Программа раскрашивания ч б фотографий: Скачать Colorize It — раскрашиваем черно-белые фотографии 2.0.6 для Android

Этот алгоритм превращает черно-белые фотографии в цветные

Истории 20 июля 2016

Истории 20 июля 2016

Вероника Елкина

Ex-Редактор «Историй»

Вероника Елкина

Если у вас есть старые черно-белые фотографии и вы хотите вернуть им цвет, обычно для этого нужно обратиться к эксперту по Photoshop. Тому, в свою очередь, придется долгие часы раскрашивать каждую деталь фото, чтобы как можно лучше передать изначальные цвета.

Но мы живем в дивном новом мире. В интернете появился бесплатный алгоритм, который может раскрашивать ваши черно-белые фотографии буквально за несколько секунд.

Вероника Елкина

Фото: Рафи Летцтер/Tech Insider

Его создатели утверждают, что программа использует алгоритм машинного обучения, но не вдаются в подробности его работы.

Как оказалось, алгоритм работает лучшего всего, когда может четко распознать наземные объекты, людей и небо.

Вот оригинал фото из начала статьи:

Фото: Рафи Летцтер/Tech Insider

А вот что получилось:

Фото: Рафи Летцтер/Tech Insider

Для окрашивания программа, в основном, использует оттенки голубого и сепию, которая, кстати, иногда может давать просто невероятный эффект.

Вот еще один пример хорошо раскрашенной черно-белой фотографии:

Фото: Рафи Летцтер/Tech Insider

Фото: Рафи Летцтер/Tech Insider

Но когда программе не удается распознать, что происходит на фото, она не может раскрасить его правильно.

Некоторые изображения были полностью переведены в сепию:

Фото: Рафи Летцтер/Tech Insider

Какие-то были раскрашены как будто случайным образом:

Фото: Рафи Летцтер/Tech Insider

Фото: Рафи Летцтер/Tech Insider

Фото: Рафи Летцтер/Tech Insider

Но когда программа справляется со своей задачей, результаты выглядят весьма впечатляюще.  

Фото: Рафи Летцтер/Tech Insider

Фото: Рафи Летцтер/Tech Insider

Программу можно попробовать здесь.

Источник.

---

Материалы по теме:

8 крутых русских стартапов в области искусственного интеллекта

Google научит искусственный интеллект рисовать и сочинять музыку

Следующим великим художником может стать робот

Фотограф нашел профили случайно встреченных людей во «Вконтакте» через нейросеть

• Фан
• Фотографии
• Технологии

Нашли опечатку? Выделите текст и нажмите Ctrl + Enter

Материалы по теме

1. 1 Семь мегаполисов, которые вы бы не узнали 30 лет назад
2. 2 «В киберспорте нормально тренироваться по 10 часов в день»
3. 3 Галерея: как российские и зарубежные предприниматели провели новогодние каникулы
4. 4 Футуролог Данила Медведев: «Экономический потенциал ИТ, по большому счету, нулевой»
5. 5 «С каждым новым клиентом у нас появляются обязательства на миллиард долларов»

ВОЗМОЖНОСТИ

30 января 2023

Гранты на пилотное тестирование инновационных решений

31 января 2023

Young Leader Award 2023

31 января 2023

Food Up

Все ВОЗМОЖНОСТИ

Аналитика

Нейросеть ChatGPT: новый бесплатный чат-бот с искусственным интеллектом

Истории

OpenAI: создатель Chat GPT и потенциальная «угроза для человечества»

Архив rb. ru

Как получить больничный, если вы не больны

Истории

Подборка: 10 самых популярных ИИ-генераторов изображений

Колонки

Как законно уволиться без отработки?

Раскрашиваем ч-б фото с помощью Python

Одной из интересных и популярных (особенно перед разными юбилеями) задач является «раскрашивание» старых черно-белых фотографий и даже фильмов. Тема это достаточно интересная, как с математической, так и с исторической точки зрения. Мы рассмотрим реализацию этого процесса на Python, который любой желающий сможет запустить на своем домашнем ПК.

Результат работы на фото.

