查看: 2095|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  o  u- U0 n) |% x% m" L
            pha[j] = torch.tensor([0.0, 0.0, 0.0])
0 `) z  U# V* K& m" N4 i- q. H! Z" j) P) G# y5 O; r
# H, W, C -> C, H, W3 a  n4 `3 o& G* {. o
src = src.permute(2, 0, 1)
3 N6 a: X" ?, a pha = pha.permute(2, 0, 1)
2 x5 T- }, k! m6 c" C com = pha * src + (1 - pha) * target_bg.view(3, 1, 1)) c; }! p+ s; V/ S! _& Q
to_pil_image(com).save(result_png); ?) i3 P% W; i/ p

# w, `  Q$ h0 \. X% k: J: ^3 k2 A4 T9 i% F& ~$ b- A. X
if __name__ == '__main__':& N- d' n& p2 g& o. a8 j( P
origin_png = 'origin_png/person.jpg'% K9 g7 k# P8 ]8 r% S3 [& V. M( v
result_png = 'result_png/com.png'- i  a, ~4 y. |# ^7 G* a, w
start_time = time.time()
0 k) u+ j! f/ m5 J4 w change_red2blue(origin_png, result_png)+ d6 p! V( ~( H' e% R
spend_time = round(time.time() - start_time, 2)3 m& B  k8 f4 o1 A
print('生成成功，共花了 {} 秒'.format(spend_time))0 @6 G! }# n3 @+ Z+ r9 g5 m
11 n2 B" b1 u# c( n) H
28 f- G( s/ i  c+ l1 d/ u5 Z
3# Q: U7 Y5 Y" i; Z0 [" ~4 e
4
. Q: G# f. y9 R5% Z& e* o! B# U
6, w/ R& A7 x, {
7
' t, U& N& m0 g8 n1 h8
3 J. b$ z- M# j  h) a1 Q8 r' @* S9; C& z( Q: S, n! E* Q+ s/ b8 e& F
10
, K/ O7 c  i- S7 T118 u3 e1 a% S. e
12; Z% g/ b2 `/ i
13
  M5 M4 O/ X+ G8 D! T! N. n14
/ _8 ]* p7 O$ p8 t1 ~5 Z2 V15* r3 S; x5 p0 h9 x+ b$ b
169 e; v( U3 u% [8 h* N  s0 i
17# O5 B- M6 I' R+ v# b
18
3 c& q- Q; l! `% k19* b" n6 X1 u, U* g0 Q" V
20
" k. l  c1 o5 d21
) I& x2 o; t" W9 A225 z6 h8 y( x" X/ M) X
23: T. N/ Q0 J1 P. q0 |- H
24
5 Y8 {( G* O/ t, m25
, s8 S4 t' a) [5 A4 Q& O* l26
6 h; o0 o% |/ h+ P7 Q27
4 l4 ~2 b+ ~+ D- x8 n; Z28# U4 `9 B0 }. m" I
29
' s. d' c' q9 F  k8 B1 N30* D4 v: D- s5 C2 R7 X5 i7 s% p
31
% b" |9 \# c4 X0 J- l" N32
% a0 F" r. ~; V" R33
) m% Y; m( u- r4 r( y( H34, }( k$ q, J1 O5 k3 V; e
359 B  L1 S6 ]7 \2 e2 a
36% H/ ]; w, x' {6 U
372 U, }9 G# O7 O3 p$ p  j
38
# J' k1 T8 b9 B% L5 @39! [1 I: ?# f" p3 M
40' a+ H7 w$ e' S  m% o0 ^4 V
41; a) B% X* ]( y6 W0 _- H
423 D* n) c3 c! m: N, O7 b' k& B
439 P- H  g1 W$ }; S' q4 }8 R
44- r' i; d4 _# n4 U
45$ K: _" A* U. D5 L- u
467 M% H; r  S; V; m- i, n
该方法质量较好，但一张图片大概需要12秒。) j2 J6 {( A: d+ F% O4 ]

" C4 q4 d/ z7 h9 t
8 O' V+ s5 X' e: R3 L) o
& C7 X( Q& L9 g% y7 }% W; G) J方法四： Background MattingV25 r0 S) {3 h. O8 Z
Real-Time High-Resolution Background Matting9 O( D" g  @$ ?
CVPR 2021 oral
# j& u, K2 e8 G& r" C8 E8 c2 F
6 P4 T* s8 P! i, }6 S* ~( t6 g论文：https://arxiv.org/abs/2012.07810) Q$ c! H- B% E; t1 Q1 J
代码：https://github.com/PeterL1n/BackgroundMattingV2; j$ \% F+ |, v# \$ G
7 T7 o2 F1 m9 p8 z
github的readme.md有inference的colab链接，可以用那个跑
. j' d8 O$ {, V# c; ]/ w5 S* a$ B( s( n2 g
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。
$ C" [) Z; v& b( l7 j2 Y7 O
( h. G5 ?: {4 k- Z' z$ ^8 i于是这里我需要生成一个背景图片。
& `7 |4 Z1 t8 N" D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。& E/ q3 v# V- \  O
8 J7 D4 w6 M" y- i7 B! A
然后生成一个背景图片。
/ Z4 G/ E$ A1 }7 A- @7 b
4 h- C5 \8 H/ e9 N1 @' @3 x, |  bimport cv2
1 k4 y- H) t5 ]7 i( C! U7 N+ S# U' mimport numpy as np* I. h3 k2 `$ y' q' h9 n0 v

