查看: 2094|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
& j9 P% X& O* }8 Q6 X             pha[j] = torch.tensor([0.0, 0.0, 0.0])
) y! @  ]& P& q; q7 B; P8 W* K2 o" F" @. F1 f
# H, W, C -> C, H, W& Z: O& I, w3 v+ ~# v
src = src.permute(2, 0, 1), X! {1 u4 U- H3 f% f
pha = pha.permute(2, 0, 1)1 P/ X5 j' e5 L+ i7 ^4 F. m
com = pha * src + (1 - pha) * target_bg.view(3, 1, 1); s1 Y. n. S- h7 P6 y3 L& ]
to_pil_image(com).save(result_png)
: U3 |2 D' H% T* f; x+ z* a' O2 m& h. e  H

; \  J3 x. |" W% {$ D! ~$ Jif __name__ == '__main__':4 z" G) A0 O! d- C  `4 J! t# ]
origin_png = 'origin_png/person.jpg'% A8 A+ R( D0 q
result_png = 'result_png/com.png'& `- u  @$ o5 `/ Z4 x! o
start_time = time.time()
7 @' a8 t* n- W. ?1 R+ j; k6 a change_red2blue(origin_png, result_png)/ V0 ?8 d! [5 R: ^7 p& u, z
spend_time = round(time.time() - start_time, 2)4 Z" C4 f, c9 }0 c. A, x+ |% C
print('生成成功，共花了 {} 秒'.format(spend_time))
$ g5 L$ y& M9 n5 x8 o1- j( y* J1 X  \
2
; r- t8 [) a* R" Y- c, F5 }3
; w4 u5 z; X" G4
( s  w; L5 W# f) C1 t4 u* Z  l5
$ P$ v/ U# @2 T+ b6: K2 e4 e: p1 S. r8 ]6 {
7
3 F" r. q7 m3 T: B8 u8" j; S7 u9 C$ e+ `7 v
9! S/ C, E. E# O$ h" e
10
7 e. b' s6 }; |0 d3 M11
& k: b+ [+ I/ _  f8 W7 X7 V12
% l2 G5 U$ T2 r$ w7 k7 z2 v134 Q0 O9 j9 `: J2 T, f0 |' ?# c
14
! _8 }  U! y/ H) ], R15
! H7 G0 _+ Y" h# F2 l3 M# g164 m: ^) H( i3 _4 N) T; S" D
17
& F2 N# J/ p( m" G9 V+ ]9 _% i# i18. F# ^6 Z  M4 [) ]6 v9 o
19
* ~% S4 ^- y7 m4 O2 I20
; h: @7 [+ p( P" h4 j% E/ j21: F) W. f  k! ^; |, U
22" G0 ?. h- J( j. X
23$ F  s' h, ?# L. k! c- b0 G$ C. f; ?
24
8 G/ N, T+ i6 A$ U+ Q& i" r25
) [% J$ S9 U9 A3 F, q26+ `+ F/ n, b# S1 L$ y0 [" ^8 }9 f2 r
27
2 y- A6 p+ d- ~2 n7 K8 [5 B- Z2 i289 s! c* E  R+ r# e
297 H0 s" C4 V4 e( B) L( U
30
" P9 h: Q! O& d8 R3 X31
" P- p& [" D4 V4 B32
% W# D& R1 Z$ Q# X& [7 F7 K. i333 A: o2 F. d3 c9 ]! h1 W1 d
34
% X" P+ O, e+ a350 {! ~  \* N& G( ?$ r+ t
36
  X" s$ J5 ~/ M4 u. V  \377 L4 x  U" ~; `# R
38" j( o/ h$ l* l0 |  L: K
39
* H" L% |, i3 u# L8 c0 |40
1 K8 e' d- u4 ]3 F- x) |41  j3 ~, O& Q0 s, F) i% P
42
9 w! z! U& U" `; J% a43) C6 T* p/ y' }9 g- K7 b3 j
44) M- r# D. U. S) m7 \' n
45" }$ d: R  R! o% }- V: c9 F
46
; n, E" f1 a2 D  Y该方法质量较好，但一张图片大概需要12秒。- F6 E- ^  M8 v/ L& M, t4 h  J

) F9 D) Y( C: b# M( h7 [; x( e0 Y7 Z2 F: V
. H% k2 o! O% G
方法四： Background MattingV2
, Q" G2 h: V: S- wReal-Time High-Resolution Background Matting
& |" i; l' t& E3 ?0 _) VCVPR 2021 oral
" o2 o7 l& |: {0 b, f/ g% j3 V- G3 E$ n2 z' h- g
论文：https://arxiv.org/abs/2012.07810- o- N8 E  q% \7 f2 |7 n' z1 M2 w
代码：https://github.com/PeterL1n/BackgroundMattingV20 o* X/ W/ }0 n7 [
7 j0 c. e5 ^1 t/ f4 x+ n2 b! {
github的readme.md有inference的colab链接，可以用那个跑
/ p9 |/ _8 H% Q7 ]: F
/ b1 x% {3 a9 j( r" u- P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。" K. g$ L! s& d% B

