查看: 2112|回复: 0

python将红底证件照转成蓝底

[复制链接]

字体大小: 正常放大

杨利霞

5273 主题	82 听众	17万积分

TA的每日心情

	开心 2021-8-11 17:59

签到天数: 17 天

[LV.4]偶尔看看III

网络挑战赛参赛者

自我介绍: 本人女，毕业于内蒙古科技大学，担任文职专业，毕业专业英语。

群组: 2018美赛大象算法课程

群组: 2018美赛护航培训课程

群组: 2019年数学中国站长建

群组: 2019年数据分析师课程

群组: 2018年大象老师国赛优

电梯直达

1^#

发表于 2022-9-7 11:41 |只看该作者 |倒序浏览

|招呼Ta 关注Ta

python将红底证件照转成蓝底
前言
emmm…快开学了，手头只有红底证件照，但是学院要求要蓝底，这可咋办呢。懒得下ps了。自己撸起来吧。

方法一: lableme
lableme标注完后。得到一个json文件，然后将这种json文件转成掩码图.

# 代码来自 https://blog.csdn.net/hello_dear_you/article/details/120130155
import json
import numpy as np
import cv2
# read json file
with open("origin_json/mypic.json", "r") as f:
data = f.read()

# convert str to json objs
data = json.loads(data)

# get the points
points = data["shapes"][0]["points"]
points = np.array(points, dtype=np.int32) # tips: points location must be int32

# read image to get shape
image = cv2.imread("origin_png/person.jpg")

# create a blank image
mask = np.zeros_like(image, dtype=np.uint8)

# fill the contour with 255
cv2.fillPoly(mask, [points], (255, 255, 255))

# save the mask
cv2.imwrite("mask/person_mask.png", mask)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
大概是这样:

然后利用这个mask生成图片

# 参考自: https://www.jianshu.com/p/1961aa0c02ee
import cv2
import numpy as np

origin_png = 'origin_png/person.jpg'
# maskPath = 'mask/person_mask.png'
maskPath = 'mask/bmv2.png'
result_png = 'result_png/result_png.png'

maskImg = cv2.imread(maskPath)
img = cv2.imread(origin_png)
assert maskImg.shape == img.shape, 'maskImg.shape != origin_png.shape'

h, w = img.shape[0], img.shape[1]
print('图片宽度: {}, 高度: {}'.format(h, w))

rgb = (19,122,171)
bgr = (rgb[2], rgb[1], rgb[0])
# (B, G, R)
for i in range(h):
for j in range(w):
      if (maskImg[i, j] == 0).all():
         img[i, j] = bgr
cv2.imwrite(result_png, img)
print('图片写入 {} 成功'.format(result_png))
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
由于人长得一般，就不放图了…

缺点:
lableme标注时挺费力，并且难以避免人与背景边缘会有残留红色像素的情况。

方法二: 阈值
该方法通过比较像素的RGB与背景的RGB来区分是否为图像背景。

Opencv
import cv2
import numpy as np

def mean_square_loss(a_np, b_np):
sl = np.square(a_np - b_np)
return np.mean(sl)

def change_red2blue(origin_png, result_png):
img = cv2.imread(origin_png)

h, w = img.shape[0], img.shape[1]
print('图片宽度: {}, 高度: {}'.format(h, w))

origin_rgb = (168,36,32)  # 可以用浏览器啥的控制台工具提取出背景的rgb值
origin_bgr = (origin_rgb[2], origin_rgb[1], origin_rgb[0])
target_rgb = (19,122,171) # 蓝底RBG
target_bgr = (target_rgb[2], target_rgb[1], target_rgb[0])

for i in range(h):
      for j in range(w):
         # (B, G, R)
         if mean_square_loss(img[i, j], origin_bgr) < 50:
            img[i, j] = target_bgr

cv2.imwrite(result_png, img)
print('图片写入 {} 成功'.format(result_png))

if __name__ == '__main__':
# origin_png = 'result_png/result_png.png'
origin_png = 'origin_png/person.jpg'
result_png = 'result_png/result_refine.png'
change_red2blue(origin_png, result_png)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
结果人与背景边缘仍会存在红色像素残留

