【NCDA】手把手教你用AI玩转图像_行业动态

【NCDA】手把手教你用AI玩转图像

发布时间：2025-07-17 10:07

发布者：网络

浏览次数：

未来设计师·全国高校数字艺术设计大赛始于2012年，每年一届，已入选中国高等教育学会发布的《全国普通高校学科竞赛排行榜》和《全国普通高校教师教学竞赛项目》，是高校教育教学改革和创新人才培养的重要竞赛项目之一。

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜

【ncda】手把手教你用ai玩转图像 -

第十届未来设计师·全国高校数字艺术设计大赛

未来设计师·全国高校数字艺术设计大赛始于2012年，每年一届，已入选中国高等教育学会发布的《全国普通高校学科竞赛排行榜》和《全国普通高校教师教学竞赛项目》，是高校教育教学改革和创新人才培养的重要竞赛项目之一。

全文中遇到代码的地方，鼠标移动到代码框

点击左侧的运行即可

【NCDA】手把手教你用AI玩转图像 -

安装环境

下面代码运行时间大概需要 8 秒左右，请耐心等候

In [ ]

!pip install paddlehub --upgrade

图像风格迁移

人工智能模型通过学习某一类图像（比如宫崎骏的所有漫画作品）后，再输入一张新的图片，模型就能根据之前学习到的参数对输入图片进行重新绘制，生成训练数据集对应的风格。PaddleHub目前已封装了三个不同风格漫画的模型，分别是宫崎骏风格、今敏风格和新海诚风格。

宫崎骏风格

参数说明

img: 输入图片的路径，本地图片可以拖拽到左边的文件栏上传，然后右键该文件复制路径更换这个变量值。
output_dir: 输出文件夹，即生成图片保存的路径。
其余参数保持不变即可。

下面代码运行时间大概需要 1 分钟左右，请耐心等候

In [2]

import paddlehub as hubimport cv2from displayimg import imshow
%matplotlib inline

img = "./work/fengge.jpg" # <- 这里替换成原图的路径model = hub.Module(name="animegan_v2_hayao_99")
result = model.style_transfer(
        images = [cv2.imread(img)],
        output_dir = './output/gongqijun', # <- 运行完成后在左侧栏的output文件夹下面的gongqijun文件夹可以找得到生成后的图像文件
        visualization = True
        )
imshow(img, result[0])

[2025-03-29 22:50:10,223] [ WARNING] - The _initialize method in HubModule will soon be deprecated, you can use the __init__() to handle the initialization of the object
W0329 22:50:10.226275  2454 analysis_predictor.cc:1350] Deprecated. Please use CreatePredictor instead.

<Figure size 840x700 with 2 Axes>

今敏风格

参数说明

img: 输入图片的路径，本地图片可以拖拽到左边的文件栏上传，然后右键该文件复制路径更换这个变量值。
output_dir: 输出文件夹，即生成图片保存的路径。
其余参数保持不变即可。

下面代码运行时间大概需要 1 分钟左右，请耐心等候

In [3]

import paddlehub as hubimport cv2from displayimg import imshow
%matplotlib inline

img = './work/fengge.jpg'  # <- 这里替换成原图的路径model = hub.Module(name="animegan_v2_paprika_98")
result = model.style_transfer(
        images=[cv2.imread(img)],
        output_dir = './output/jinmin', # <- 运行完成后在左侧栏的output文件夹下面的jinmin文件夹可以找得到生成后的图像文件
        visualization = True
        )
imshow(img, result[0])

[2025-03-29 22:51:07,384] [ WARNING] - The _initialize method in HubModule will soon be deprecated, you can use the __init__() to handle the initialization of the object

<Figure size 840x700 with 2 Axes>

新海诚风格

参数说明

img: 输入图片的路径，本地图片可以拖拽到左边的文件栏上传，然后右键该文件复制路径更换这个变量值。
output_dir: 输出文件夹，即生成图片保存的路径。
其余参数保持不变即可。

下面代码运行时间大概需要 1 分钟左右，请耐心等候

In [4]

import paddlehub as hubimport cv2from displayimg import imshow
%matplotlib inline

img = './work/fengge.jpg' # <- 这里替换成原图的路径model = hub.Module(name="animegan_v2_shinkai_53")
result = model.style_transfer(
        images=[cv2.imread(img)],
        output_dir = './output/xinhaicheng', # <- 运行完成后在左侧栏的output文件夹下面的xinhaicheng文件夹可以找得到生成后的图像文件
        visualization = True
        )
imshow(img, result[0])

[2025-03-29 22:52:03,873] [ WARNING] - The _initialize method in HubModule will soon be deprecated, you can use the __init__() to handle the initialization of the object

<Figure size 840x700 with 2 Axes>

图片转油画

Paint Transformer是百度、南京大学提出的首个基于前馈笔触预测来进行快速油画渲染的算法，可以快速将一张图片变成一幅充满质感的油画！飞桨版本由飞桨开发者技术专家AP-Kai转换和封装。