Для тех кому интересно, принцип работы, исходники и примеры под катом.

Принцип работы

Итак, у нас есть черно-белые фото, которые делались в то время, когда цветной печати еще не было. Что это значит для нас — что информация о цвете в этих фото физически отсутствует, взять её оттуда мы не можем. Есть два варианта — либо раскрашивать вручную (чем занимаются некоторые специально обученные люди, что может включать в себя не только раскрашивание, но и работу с архивами, музеями и пр), либо призвать всю мощь машинного обучения, и пусть черновую работу за нас делает компьютер.

Основной подход по сути прост. Первым шагом мы переводим изображение в формат Lab, который содержит раздельно яркостную (L) и цветовую (аb) составляющие. L-канал это фактически и есть искомое черно-белое фото.

Вторым шагом мы обучаем нейросеть, которая по каналу L сможет «угадывать» для нас недостающие цветовые каналы. Для этого нужно много цветных изображений, которые будут использоваться для обучения.

И наконец, когда все готово, мы можем использовать обученную нейросеть для раскрашивания черно-белых фотографий.

Мы рассмотрим два подхода — реализацию нейросети с нуля, и использование «профессиональной» предобученной нейросети. Первый способ скорее учебный, и желающие посмотреть на практические результаты могут сразу перейти ко второму.

Способ 1. Реализация «с нуля» в Keras

Приступим к коду. Рассмотрим пример реализации от Emil Wallner, его код на github можно посмотреть по ссылке.

Загрузка фотографий

Тут ничего необычного. Загружаем массив и приводим цвета к диапазону 0..1. Как можно видеть, нейросеть работает с изображениями 256×256. Немного, но даже это уже на пределе возможностей современных «домашних» видеокарт — при обучении сети я периодически получал сообщение Out Of Memory.

import numpy as np
import cv2
IMG_SIZE = 256
def load_train_images(folder):
    x = []
    for filename in os.listdir(folder):
        x.append(img_to_array(load_img(folder + os.sep + filename)))
    x = np.array([cv2.resize(i, (IMG_SIZE, IMG_SIZE)) for i in x], dtype=float)/255.0
    return x

Подготовка данных

Здесь используется класс ImageDataGenerator, который позволяет из одного изображения получить несколько. Как можно видеть, в качестве параметров передаются zoom_range=0.2, rotation_range=20, horizontal_flip=True, т.е. из одного изображения будет создано несколько с разным поворотом, увеличением и отражением по горизонтали.

from skimage.color import rgb2lab, lab2rgb, rgb2gray, xyz2lab
from keras.preprocessing.image import ImageDataGenerator, array_to_img, img_to_array, load_img
from keras.layers import Conv2D, UpSampling2D, InputLayer, Conv2DTranspose
from keras.layers import Activation, Dense, Dropout, Flatten
datagen = ImageDataGenerator(shear_range=0.2, zoom_range=0.2, rotation_range=20, horizontal_flip=True)
# Generate training data
def image_a_b_gen(batch_size):
    for batch in datagen.flow(train_images, batch_size=batch_size):
        lab_batch = rgb2lab(batch)
        x_batch = lab_batch[:, :, :, 0]
        y_batch = lab_batch[:, :, :, 1:] / 128
        yield (x_batch.reshape(x_batch.shape + (1,)), y_batch)

Внутри самого генератора происходит вызов функции rgb2lab, и берутся соответствующие каналы.

Обучение нейронной сети

Как можно видеть, здесь используется достаточно многослойная сверточная сеть, которая настроена так, что результирующее изображение имеет такой же размер, что и входное.

