def test_resize(self):
l = cv2.imread(lenna_path)
m = cv2.imread(mandrill_path)
imgs = IMG.size2x([l, m])
self.assertEqual(imgs[0].shape, (512, 512, 3))
self.assertEqual(imgs[1].shape, (512, 512, 3))
self.assertEqual(IMG.resize(l, -1).shape, (256, 256, 3))
self.assertEqual(IMG.resize(l, 2).shape, (512, 512, 3))
self.assertEqual(IMG.resize(l, 1.5).shape, (384, 384, 3))
self.assertEqual(IMG.resize(l, 0.5).shape, (128, 128, 3))
def predict(model, data, batch, org_shape, rate, gpu):
"""
推論実行メイン部
[in] model: 推論実行に使用するモデル
[in] data: 分割（IMG.split）されたもの
[in] batch: バッチサイズ
[in] org_shape: 分割前のshape
[in] rate: 出力画像の拡大率
[in] gpu: GPU ID
[out] img: 推論実行で得られた生成画像
"""
# dataには圧縮画像と分割情報が含まれているので、分離する
comp, size = data
imgs = []
st = time.time()
# バッチサイズごとに学習済みモデルに入力して画像を生成する
for i in range(0, len(comp), batch):
x = IMG.imgs2arr(comp[i:i + batch], gpu=gpu)
y = model.predictor(x)
imgs.extend(IMG.arr2imgs(to_cpu(y.array)))
print('exec time: {0:.2f}[s]'.format(time.time() - st))
# 生成された画像を分割情報をもとに結合する
buf = [
np.vstack(imgs[i * size[0]:(i + 1) * size[0]]) for i in range(size[1])
]
img = np.hstack(buf)
# 出力画像は入力画像の2倍の大きさになっているので半分に縮小する
img = IMG.resize(img, 1 / rate)
# 結合しただけでは画像サイズがオリジナルと異なるので切り取る
return img[:org_shape[0], :org_shape[1]]
def on_modified(self, event):
path, name, ext = super().on_modified(event)
if ('jpg' in ext.lower()):
print('duotone:{0}'.format(os.path.join(self.copy, path)))
time.sleep(1)
# 学習モデルを入力画像ごとに実行する
with chainer.using_config('train', False):
img = IMG.resize(cv2.imread(path, IMG.getCh(3)), self.rate)
img = predict(self.model, IMG.splitSQ(img, self.size),
self.batch, img.shape, self.gpu)
cv2.imwrite(os.path.join(self.copy, name), img)
def stackImages(imgs, rate):
"""
推論実行で得られた 画像のリストを結合してサイズを調整する
[in] imgs: 入力画像リスト
[in] rate: リサイズする倍率
[out] 結合画像
"""
img = np.hstack([
cv2.cvtColor(img, cv2.COLOR_GRAY2RGB) if len(img.shape) < 3 else img
for img in imgs
])
return IMG.resize(img, rate)
def main(args):
# jsonファイルから学習モデルのパラメータを取得する
net, unit, ch, size, layer, sr, af1, af2 = GET.modelParam(args.param)
# 学習モデルを生成する
if net == 0:
from Lib.network import JC_DDUU as JC
else:
from Lib.network2 import JC_UDUD as JC
model = L.Classifier(
JC(n_unit=unit, n_out=1, rate=sr, actfun1=af1, actfun2=af2))
# load_npzのpath情報を取得し、学習済みモデルを読み込む
load_path = F.checkModelType(args.model)
try:
chainer.serializers.load_npz(args.model, model, path=load_path)
except:
import traceback
traceback.print_exc()
print(F.fileFuncLine())
exit()
# GPUの設定
if args.gpu >= 0:
chainer.cuda.get_device_from_id(args.gpu).use()
model.to_gpu()
else:
model.to_intel64()
# 高圧縮画像の生成
org_imgs = [
cv2.imread(name, IMG.getCh(ch)) for name in args.jpeg
if IMG.isImgPath(name)
]
imgs = []
# 学習モデルを入力画像ごとに実行する
for i, ei in enumerate(org_imgs):
with chainer.using_config('train', False):
img = predict(model, IMG.splitSQ(ei, size), args.batch, ei.shape,
sr, args.gpu)
imgs.append(IMG.resize(img, args.out_rate))
for img in imgs:
cv2.imshow('view', img)
cv2.waitKey()
# 生成結果を保存する
name = F.getFilePath(args.out_path, 'comp-' + str(i * 10 + 1).zfill(3),
'.jpg')
print('save:', name)
cv2.imwrite(name, img)
def main(args):
# jsonファイルから学習モデルのパラメータを取得する
net, unit, ch, size, layer, sr, af1, af2 = GET.modelParam(args.param)
# 学習モデルを生成する
model = L.Classifier(
JC(n_unit=unit, n_out=ch, rate=sr, actfun1=af1, actfun2=af2))
# load_npzのpath情報を取得し、学習済みモデルを読み込む
load_path = F.checkModelType(args.model)
try:
chainer.serializers.load_npz(args.model, model, path=load_path)
except:
import traceback
traceback.print_exc()
print(F.fileFuncLine())
exit()
# GPUの設定
if args.gpu >= 0:
chainer.cuda.get_device_from_id(args.gpu).use()
model.to_gpu()
else:
model.to_intel64()
# 画像の生成
if args.image == '':
x, _ = create(args.other_path, args.human_path, args.background_path,
args.obj_size, args.img_size, args.obj_num, 1, 1)
elif IMG.isImgPath(args.image):
x = cv2.imread(args.image, IMG.getCh(0))
w, h = x.shape[:2]
x = np.array(x).reshape(1, w, h, -1)
else:
print('input image path is not found:', args.image)
exit()
# 学習モデルを実行する
with chainer.using_config('train', False):
img = IMG.resize(predict(model, x, args.batch, args.gpu), 1 / sr)
# 生成結果を保存する
name = F.getFilePath(args.out_path, 'predict', '.jpg')
print('save:', name)
img = np.hstack([x[0], img])
cv2.imwrite(name, img)
cv2.imshow(name, img)
cv2.waitKey()