улучшаем качество фото на питоне

from PIL import Image, ImageFilter

# Открываем изображение
image_path = 'фото.jpg'  # ваше изображение
image = Image.open(image_path)

# Применяем фильтр улучшения
enhanced_image = image.filter(ImageFilter.UnsharpMask(radius=2, percent=125, threshold=3))

# Сохраняем улучшенное изображение
enhanced_image.save('фото1.jpg')  # Укажите путь для сохранения



    **


from PIL import Image, ImageFilter

# Открываем изображение
image_path = 'фото.jpg'  # путь к вашему изображению
image = Image.open(image_path)

# Увеличиваем размер изображения на 15%
width, height = image.size
new_size = (int(width * 1.15), int(height * 1.15)) 
resized_image = image.resize(new_size, Image.ANTIALIAS)

# Применяем фильтр резкости
sharpened_image = resized_image.filter(ImageFilter.SHARPEN)

# Сохраняем улучшенное изображение
sharpened_image.save('фото2.jpg')  # путь сохранения обработанного фото




    **


незабудьте установить библиотеку в командном окне
 pip install Pillow


В библиотеке Pillow есть несколько основных фильтров, которые можно использовать для обработки изображений. Вот некоторые из них:

ImageFilter.BLUR: Применяет размытие к изображению.

blurred_image = image.filter(ImageFilter.BLUR)
ImageFilter.CONTOUR: Создает контурное изображение, подчеркивая края.

contour_image = image.filter(ImageFilter.CONTOUR)
ImageFilter.DETAIL: Увеличивает детали изображения, делая его более четким.

detail_image = image.filter(ImageFilter.DETAIL)
ImageFilter.EDGE_ENHANCE: Улучшает края изображения.

edge_enhanced_image = image.filter(ImageFilter.EDGE_ENHANCE)
ImageFilter.EDGE_ENHANCE_MORE: Более сильное улучшение краев по сравнению с EDGE_ENHANCE.

edge_enhanced_more_image = image.filter(ImageFilter.EDGE_ENHANCE_MORE)
ImageFilter.EMBOSS: Создает эффект рельефа на изображении.

embossed_image = image.filter(ImageFilter.EMBOSS)
ImageFilter.SHARPEN: Увеличивает резкость изображения.

sharpened_image = image.filter(ImageFilter.SHARPEN)
ImageFilter.UnsharpMask: Применяет метод "нечеткой маски" для повышения резкости.

unsharp_image = image.filter(ImageFilter.UnsharpMask(radius=2, percent=150, threshold=3))
ImageFilter.SMOOTH: Уменьшает шум и делает изображение более гладким.

smooth_image = image.filter(ImageFilter.SMOOTH)
ImageFilter.SMOOTH_MORE: Более сильное сглаживание по сравнению с SMOOTH.

smooth_more_image = image.filter(ImageFilter.SMOOTH_MORE)
Эти фильтры можно комбинировать и настраивать для достижения желаемого эффекта. Просто помните, что каждый фильтр может по-разному влиять на изображение, поэтому стоит экспериментировать



также можно использовать бесплатную программу  IrfanView

поиск по теме - https://yandex.ru/search/?text=улучшить+фото+на+питоне+&

*

Для улучшения фото на Python можно использовать скрипт image_enhancer.py. Он повышает чёткость и контраст изображения, а также применяет гауссовское размытие с помощью библиотек OpenCV и PIL. 

Ещё один способ — использовать модуль ImageEnhance из библиотеки PIL. Он содержит классы для регулировки яркости, цвета, контраста и резкости изображения. 

Пример кода для регулировки яркости: 

from PIL import Image
from PIL import ImageEnhance

# Открываем файл изображения
image = Image.open('gfg.png')

# Настраиваем яркость
curr_bri = ImageEnhance.Brightness(image)
new_bri = 2.5 # Яркость увеличена в 2.5 раза
img_brightened = curr_bri.enhance(new_bri)

# Выводим обновлённое изображение в средстве просмотра
img_brightened.show()

Также для улучшения фото на Python можно использовать нейросети, например, алгоритмы супер разрешения (Super-Resolution) для увеличения разрешения фото без потери качества. Для этого понадобятся библиотеки TensorFlow и OpenCV.

1. Установка библиотек:
   Убедитесь, что у вас установлены TensorFlow и OpenCV. Вы можете установить их с помощью pip:pip install tensorflow opencv-python
   
2. Загрузка модели супер разрешения:
   Вы можете использовать предобученные модели, такие как EDSR (Enhanced Deep Residual Networks) или другие, доступные в TensorFlow Hub.
3. Чтение и обработка изображения:
   Используйте OpenCV для загрузки и обработки изображений.
4. Применение модели:
   Примените модель к изображению для увеличения его разрешения.
5. Сохранение результата:
   Сохраните улучшенное изображение с помощью OpenCV.