美图云修

商业级AI影像处理工具

50 查看详情美图云修

参数说明

img: 输入图片的路径，本地图片可以拖拽到左边的文件栏上传，然后右键该文件复制路径更换这个变量值。
其余参数保持不变即可。

下面代码运行时间大概需要 12 秒左右，请耐心等候

In [2]

%cd paintmaster/import cv2from PIL import Imagefrom displayimg import imshowfrom inference.inference import main as infer_main
%matplotlib inline

img = "/home/aistudio/work/fengge.jpg"  # <- 这里替换成原图的路径result = infer_main(img, "inference/paint_best.pdparams", '../output', resize_h=1024, resize_w=1024)
imshow(img, result)
%cd /home/aistudio

/home/aistudio/paintmaster

<Figure size 840x700 with 2 Axes>

/home/aistudio

黑白图片上色

老照片/黑白照记录着曾经的岁月，承载着美好的回忆与厚重的历史。但由于年代久远，旧的图像素材往往存在模糊、缺色等问题。我们可以通过人工智能模型，让老照片重现往日光彩。

参数说明

img: 输入图片的路径，本地图片可以拖拽到左边的文件栏上传，然后右键该文件复制路径更换这个变量值。
output_path: 输出文件夹，即生成图片保存的路径。
其余参数保持不变即可。

下面代码运行时间大概需要 1 分钟左右，请耐心等候

In [6]

import paddlehub as hubfrom displayimg import imshow
%matplotlib inline

img = 'work/heibai.jpg'  # <- 这里替换成原图的路径model = hub.Module(name='deoldify',
                    output_path="./output/") # <- 运行完成后在左侧栏的output文件夹下面的DeOldify文件夹可以找得到生成后的图像文件result = model.predict(img)
imshow(img, result[0])

load pretrained checkpoint success

<Figure size 840x700 with 2 Axes>

人像抠图

21世纪了，还在傻傻地用Photoshop的魔棒低效率抠图吗？试下下面这个神器吧，不仅能一步就把人像从复杂的背景中抠出来，还能顺便换个背景。

抠人像

参数说明

img: 输入图片的路径，本地图片可以拖拽到左边的文件栏上传，然后右键该文件复制路径更换这个变量值。
output_dir: 输出文件夹，即生成图片保存的路径。
其余参数保持不变即可。

下面代码运行时间大概需要 15 秒左右，请耐心等候

In [7]

import paddlehub as hubimport cv2from displayimg import imshow
%matplotlib inline

img = "work/ren.jpg"  # <- 这里替换成原图的路径human_seg = hub.Module(name="deeplabv3p_xception65_humanseg")
result = human_seg.segmentation(
        images = [cv2.imread(img)],
        output_dir = './output/humanseg', # <- 运行完成后在左侧栏的output文件夹下面的humanseg文件夹可以找得到生成后的图像文件
        visualization = True)

imshow(img, result[0]['s*e_path'], True)

[2025-03-29 22:53:15,620] [ WARNING] - The _initialize method in HubModule will soon be deprecated, you can use the __init__() to handle the initialization of the object

<Figure size 840x700 with 2 Axes>

换背景

参数说明

backgroundImg: 输入背景图片的路径，本地图片可以拖拽到左边的文件栏上传，然后右键该文件复制路径更换这个变量值。
s*eImg: 合成后图片保存的路径和文件名
其余参数保持不变即可。

下面代码运行时间大概需要 1-3 秒左右

In [8]

from PIL import Image 
from displayimg import imshow
%matplotlib inline

backgroundImg = "work/beijing.jpg"  # <-背景图片路径s*eImg = './output/background_replace_output.png' # <- 图片合成后的保存路径humanImg = result[0]['s*e_path']

backgroundImg = Image.open(backgroundImg).convert('RGBA')
humanImg = Image.open(humanImg).convert('RGBA')

resultImg = Image.new("RGBA", backgroundImg.size)
resultImg = Image.alpha_composite(resultImg, backgroundImg)
resultImg = Image.alpha_composite(resultImg, humanImg)
resultImg.s*e(s*eImg)

imshow(result[0]['s*e_path'], s*eImg, True)

<Figure size 840x700 with 2 Axes>

以上就是【NCDA】手把手教你用AI玩转图像的详细内容，更多请关注其它相关文章！

# ai # 百度 # red # deepl # udio # fig # 右键 # 该文件 # 请耐心 # 拖拽 # 栏上 # 变量值 # 替换成 # 手把手 # 美图 # 玩转 # 网站排名优化专治周o斯技术高 # 贵阳小语种网站建设 # 金阳青花椒的营销与推广 # 潞城如何优化网站 # 英行联盟营销推广策划案 # fb营销推广哪里好做 # 免费网络推广seo # 福田公司网站建设公司 # 上海搜索关键词排名痛点 # 网站优化到底难不难学呀