! b/ P2 @+ A1 `" `( W  i于是这里我需要生成一个背景图片。
, u$ F; ^$ M* ~3 |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。
- Z2 l2 z8 D' V0 F9 Q8 c2 I9 b
2 j+ i' Q) Z3 W7 N' {然后生成一个背景图片。# }* E- r  S  i( e
0 w3 c0 K0 Y6 O+ I
import cv23 T9 B# b2 @4 R. h" {! j0 r) Q9 Y  T
import numpy as np2 l5 o$ a6 ]- m2 C# i' t7 l% q8 o
4 _7 m& e& m/ s) Y% y5 ?5 S

2 h7 J9 E& k+ e8 pimage = cv2.imread("origin_png/person.jpg")
, N; K8 i. i" ~! ^4 ~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
# p# P4 ^7 X" W& x5 N  \/ [origin_bgr = (origin_rgb[2], origin_rgb[1], origin_rgb[0])2 R/ j6 K+ Z: c( @, m
image[:, :] = origin_bgr
! I. H$ o0 D* z* }+ ?, _
0 s# Z4 @6 N& M4 S) V( e$ k; E/ z4 Hcv2.imwrite("mask/bg.png", image). T$ @" x6 Z4 D! B1 ~, m( D
1: Y0 f+ Y* }- R* v& O
2
$ e" U* @* }$ c3 b- Y9 V3
6 K) x1 ^2 ~2 v. m& D4
: |4 }; H( x& b7 ]6 m: I5
; x0 X+ {2 n) D0 _& F/ Q" d( D6* ^: P: g' y2 a. Y( i' ^
7
" {" u) d3 c" B1 I0 e7 F1 J84 P$ A# Z5 F" X1 r% f
9
6 }, N4 u, q0 g7 n# K8 R# Y* d10( V6 o( h  l" J
5 y4 `% \3 G! s8 G
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
3 {& i3 F% Z/ F; J8 r# q0 K
3 M+ L! A% A# N% z8 t. j( asrc = Image.open('src.png')
# p5 ?; M9 \3 ]8 p- R$ A' I, nbgr = Image.open('bgr.png')
4 s& p9 n* l* W5 e9 ]  K2 V" ?8 X1; b& ^) \9 b  f3 w
22 W2 X' n7 x) b# g# s+ I
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)0 I6 G' ?, E3 @; y$ T  E

! |) x* E" X" l3 b# T" \com = pha * fgr + (1 - pha) * torch.tensor([120/255, 255/255, 155/255], device='cuda').view(1, 3, 1, 1)
: M0 y- t: O* t& }0 U2 Y1
* Z9 H% M4 i: _3 d3 U7 y0 |: e
& g, }6 c# p+ ?! l0 X% K3 J( O那么加入我要换白底(255, 255, 255)，就是
& _4 d; P( H( e6 ~3 v6 i. E$ f4 }! s5 Y& e& O; H' t
com = pha * fgr + (1 - pha) * torch.tensor([255/255, 255/255, 255/255], device='cuda').view(1, 3, 1, 1)/ ~4 @$ l3 E& G& V) f* x
17 c+ A' r: }* b& \- i
2 R/ b2 @  Y3 V: w$ _
假如像我换蓝底(19,122,171)具体深浅可以调节一下RGB，就是
% x+ p- D9 I" D. S& C, I4 Q* o2 i% v! \& M& j4 ~* k
com = pha * fgr + (1 - pha) * torch.tensor([19/255, 122/255, 171/255], device='cuda').view(1, 3, 1, 1)
" D( Q9 l" p1 A0 S0 E15 H) ?  }; s6 K1 M; t0 h( n
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.% x, n; U9 h9 ~/ `5 Z3 V
: Q1 `! X1 v; m# B# D
然后就输出图片了。可以看到效果相当好。不愧是oral。
& o# N/ ^. ^' c% T0 C
2 ]! M+ x  @9 V0 ~3 i' A& `  ~9 c# M( A5 a% \& I$ Q
原论文可以实现发丝级效果
7 W7 U$ v4 f' [  x/ s$ \1 w: |6 Q9 A* Z" N6 [  N
  q1 ^% b/ L1 B
5 ]* \; L! s5 V7 N3 c. R: J- _! _# O
- C  Z5 \9 q0 V
9 V7 ~3 j# ?8 c' @
报错解决方案% h9 |" k' k. R) j& n6 T
can’t divided by 4 / can’t divided by 16
* l6 Q) T. B7 F, D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。
" X& K% E7 W9 g3 N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
' T3 U* M6 N' N* C9 T+ y1 P3 M————————————————
: x" W2 F/ s. U( f' D# A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。7 ]: T, B0 x" m5 V$ N" T+ i" b
原文链接：https://blog.csdn.net/weixin_43850253/article/details/126376767' |1 x& z! y5 a+ R2 R
3 Q8 i3 {2 I. o1 u5 F! ^# A! k; [' J
( R9 c0 A+ N3 _