model = Sequential()
model.add(InputLayer(input_shape=(IMG_SIZE, IMG_SIZE, 1)))
model.add(Conv2D(64, (3, 3), activation='relu', padding='same'))
model.add(Conv2D(64, (3, 3), activation='relu', padding='same', strides=2))
model.add(Conv2D(128, (3, 3), activation='relu', padding='same'))
model.add(Conv2D(128, (3, 3), activation='relu', padding='same', strides=2))
model.add(Conv2D(256, (3, 3), activation='relu', padding='same'))
model.add(Conv2D(256, (3, 3), activation='relu', padding='same', strides=2))
model.add(Conv2D(512, (3, 3), activation='relu', padding='same'))
model.add(Conv2D(256, (3, 3), activation='relu', padding='same'))
model.add(Conv2D(128, (3, 3), activation='relu', padding='same'))
model.add(UpSampling2D((2, 2)))
model.add(Conv2D(64, (3, 3), activation='relu', padding='same'))
model. add(UpSampling2D((2, 2)))
model.add(Conv2D(32, (3, 3), activation='relu', padding='same'))
model.add(Conv2D(2, (3, 3), activation='tanh', padding='same'))
model.add(UpSampling2D((2, 2)))
model.compile(optimizer='rmsprop', loss='mse')
model.fit_generator(image_a_b_gen(batch_size=50), steps_per_epoch=steps_per_epoch, epochs=epochs)

Собственно раскрашивание состоит в подготовке L-канала (ч/б фото), вызову нейронной сети и объединении каналов вместе.

output = model.predict(data_in)
for i in range(len(output)):
    cur = np.zeros((256, 256, 3))
    cur[:,:,0] = color_me[i][:,:,0]
    cur[:,:,1:] = output[i] * 128
    img_rgb = lab2rgb(cur)*brightness_corr
    imsave(folder_dst + os.sep + "img_%d.png" % i, img_rgb.astype(np.uint8))

В общем, и вся «магия».

Увы, добиться стабильной работы от этой программы так и не удалось, иногда она показывает неплохие результаты, иногда вообще ничего, так что этот пример можно лишь рассматривать как учебный. Желающие могут посмотреть результаты на github, исходники можно взять там же. Для тех кому лень идти на github, код целиком приведен под спойлером.

colorize1.py

import os
# os.environ["CUDA_VISIBLE_DEVICES"] = "-1"  # Force CPU
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '3'  # 0 = all messages are logged, 3 - INFO, WARNING, and ERROR messages are not printed
from keras.layers import Conv2D, Conv2DTranspose, UpSampling2D
from keras.layers import Activation, Dense, Dropout, Flatten, InputLayer
from keras.layers.normalization import BatchNormalization
from keras.callbacks import TensorBoard
from keras.models import Sequential
from keras.preprocessing.image import ImageDataGenerator, array_to_img, img_to_array, load_img
from skimage.color import rgb2lab, lab2rgb, rgb2gray
from skimage.io import imsave
import numpy as np
import random
import tensorflow as tf
import cv2
folder_train = "Faces"
folder_src = "Input"
folder_dst = "Output"
model_file = "faces1.h5"
brightness_corr = 250
do_train = True
# Get train images
X = []
for filename in os. listdir(folder_train):
    X.append(img_to_array(load_img(folder_train + os.sep + filename)))
X = np.array([cv2.resize(i, (256, 256)) for i in X], dtype=float)/255.0
# X = np.array(X, dtype=float)
Xtrain = X
# Model
model = Sequential()
model.add(InputLayer(input_shape=(256, 256, 1)))
model.add(Conv2D(64, (3, 3), activation='relu', padding='same'))
model.add(Conv2D(64, (3, 3), activation='relu', padding='same', strides=2))
model.add(Conv2D(128, (3, 3), activation='relu', padding='same'))
model.add(Conv2D(128, (3, 3), activation='relu', padding='same', strides=2))
model.add(Conv2D(256, (3, 3), activation='relu', padding='same'))
model.add(Conv2D(256, (3, 3), activation='relu', padding='same', strides=2))
model.add(Conv2D(512, (3, 3), activation='relu', padding='same'))
model.add(Conv2D(256, (3, 3), activation='relu', padding='same'))
model.add(Conv2D(128, (3, 3), activation='relu', padding='same'))
model.add(UpSampling2D((2, 2)))
model.add(Conv2D(64, (3, 3), activation='relu', padding='same'))
model. add(UpSampling2D((2, 2)))
model.add(Conv2D(32, (3, 3), activation='relu', padding='same'))
model.add(Conv2D(2, (3, 3), activation='tanh', padding='same'))
model.add(UpSampling2D((2, 2)))
model.compile(optimizer='rmsprop', loss='mse')
# Image transformer
datagen = ImageDataGenerator(shear_range=0.2, zoom_range=0.2, rotation_range=20, horizontal_flip=True)
# Generate training data
batch_size = 10
def image_a_b_gen(batch_size):
    for batch in datagen.flow(Xtrain, batch_size=batch_size):
        lab_batch = rgb2lab(batch)
        X_batch = lab_batch[:,:,:,0]
        Y_batch = lab_batch[:,:,:,1:] / 128
        yield (X_batch.reshape(X_batch.shape+(1,)), Y_batch)
if do_train:
    # Train model
    model.fit_generator(image_a_b_gen(batch_size), epochs=1, steps_per_epoch=400)
    # Save model
    model.save_weights(model_file)
# Load model
model.load_weights(model_file)
# Process images
color_me = []
for filename in os.listdir(folder_src):
    color_me.append(img_to_array(load_img(folder_src + os. sep + filename)))
color_me = np.array([cv2.resize(i, (256, 256)) for i in color_me], dtype=float)
# color_me = np.array(color_me, dtype=float)
color_me = rgb2lab(1.0/255*color_me)[:,:,:,0]
color_me = color_me.reshape(color_me.shape+(1,))
# Test model
output = model.predict(color_me)
# Output colorizations
for i in range(len(output)):
    cur = np.zeros((256, 256, 3))
    cur[:,:,0] = color_me[i][:,:,0]
    cur[:,:,1:] = output[i] * 128
    img_rgb = lab2rgb(cur)*brightness_corr
    imsave(folder_dst + os.sep + "img_%d.png" % i, img_rgb.astype(np.uint8))
    print("img_%d.png saved" % i)