5 o8 n% x# ?; G- K7 e0 P" B2 _8 Z5 ^! e+ ~) N- L9 H
image = cv2.imread("origin_png/person.jpg")
- d/ o, u: [8 jorigin_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
) J2 I, E& J8 \, k6 \. G, ~origin_bgr = (origin_rgb[2], origin_rgb[1], origin_rgb[0])/ N' i6 Y  ?+ ?
image[:, :] = origin_bgr) u7 N7 G' O' t, }

" P& [! n: d; v& E9 g2 k1 `7 jcv2.imwrite("mask/bg.png", image)& R* ?6 y5 O, i5 ^
16 p: _$ z  ~. V2 K" n5 a
24 s3 l2 |; S) c' |# b* G6 v3 s
3, L# c0 @4 `  w) |) K
4
9 s5 `) }4 u$ u# ~) N3 V5
- B- M9 F5 U2 n4 Z3 x  v6
* [* Q$ {9 C( b) Q" L0 D' f7
. f  {) ^: q  w8
! b2 X* C+ ?3 v% {& r4 @9
* \# o- k0 u+ w3 o1 s. i! {10
0 |! ~5 z, h) g  H  j3 C! g4 @7 H  E, H
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( _' y+ `6 F6 w+ x

. {1 o3 {" x7 p! S$ p1 ?/ X8 ~src = Image.open('src.png')
, P+ c8 a, f( h* O* Z& F4 Dbgr = Image.open('bgr.png')5 m, c' k5 b) n2 x7 N2 z$ U
1! N; u0 c: R/ g* e2 v* i
2
5 a" U; h9 E) _! 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)
! U: m& d8 |6 w& ]; `
/ e/ n4 i/ M" z* U% ~) F% Scom = pha * fgr + (1 - pha) * torch.tensor([120/255, 255/255, 155/255], device='cuda').view(1, 3, 1, 1)
' W2 o- ]) _0 c3 H4 G6 W17 z; {. t7 X& P/ v0 Y
) @- I  Z: H# ?5 V" ?! {3 J
那么加入我要换白底(255, 255, 255)，就是
1 m6 i# _9 f5 a& u, w# B& d7 ]  T" B+ i9 M& F6 W
com = pha * fgr + (1 - pha) * torch.tensor([255/255, 255/255, 255/255], device='cuda').view(1, 3, 1, 1)# n2 @) ?% q; ~) P1 m  P
1
  g% c% n9 i& S5 b# E% \+ V! b* A0 ^/ K, q" r: \
假如像我换蓝底(19,122,171)具体深浅可以调节一下RGB，就是9 O  ]9 W1 o* U+ W) ^
! O( ?) d$ T8 U. P; }7 u9 S
com = pha * fgr + (1 - pha) * torch.tensor([19/255, 122/255, 171/255], device='cuda').view(1, 3, 1, 1)
1 p9 S9 V1 L) I3 J! ~2 a. e, o1
7 o) V% Z7 z" _* 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.: w9 e" [$ n. g" N' t
. \0 h1 W0 ^* p5 c* O1 j
然后就输出图片了。可以看到效果相当好。不愧是oral。
1 M, ]2 M: S) V; {8 b' T
0 Q) k! N' u8 H( O# C6 k- a- e" _; u* O& f# c
原论文可以实现发丝级效果
5 M5 S- y& [5 C
& s& l+ L# O' G8 I& h
4 ^2 s; w+ E9 x8 l/ r4 S. {7 Q4 Z5 J7 v+ Y1 [# \5 u

! a4 t" {, {; A* E; @: ]$ j7 w* d
0 N; {6 C( G1 ?( [& z% h- E; h报错解决方案
6 P9 h. G' j3 e- ican’t divided by 4 / can’t divided by 16
+ @  d5 W' O- t4 y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。
2 {4 }, C3 N3 A5 O- e* P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. w( @- ~+ }3 g( `) C5 n& P' g" v
————————————————/ E( p9 B9 c6 w9 ?
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。
& Q* B, a- d3 ]; {1 Y* @) p- B原文链接：https://blog.csdn.net/weixin_43850253/article/details/1263767679 u5 H/ x1 G' ^8 Z5 C

; q8 n8 B- \# n0 [/ H, X) i0 U4 r% V
: U4 b' Q5 R2 c2 @) J- f