PIL
from torchvision.transforms.functional import to_tensor, to_pil_image
from PIL import Image
import torch
import time

def mean_square_loss(a_ts, b_ts):
# print(a_ts.shape)
# print(b_ts)
sl = (a_ts - b_ts) ** 2
return sl.sum()

def change_red2blue(origin_png, result_png):
src = Image.open(origin_png)
src = to_tensor(src)
# print(src.shape)  # torch.Size([3, 800, 600])
# channel: (R, G, B) / 255
h, w = src.shape[1], src.shape[2]

pha = torch.ones(h, w, 3)

bg = torch.tensor([168,36,32]) / 255
target_bg = torch.tensor([19,122,171]) / 255

# C, H, W -> H, W, C
src = src.permute(1, 2, 0)
for i in range(h):
      for j in range(w):
         if mean_square_loss(src[j], bg) < 0.025: # 0.025是阈值，超参数' F& h! V6 Q( z  F4 l" l0 G
            pha[j] = torch.tensor([0.0, 0.0, 0.0])- _5 t, m* |) ]+ c' Q: z3 }# p6 \
) f- s1 D. D2 [9 r
# H, W, C -> C, H, W
5 J' u' }: v& e; L7 \, a src = src.permute(2, 0, 1)
$ u' x: W% o( U8 q pha = pha.permute(2, 0, 1), A+ z: C( K- P- J
com = pha * src + (1 - pha) * target_bg.view(3, 1, 1)6 C& D" @7 Z. y+ ?
to_pil_image(com).save(result_png)6 z# b0 _+ a7 H- f: \. w- \
* G) I9 E) y/ |/ i4 D$ b: E5 a
  T; Z/ q# ?" @0 |) L0 u$ F
if __name__ == '__main__':, b/ d% R* Y  s5 ], R$ M
origin_png = 'origin_png/person.jpg'
5 O; Z* ]6 v& Q, ~6 O+ Z4 F5 h result_png = 'result_png/com.png'7 G9 C. u! c, c
start_time = time.time()
1 J$ k' c% ~0 H. B; |, i7 O8 w( ~ change_red2blue(origin_png, result_png)0 [/ L( w5 u3 A1 F0 p9 ^4 K* _' C
spend_time = round(time.time() - start_time, 2)* g# z/ n4 p: Y- d2 h: M% r
print('生成成功，共花了 {} 秒'.format(spend_time))
. h+ }  B& @& T5 t  n4 Z8 ]: [1# A6 x) Y: ?. g% n% p# ~
2( `/ F' Y8 M/ E6 F3 _' e
3$ _8 }! _, u% Z/ `8 H5 V
4
$ a' o3 L  v! H2 l. G3 l2 b- _5: `% P+ M5 L4 f/ Q( \9 ]$ Y6 G
6
( `7 g! A; b" s* e: A7
' I. R# g/ n$ b7 n3 e% L8
2 ~( F, f$ e* g8 K+ f; T* z. m9
; s- S& P1 B) N3 ]* M1 b% y10
5 X3 |2 n. T" I6 X  ~11
2 S% J, Z1 Y& ^1 e12
1 Q/ C7 `4 k! X. K6 s8 `13
# A, O( C- j, i6 d$ F! b4 K, r143 Q" V1 u/ t5 ?+ S
15+ u! I! y& c9 F( D! |
16
% V* K7 e- J( {* v. L# X17