Способ 2. Предобученная сеть

В качестве второго метода рассмотрим уже готовую нейронную сеть от Rich Zhang. Это гораздо более серьезный проект, нейросеть была обучена на 1.3млн изображений, и только лишь файлы сохраненной модели для этой сети занимают около 300Мбайт.

Шаг 1. Скачиваем файлы модели:

Загружаем файлы colorization_deploy_v2.prototxt, colorization_release_v2. caffemodel и pts_in_hull.npy, кладем их в папку models.

Шаг 2. Загружаем модель нейронной сети

def load_model() -> Any:
    # Load serialized black and white colorizer model and cluster
    # The L channel encodes lightness intensity only
    # The a channel encodes green-red.
    # And the b channel encodes blue-yellow
    print("Loading model...")
    prototxt = "models/colorization_deploy_v2.prototxt"
    model = "models/colorization_release_v2.caffemodel"
    points = "models/pts_in_hull.npy"
    net = cv2.dnn.readNetFromCaffe(prototxt, model)
    pts = np.load(points)
    # Add the cluster centers as 1x1 convolutions to the model:
    class8 = net.getLayerId("class8_ab")
    conv8 = net.getLayerId("conv8_313_rh")
    pts = pts.transpose().reshape(2, 313, 1, 1)
    net.getLayer(class8).blobs = [pts.astype("float32")]
    net.getLayer(conv8).blobs = [np.full([1, 313], 2.606, dtype="float32")]
    return net

Шаг 3. Раскрашиваем изображения. Принцип такой же, как и в нашем «учебном» примере: получаем каналы в Lab, конвертируем их в RGB и записываем в файл.