Вот пример кода, который демонстрирует этот процесс:

import cv2
import tensorflow as tf

# Загрузка изображения image = cv2.imread('input_image.jpg')
image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)

# Преобразование изображения в тензор image_tensor = tf.convert_to_tensor(image, dtype=tf.float32)
image_tensor = tf.expand_dims(image_tensor, axis=0) # Добавление размерности для батча
# Загрузка предобученной модели (например, EDSR) model = tf.keras.models.load_model('path_to_your_super_resolution_model')

# Применение модели super_res_image = model(image_tensor)

# Преобразование тензора обратно в изображение super_res_image = tf.squeeze(super_res_image).numpy()
super_res_image = cv2.cvtColor(super_res_image.astype('uint8'), cv2.COLOR_RGB2BGR)

# Сохранение результата cv2.imwrite('output_image.jpg', super_res_image)Найти еще

Этот код является базовым примером. Не забудьте заменить 'path_to_your_super_resolution_model' на путь к вашей модели супер разрешения.

Также стоит отметить, что работа с нейросетями может требовать значительных вычислительных ресурсов, поэтому рекомендуется использовать GPU, если это возможно. Удачи в ваших экспериментах с улучшением фотографий

**

Существует несколько моделей и технологий, которые могут улучшать качество фотографий и создавать анимации из статических изображений. Вот некоторые из них:

Модели для улучшения качества фото

1. Super Resolution GAN (SRGAN):Эта модель использует генеративные состязательные сети (GAN) для увеличения разрешения изображений. Она может преобразовывать низкокачественные фотографии в более детализированные и четкие версии.
   
2. ESRGAN (Enhanced Super Resolution GAN):Улучшенная версия SRGAN, которая обеспечивает еще более высокое качество при увеличении разрешения. ESRGAN часто используется для восстановления старых фотографий и улучшения качества изображений.
   
3. DALL-E и Midjourney:Эти модели используют технологии глубокого обучения для генерации изображений, а также могут улучшать существующие фотографии, добавляя детали и стилизуя их.
   

Модели для анимации из нескольких картинок

1. Deep Dream:Хотя это не совсем анимация, Deep Dream позволяет создавать визуально интересные эффекты, которые могут напоминать анимацию за счет добавления различных слоев и текстур к изображениям.
   
2. Pix2Pix и CycleGAN:Эти модели могут преобразовывать одно изображение в другое, что может быть использовано для создания анимаций, если у вас есть последовательность изображений, представляющих разные состояния.
   
3. Doodle to Image:Некоторые модели могут превращать простые рисунки или эскизы в более сложные изображения, что может быть использовано для создания анимационных эффектов.
   
4. RIFE (Real-Time Intermediate Frame Extraction):Эта модель позволяет создавать промежуточные кадры между двумя изображениями, что помогает создать плавную анимацию из статических кадров.
   

Создание простого скрипта для улучшения качества изображений с использованием библиотеки Python, такой как OpenCV и TensorFlow, может быть отличным способом применить модели супер разрешения. Ниже приведен пример скрипта image_enhancer.py, который использует предварительно обученную модель ESRGAN (Enhanced Super Resolution GAN) для улучшения качества изображения.

Установка необходимых библиотек
Прежде чем запускать скрипт, убедитесь, что у вас установлены необходимые библиотеки. Вы можете установить их с помощью pip:

pip install numpy opencv-python tensorflow
Пример кода для image_enhancer.py
import cv2
import numpy as np
import tensorflow as tf

# Загрузка модели ESRGAN (предполагается, что модель уже загружена)
model = tf.keras.models.load_model('path_to_your_esrgan_model.h5')

def enhance_image(image_path):
    # Чтение изображения
    img = cv2.imread(image_path)
    img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)

    # Изменение размера изображения для модели
    img_input = cv2.resize(img, (img.shape[1] // 4, img.shape[0] // 4))  # Уменьшаем изображение
    img_input = np.expand_dims(img_input, axis=0) / 255.0  # Нормализация

    # Улучшение изображения
    enhanced_img = model.predict(img_input)
    enhanced_img = np.clip(enhanced_img * 255.0, 0, 255).astype(np.uint8)
    enhanced_img = enhanced_img.squeeze()  # Удаление лишних измерений

    # Изменение размера обратно к оригинальному размеру
    enhanced_img = cv2.resize(enhanced_img, (img.shape[1], img.shape[0]))

    return enhanced_img

def main():
    input_image_path = 'input_image.jpg'  # Укажите путь к вашему изображению
    output_image_path = 'enhanced_image.jpg'

    enhanced_image = enhance_image(input_image_path)

    # Сохранение улучшенного изображения
    cv2.imwrite(output_image_path, cv2.cvtColor(enhanced_image, cv2.COLOR_RGB2BGR))
    print(f"Улучшенное изображение сохранено как {output_image_path}")

if __name__ == '__main__':
    main()
Объяснение кода
Импорт библиотек: Мы используем OpenCV для обработки изображений и TensorFlow для работы с моделью.

Загрузка модели: Необходимо загрузить предварительно обученную модель ESRGAN. Убедитесь, что у вас есть файл модели в формате .h5.

Функция enhance_image: Эта функция читает изображение, изменяет его размер, нормализует и передает в модель для улучшения. Затем она возвращает улучшенное изображение.

Основная функция: Здесь вы можете указать путь к входному изображению и сохранить улучшенное изображение.

Запуск скрипта
Сохраните код в файл image_enhancer.py, замените 'path_to_your_esrgan_model.h5' на путь к вашей модели ESRGAN и 'input_image.jpg' на путь к вашему изображению. Затем запустите скрипт:

python image_enhancer.py
После выполнения скрипта вы получите улучшенное изображение, сохраненное в том же каталоге.