$ u: `0 w. e. `# \  [18; H( G6 ], k3 v2 t7 s- l
19
# Q2 H' A# E' `0 ~+ v7 a5 K# i205 d( P- A% S1 t* b
21- P( W9 V) k( |) u9 p+ C
22
& o* \7 o3 A  U8 z230 h) K' o/ K/ M& n9 N6 G; I5 L- O, ~9 L
24  }# b2 ~5 k3 S. e' O6 {
25
$ _  `1 A" j& A* _$ t267 `; L, W5 d# U0 }3 q
27
( b& s# h- I, O( a% C" A5 ~- [28' h: q0 d1 e' O! s
29
7 v$ a" A4 Z- g, i% a: M30
& g, {6 A  F0 N9 p4 N31
6 n" u! J- K, M/ ~" y32
! [5 L' G" T: e0 V9 h: }4 }, s& Z33
) Z1 j" J# k, \6 J! R- s( i34
8 V1 J( d( ?! _0 o) s2 V2 r35' a1 O! C2 _) r! y5 P; h' t
36
5 b0 ~! A+ u4 o373 B) G7 C; e2 T; F! ]
38* V3 m1 K! O$ Z3 V1 C! l2 m
39
0 ~9 O0 J1 ]! r* n- ^401 L2 g* T0 P2 E7 B3 @
41
& S$ f- X7 s6 @427 [' p' Z' G/ E! o7 w
43
/ G$ K2 M  T# d! x( _6 W44' E4 N# s2 ^( ^( o- B
45( Z% o! b1 X6 A$ ^" b3 X
46
# P0 \$ S1 u. y' `该方法质量较好，但一张图片大概需要12秒。
5 e+ {5 M/ _; i& H4 }4 x% O4 M7 }' o$ O
3 V3 E# j# _: J* p  g
' ?9 {* G8 m2 ~# N! F7 o
方法四： Background MattingV2
- W6 E; p$ U! q4 z# rReal-Time High-Resolution Background Matting
8 K/ I; Z& ~6 L; f; l" a, WCVPR 2021 oral  W* `/ T. h" w; W* ^% u" e
4 Y; _5 B5 ^% @3 U, C6 \
论文：https://arxiv.org/abs/2012.07810
" E! D# y& X8 |. e# d代码：https://github.com/PeterL1n/BackgroundMattingV2
+ G* n3 b5 S+ M- I) w  R5 Q) _6 `$ K; c7 g5 n
github的readme.md有inference的colab链接，可以用那个跑% E: }8 o1 j0 K
. t% l4 |1 x  x$ P6 h
由于这篇论文是需要输入一张图片(例如有人存在的草地上)和背景图片的(如果草地啥的)，然后模型会把人抠出来。
+ {* u) Y' v+ N, r; K3 |" o5 a; E, l7 R% K& n' w! O  w- U
于是这里我需要生成一个背景图片。
) \5 S+ u6 u3 z; K首先我先借助firefox的颜色拾取器（或者微信截图，或者一些在线工具，例如菜鸟工具），得到十六进制，再用在线转换工具转成rgb。# v6 O# J" G, J: B
3 M1 R: m3 ^1 M# u0 u4 b2 |1 ]* N
然后生成一个背景图片。
, V* @' f6 {2 n+ a/ `: X
1 |& E. c* F+ Z+ V, @3 p& nimport cv24 X" g2 R' q2 K( {0 i" t
import numpy as np
8 |; _8 }9 D" k( ^$ L- C8 Z6 F& ], F7 f: U0 e% d4 H6 T& v
! J% l6 B% R; l
image = cv2.imread("origin_png/person.jpg")
4 w% |  |. ^0 A4 L" v5 ~: Z1 horigin_rgb = (168,36,32)  # 可以用浏览器啥的控制台工具提取出背景的rgb值2 ]2 @! A1 n. R$ x/ n5 F% S
origin_bgr = (origin_rgb[2], origin_rgb[1], origin_rgb[0])
4 i2 K" M8 r: Iimage[:, :] = origin_bgr  r. S3 v- [) D( w