def colorize_image(net: Any, image_in: str, image_out: str):
    # Load the input image, scale it and convert it to Lab:
    image = cv2.imread(image_in)
    height, width, channels = image.shape
    # image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    # image = cv2.cvtColor(image, cv2.COLOR_GRAY2RGB)
    # Extracting "L"
    scaled = image.astype("float32") / 255.0
    lab = cv2.cvtColor(scaled, cv2.COLOR_RGB2LAB)
    # Resize to network size
    resized = cv2.resize(lab, (224, 224))
    L = cv2.split(resized)[0]
    L -= 50
    # Predicting "a" and "b"
    net.setInput(cv2.dnn.blobFromImage(L))
    ab = net.forward()[0, :, :, :].transpose((1, 2, 0))
    # Creating a colorized Lab photo (L + a + b)
    L = cv2.split(lab)[0]
    ab = cv2.resize(ab, (width, height))
    colorized = np.concatenate((L[:, :, np.newaxis], ab), axis=2)
    # Convert to RGB
    colorized = cv2.cvtColor(colorized, cv2.COLOR_LAB2RGB)
    colorized = np.clip(colorized, 0, 1)
    colorized = (255 * colorized). astype("uint8")
    cv2.imwrite(image_out, cv2.cvtColor(colorized, cv2.COLOR_RGB2BGR))
    print("Image %s saved" % image_out)

Результаты

В качестве исходных файлов я взял следующие фотографии:

Результат неидеален, но в принципе не так уж плох:

Важно иметь в виду, что нейросеть работает с изображениями 224х224, так что High-Res получить увы, не удастся — изображение на выходе будет иметь оригинальное разрешение (L-канал), но канал цвета будет масштабирован из 224х224. Хотя если этого не знать, то заметить цветовые артефакты не так и просто, цветовая разрешающая способность глаза в несколько раз ниже яркостной:

На КДПВ принцип тот же.

Для желающих поэкспериментировать самостоятельно с разными картинками, исходник под спойлером.

colorize2.py

import numpy as np
from typing import *
import cv2
import os
# Sources:
# https://www.learnopencv.com/convolutional-neural-network-based-image-colorization-using-opencv/
# https://www. pyimagesearch.com/2019/02/25/black-and-white-image-colorization-with-opencv-and-deep-learning/
# http://richzhang.github.io/colorization/
# Models:
# http://eecs.berkeley.edu/~rich.zhang/projects/2016_colorization/files/demo_v2/colorization_release_v2.caffemodel
# http://eecs.berkeley.edu/~rich.zhang/projects/2016_colorization/files/demo_v2/colorization_release_v2_norebal.caffemodel
# http://eecs.berkeley.edu/~rich.zhang/projects/2016_colorization/files/demo_v1/colorization_release_v1.caffemodel
prototxt = "models/colorization_deploy_v2.prototxt"
model = "models/colorization_release_v2.caffemodel"
points = "models/pts_in_hull.npy"
folder_in = "Input"
folder_out = "Output"
def load_model() -> Any:
    # Load serialized black and white colorizer model and cluster
    # The L channel encodes lightness intensity only
    # The a channel encodes green-red.
    # And the b channel encodes blue-yellow
    print("Loading model...")
    net = cv2.dnn.readNetFromCaffe(prototxt, model)
    pts = np. load(points)
    # Add the cluster centers as 1x1 convolutions to the model:
    class8 = net.getLayerId("class8_ab")
    conv8 = net.getLayerId("conv8_313_rh")
    pts = pts.transpose().reshape(2, 313, 1, 1)
    net.getLayer(class8).blobs = [pts.astype("float32")]
    net.getLayer(conv8).blobs = [np.full([1, 313], 2.606, dtype="float32")]
    return net
def colorize_image(net: Any, image_in: str, image_out: str):
    # Load the input image, scale it and convert it to Lab:
    image = cv2.imread(image_in)
    height, width, channels = image.shape
    # image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    # image = cv2.cvtColor(image, cv2.COLOR_GRAY2RGB)
    # Extracting "L"
    scaled = image.astype("float32") / 255.0
    lab = cv2.cvtColor(scaled, cv2.COLOR_RGB2LAB)
    # Resize to network size
    resized = cv2.resize(lab, (224, 224))
    L = cv2.split(resized)[0]
    L -= 50
    # Predicting "a" and "b"
    net.setInput(cv2.dnn.blobFromImage(L))
    ab = net.forward()[0, :, :, :].transpose((1, 2, 0))
    # Creating a colorized Lab photo (L + a + b)
    L = cv2. split(lab)[0]
    ab = cv2.resize(ab, (width, height))
    colorized = np.concatenate((L[:, :, np.newaxis], ab), axis=2)
    # Convert to RGB
    colorized = cv2.cvtColor(colorized, cv2.COLOR_LAB2RGB)
    colorized = np.clip(colorized, 0, 1)
    colorized = (255 * colorized).astype("uint8")
    cv2.imwrite(image_out, cv2.cvtColor(colorized, cv2.COLOR_RGB2BGR))
    print("Image %s saved" % image_out)
if __name__ == '__main__':
    net = load_model()
    for filename in os.listdir(folder_in):
       colorize_image(net, folder_in + os.sep + filename, folder_out + os.sep + filename.replace(".", "-out."))

