256 --label_nc 18 --no_instance --preprocess_mode resize --batchSize 4 --results_dir "+ stage_3_output_dir+ " --no_parsing_map")run_cmd(stage_3_command)print("Finish Stage 3 ...")print("\n")## Stage 4: Warp backprint("Running Stage 4: Blending")os.chdir(".././Face_Detection")stage_4_input_image_dir = os.path.join(stage_1_output_dir, "restored_image")stage_4_input_face_dir = os.path.join(stage_3_output_dir, "each_img")stage_4_output_dir = os.path.join(opts.output_folder, "final_output")if not os.path.exists(stage_4_output_dir):os.makedirs(stage_4_output_dir)if opts.HR:stage_4_command = ("python align_warp_back_multiple_dlib_HR.py --origin_url "+ stage_4_input_image_dir+ " --replace_url "+ stage_4_input_face_dir+ " --save_url "+ stage_4_output_dir)else:stage_4_command = ("python align_warp_back_multiple_dlib.py --origin_url "+ stage_4_input_image_dir+ " --replace_url "+ stage_4_input_face_dir+ " --save_url "+ stage_4_output_dir)run_cmd(stage_4_command)print("Finish Stage 4 ...")print("\n")print("All the processing is done. Please check the results.")