+ V# O4 a: n* ocv2.imwrite("mask/bg.png", image)
8 M% \4 Q& w# y! w# e. @, w; E1
7 S+ u* O; q3 q! a. }6 s21 q: G' p- U0 c! B3 E! T" m
3. V5 E1 }/ K0 J6 w
4
$ y. @* G7 l, s2 p" I6 a5
! i$ B* b- K2 N) O4 u/ a* R+ M1 d6- `2 z7 X( ?, h0 d
7
+ ]" i8 V) s' ~& E; G) w3 l8& ]( i, q- e! D: V( v
9
( I: I- P* ]5 L- {- F/ \10
. I9 N1 r2 K) s+ B. s5 C# d. u$ I- R
需要上传人的照片和背景照片, 如果名字和路径不一样则需要修改一下代码
- L' V. O* [! n
( w. d  ?% h5 X+ N; v' ssrc = Image.open('src.png')" m: W& g. `$ X& h* ?( J
bgr = Image.open('bgr.png')
3 I  I! r6 M8 L3 ^" x  x- f12 E% \7 u  q; P  f
2& {) W0 N" Y" W: y/ b! ?7 z& j
另外原论文是边绿底，要变蓝底，白底，红底则可以修改RGB值，举个例子，原来是这样的(绿底, RGB120, 255, 155)
7 `  U6 u) s% E' m" A2 \9 k
' B+ L5 N# W; ~, ~2 k2 Ucom = pha * fgr + (1 - pha) * torch.tensor([120/255, 255/255, 155/255], device='cuda').view(1, 3, 1, 1)
4 z- [8 j* V. V! I; e7 m* z1
2 r! L1 ~& m. c( Y5 e
4 ~+ M/ W- f" _3 [- M, s% r9 z那么加入我要换白底(255, 255, 255)，就是
# b/ T0 |7 `; D* ~
4 W+ i/ q8 ^. @) E( Ecom = pha * fgr + (1 - pha) * torch.tensor([255/255, 255/255, 255/255], device='cuda').view(1, 3, 1, 1)
, B# D6 p4 Z) P: @; F) K( U1
) |* j$ t7 \! c0 w+ V' l- f) h% d: u, V
假如像我换蓝底(19,122,171)具体深浅可以调节一下RGB，就是
. C. [: O0 B- F( ]# R
$ C- K$ ^: y+ a; d% Y, ccom = pha * fgr + (1 - pha) * torch.tensor([19/255, 122/255, 171/255], device='cuda').view(1, 3, 1, 1)4 H" Y* S6 a: h7 @8 e$ |
1% l/ R3 s, {* ^+ k
总结: 其实这种方法从任何颜色的照片都可以换成任何颜色的底。只要换下RGB.
" H  q4 j8 O' K, h7 O
1 V- q+ p3 C% b8 F. j0 Q然后就输出图片了。可以看到效果相当好。不愧是oral。6 g2 W9 \4 h7 ^
# J* H" x" ?  N2 U( K  v

$ L2 k7 A$ R% Y原论文可以实现发丝级效果5 m' S, O/ [0 p6 F1 }" E
! Y7 a5 ]8 |  s& Y2 t5 ~

: Q" D) d) K2 i9 m" A! ?  `' E9 N: v% L/ y9 l. g8 p

) N1 _- `7 a$ ]% C0 V
5 S! _- U2 y$ g: a& e% [! t4 h6 N报错解决方案
4 u* d& g& A3 m% J. Fcan’t divided by 4 / can’t divided by 161 G( Y/ s1 o/ J0 c8 ]  S& C$ N7 ?2 I
由于该骨干模型可能进行4倍或16倍下采样，因此如果您的证件照不是该倍数的话，有两种选择方案。一种是padding, 填充后再送入模型，然后出结果后再用clip函数裁剪。另一种方式是resize, 给resize到规定倍数的宽和高。! t! A: O% ?! h: Y
这两种方案需要的代码都可以从这篇博文找到: python图像填充与裁剪/resize
: z& Q; h! V+ G# ?# e————————————————. d2 d" ]4 M# J8 Q- S! O' g
版权声明：本文为CSDN博主「Andy Dennis」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。/ ]4 X0 b7 {# S) O6 d
原文链接：https://blog.csdn.net/weixin_43850253/article/details/126376767
% y8 K* K1 |' S: a- N  h; L6 p( G+ J" F! s3 J

7 B* H; P- ~. I' b" F