Для запуска программы навыков программирования не требуется, достаточно уметь запустить программу из консоли, и положить исходные файлы в папку Input, цветные фото будет сгенерированы в папке Output (также необходимо скачать файлы модели из вышеприведенных ссылок в папку models).

Заключение

Как можно видеть, задача раскрашивания фото является весьма непростой с вычислительной точки зрения. Даже обучение нейросети, обрабатывающей файлы 224х224пкс, может требовать мощной видеокарты и нескольких часов или даже дней обучения. Существуют ли доступные нейросети, способные сделать хотя бы FullHD-качество, мне неизвестно.

Желающие могут изучить проект от Rich Chang более подробно, там же есть инструкции по обучению сети на разных датасетах, ну а готовый вышеприведенной код с уже обученной сетью можно просто запустить, он работает быстро и почти не требует ресурсов ПК.

Неплохую статью от mail.ru про раскрашивание фото военных времен можно почитать в их блоге, но разумеется, как и в любом корпоративном блоге, никаких исходников там нет и не будет.

И бонус для тех, кто дочитал до сюда. С помощью аналогичного подхода можно раскрашивать и видео, принцип точно такой же. Исходный код, принимающий и сохраняющий MP4, приведен под спойлером.

video.py

def colorize_video(net: Any, video_in: str, video_out: str):
    vid_in = cv2. VideoCapture(video_in)
    frames, fps = int(vid_in.get(cv2.CAP_PROP_FRAME_COUNT)), int(round(vid_in.get(cv2.CAP_PROP_FPS)))
    width, height = int(vid_in.get(cv2.CAP_PROP_FRAME_WIDTH)), int(vid_in.get(cv2.CAP_PROP_FRAME_HEIGHT))
    print("Video {}: {}x{}, {} frames, {} fps".format(video_in, width, height, frames, fps))
    size_out = (width, height)
    vid_out = cv2.VideoWriter(video_out, cv2.VideoWriter_fourcc(*"mp4v"), fps, size_out)  # .mp4
    # vid_out = cv2.VideoWriter(video_out, cv2.VideoWriter_fourcc(*'DIVX'), fps, size_out)  # .avi
    count = 0
    while True:
        success, frame = vid_in.read()
        if frame is None or success is False:
            break
        if (count % 10) == 0:
            print("Frame {} of {}".format(count, frames))
        frame = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
        frame = cv2.cvtColor(frame, cv2.COLOR_GRAY2RGB)
        scaled = frame.astype("float32") / 255.0
        lab = cv2.cvtColor(scaled, cv2.COLOR_RGB2LAB)
        resized = cv2. resize(lab, (224, 224))
        L = cv2.split(resized)[0]
        L -= 50
        net.setInput(cv2.dnn.blobFromImage(L))
        ab = net.forward()[0, :, :, :].transpose((1, 2, 0))
        ab = cv2.resize(ab, (frame.shape[1], frame.shape[0]))
        L = cv2.split(lab)[0]
        colorized = np.concatenate((L[:, :, np.newaxis], ab), axis=2)
        colorized = cv2.cvtColor(colorized, cv2.COLOR_LAB2BGR)
        colorized = np.clip(colorized, 0, 1)
        colorized = (255 * colorized).astype("uint8")
        frame_out = colorized  # cv2.cvtColor(colorized, cv2.COLOR_RGB2BGR)
        vid_out.write(frame_out)
        count += 1
    vid_in.release()
    vid_out.release()
    print("File %s saved" % video_out)

Его достаточно вставить в вышеприведенную программу. Процесс обработки видео не быстрый, скорость порядка 1-2 кадров/с.

Как обычно, всем удачных экспериментов.
Можно объявить в комментариях конкурс на лучшее цветное ретро-фото 😉

Автор: DmitrySpb79

Источник

Добавьте цвет к черно-белым фотографиям

Дайте новую жизнь старым черно-белым фотографиям

Бонус: отрегулируйте насыщенность цвета

---

Дайте старым фотографиям новую жизнь Алгоритм превращает пиксели в художественную страну чудес цвета.

Результаты различаются (потому что это компьютерная программа, а не магия!), но искусственный интеллект отлично работает с лицами, портретами и многим другим. Попробуй это сейчас!

Конвертируйте набор изображений дешевле, чем модный напиток

Зарегистрируйтесь, чтобы узнать больше о плане, но вы можете конвертировать 3 изображения за 2,22 доллара или 8 за 3,33 доллара. Здесь, в SuperTool, за кулисами работает огромное количество компьютерной мощности, и ее запуск стоит денег! Потратив несколько долларов, вы можете порадоваться, показав старую фотографию члену семьи или другу. Очевидно, что профессиональные художники и графические дизайнеры тоже могут извлечь из этого пользу.

Раскрашивание исторических черно-белых фотографий

Представьте, что старые фотографии из Ирландии 1910-х годов оживают с помощью зеленого пива и трилистников. Но на самом деле фотографии Линкольна или Мартина Лютера Кинга-младшего или почти любую черно-белую фотографию можно преобразовать в цветную и показать историю через современный объектив.

Подарки на годовщину

Подарите своей бабушке или дедушке их свадебные фотографии в цвете и оживите улыбки и воспоминания. Детские фотографии, школьные фотографии и многое другое тоже работает. Фотографии старых семейных посиделок могут заставить задуматься о том, какой была жизнь «тогда». Превратите старинные фотографии в аутентичные цвета! Что ж, может быть трудно определить подлинность, но, по крайней мере, старым фотографиям можно придать некоторую яркость.

Если вы хотите индивидуальное окрашивание ваших фотографий, свяжитесь с нами! Настоящий художник будет использовать несколько инструментов, включая «ручную роспись». Цены начинаются от 15 долларов. Это отличная альтернатива автоматическим колоризаторам. Раскрашивание истории может быть захватывающим художественным приключением, а не простым делом компьютерных алгоритмов. Мы также можем отремонтировать фотографии — удалить царапины, пыль и иным образом отредактировать фотографии. Восстановите старые семейные фотографии сегодня!

Ведутся дебаты о раскрашивании, которые частично касаются того, является ли раскрашивание изображений точным или вводящим в заблуждение, но SuperTool хочет предоставить доступ к инструменту и предлагает его как способ быть художественным.

Как это работает?

Тонны цветных изображений передаются на компьютер. Компьютер берет цвет, а затем моделирует среднее соотношение между ненасыщенными изображениями и исходными цветными изображениями. Такие особенности, как «текстура», форма и яркость черно-белых изображений, позволяют алгоритму колоризатора сопоставлять пиксели с наиболее вероятными цветами. После того, как модель обучена (например, вы обучаете собаку приносить вам газету?), она может выполнять миллионы задач без участия пользователя. Он довольно сложный, и этот SuperTool опирается на кучу работы с открытым исходным кодом, которая была изменена для улучшения вывода. К счастью, модель будет регулярно обновляться новыми тренировочными изображениями и новым причудливым искусственным интеллектом.

Добавить цвет в PDF

SuperTool Colorizer теперь может преобразовывать черно-белые изображения, сохраненные в PDF, в цветные. Просто загрузите свой PDF-файл, и онлайн-инструмент добавит цвет к старому изображению. первая страница загруженного PDF-файла будет преобразована в цвет. Загрузка доступна в виде файла PNG. Чтобы преобразовать другие страницы PDF-файла, сначала сохраните соответствующую страницу как отдельный PDF-файл, а затем загрузите ее в SuperTool… или свяжитесь с нами для индивидуального заказа! Мы можем пакетно обрабатывать неограниченное количество фотографий и придать им реалистичный цвет! Или, если вам нужен особый или уникальный штрих художника, мы можем помочь!

Улучшения!

Добавлены новые функции обработки пост-раскрашивания:

Насыщенность: Вы можете регулировать насыщенность — добавляя или удаляя цвет. Это может быть полезно, если обработанное изображение кажется тусклым или если процесс искусственного интеллекта добавил слишком много цвета.

Яркость: сделайте старые темные фотографии ярче!

Контрастность: сделайте темные участки темнее, а светлые — светлее.

В планах добавить дополнительные инструменты редактирования, которые позволят дополнительно настроить эффект после обработки. В будущем вы сможете исправить определенные области с помощью своего рода «волшебного» выбора и изменить оттенок или яркость. Тем не менее, это может быть трудно сделать! Когда автоматический колоризатор меняет цвет в пределах одной области, это, вероятно, потому, что исходные пиксели предполагают, что область изменилась — инструмент автоматического выбора может быть трудно реализовать. Тем не менее, возможность выбора нескольких регионов может быть правильным решением. Где найти время разработчика, чтобы заплатить за это? Может быть, под тем камнем вон там…

---

Пожалуйста, отправьте сообщение, чтобы сообщить нам, как этот инструмент для раскраски работает на вас.

Советы по печати без черных чернил: преобразование документов в цветные

Посмотрите короткое видео, чтобы узнать, как преобразовать цвета PDF с помощью этого инструмента.

Просмотрите примеры изображений до и после изменения цвета PDF, чтобы увидеть, что возможно.

Ознакомьтесь с информацией о том, как изменить цвет QR-кода.

---

Раскрась свою черно-белую фотографию — SmileDogProductions

Дом  | Цены  | Предложение/Заказ  | Свяжитесь с нами  | Часто задаваемые вопросы  |   Ссылки  |   Карта сайта/указатель

Реставрация фотографий  | Уточнить | Красные глаза | Тощий  | Снова молодой | Фоны  | Бывший

Коллаж  | Обрезка | Художественные эффекты | Раскрасить    Около

 

Если мы вам нравимся, пожалуйста, поставьте лайк.

https://www.facebook.com/SmileDogProductions

Раньше раскрашивание старинной черно-белой фотографии означало доверить ее опытному художнику, который раскрасил ее вручную. В наш новый цифровой век переход от черно-белого к цветному просто означает загрузку его на любой компьютерный гений (нас) с помощью приличной программы для восстановления фотографий и высокоскоростной интернет . Какая разница? На самом деле ничего, как это делается в наше Новое время.

От цветного до черно-белого или монотонного. . . 35 долл. США за ч/б, 40 долл. США за черно-белый  

Очень драматические эффекты могут быть достигнуты по очень разумной цене. Цвет для черно-белого — это проще простого. Цвет до однотонного — это раз плюнуть с глазурью. P.S.: От оригинального черно-белого до монотонного — 35 долларов.

От черно-белого до акцентного цвета . . . 75 долларов США и выше  

Взять старую и заветную черно-белую фотографию и раскрасить только центральную часть снимка может быть очень драматично. К сожалению, я неправильно оценил фокус этой картинки и раскрасил себя вместо старинной машины.

От полноцветного до акцентного цвета . . . Оригинальные акцентные цвета от 35 до 70 долларов, новые акцентные цвета от 75 долларов и выше  

Джеки и Вивиан — мои суррогатные внуки. Обратите внимание, как новый черно-белый фон получает мягкий фокус, чтобы уменьшить его акцент и придать изображению глубину.

Эльф в саду. Все, кроме Эльфа, цветов и только одного гигантского листа, было преобразовано в черно-белое. Дайте волю своему художественному воображению.

А ниже коллаж Full Color to Accent Color фото.

От черно-белого до полноцветного . . . $80 и выше

Эта свадебная фотография от Стефани нуждалась в небольшой доработке, прежде чем была раскрашена. Думаешь?

От черно-белого до полноцветного .