查看: 2166|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
* e5 \% i& O' V# k/ n5 ^2 `             pha[j] = torch.tensor([0.0, 0.0, 0.0])
0 M" g; ^  {4 B8 W4 N; U' J* b
- _' w5 g# m6 x  ]9 F- G' e # H, W, C -> C, H, W
& f# p- M( H0 n1 ? src = src.permute(2, 0, 1)
5 ~9 _) b% \  n! `8 H pha = pha.permute(2, 0, 1)
7 ]; G' u, ]- }# z3 y# z9 O9 K com = pha * src + (1 - pha) * target_bg.view(3, 1, 1)
* O, i. u/ ]& T$ {% ] to_pil_image(com).save(result_png): j5 m6 F; p6 y7 ?

2 w9 D8 G# [1 k- _: b/ C
6 w( Z7 \7 \' q8 X9 Xif __name__ == '__main__':
0 E. H7 `: a# F5 a$ N; j origin_png = 'origin_png/person.jpg'* d3 m  J/ `  j5 y( b: B
result_png = 'result_png/com.png'& ?3 o9 r/ `$ s+ K8 Y  }8 D6 \
start_time = time.time()& @9 H9 \: a8 p: o% y
change_red2blue(origin_png, result_png)
* ]9 ?$ y# |3 q0 C. B8 u spend_time = round(time.time() - start_time, 2)1 U" g  \. J7 m" W
print('生成成功，共花了 {} 秒'.format(spend_time))
' s+ l% B, Y8 A; X5 Y14 R3 `. X+ I2 R( [9 [% P; r
29 W, U2 X0 n, r! j% ^6 [' u
3" O2 h9 D1 N5 b; _+ G
4! e, M- R& t4 N$ @
55 a5 Z% q% F- f& F0 n6 a
6
! R( k, N9 |. v2 y7
* Y  \; P; p" s# V, ^8
; [& ]( A4 o+ X3 C" S& N0 A9/ }' m$ {  Q3 T( z: k* C  K* P
103 o" w( r$ e& c1 o' h- y) x; U
113 {/ T! b$ M+ U/ l! o! \# m
12/ p5 T9 |6 S" r
13
, r6 M& B: [0 ~0 F148 ]: r1 R- {6 c3 W: Z
15
4 d' M+ i; ~: n. @8 o16
: F* T4 r& @* r# {: t/ E1 @: k177 D+ }1 x, F. P/ o! Z
186 Y! o" a2 Z, S( r! j  E# @7 S7 c+ h
19
& ~/ p: W& P& p; e% |6 Z5 K) D20
& h1 y& s& a0 Y+ }3 |21' J$ w" d" W8 T  X% ^. [1 f2 `
22
( B! A* _& Q% q7 `& G2 F230 f0 W4 J2 y. j- I* K! b
24
! w9 i4 N. V9 s7 V3 _9 v6 H2 T; \. ~25
2 @' F4 H7 Z& U7 d( J% V" E26. S. U& b+ H* V* R% `$ h* k
27
' z% R. `4 C  u7 o; q28
. n- R# u& h( E29
! R8 x' T  H  `, U) j4 A) z  _300 \, ^0 u5 c, h& Z
31' T! Q+ I" G8 R! L( O
32! d+ |9 T$ d  o+ K# @. n! e
33
) J" k6 ]$ v5 O: |& R! V34
' m5 N% z: W) z4 b' [- l35
/ h, t; G+ M, {; R360 F, w3 t0 L2 N; t9 \, o' y
37# F0 F2 D7 Z0 O4 T. m  n% i/ s3 M
389 J! U- F+ _  }
391 Z4 ^% m; b8 n: i5 s
40( b5 z0 S+ D1 d) v- X+ ^
41
) W: E9 z2 U7 I" `' O, X. w% Y42* b: C& t) k- c2 U6 i8 P/ J
43
$ r3 ?! {6 h# l6 G1 u447 f6 c2 n0 Z. F0 {
45( S) w8 g/ O$ ?' x. q" n
46( r8 k. d2 r5 E) C8 }( P) F8 W' s
该方法质量较好，但一张图片大概需要12秒。
3 m, f6 m' v+ W( B/ T: _! `: _$ X" n

1 ]. Y$ t6 `3 }% c- b$ {3 H' i9 Z# p' [. S. K! L, m
方法四： Background MattingV2: o; y0 U9 _7 ]4 i# w
Real-Time High-Resolution Background Matting
0 f4 Y$ M3 o+ p. q5 kCVPR 2021 oral7 H; R/ c8 D$ _8 g

  v6 S* Y3 }5 x! h, Y+ u3 S论文：https://arxiv.org/abs/2012.07810
  F4 d( ?+ O9 _+ F  `! g代码：https://github.com/PeterL1n/BackgroundMattingV2+ P' [0 K; ], j0 J

( v, K; |9 R5 D. M+ m, Igithub的readme.md有inference的colab链接，可以用那个跑0 M& }7 e7 b/ x: C8 D2 u

" O, r+ t8 P: d4 C& s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。
; h: h- R: w3 ~* `
: K7 D, C+ ^  S/ M+ m于是这里我需要生成一个背景图片。
' ]$ a5 N' X; p( `6 U- Z( {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。$ f' V7 |8 j, F
& D: Y% T  Z+ i
然后生成一个背景图片。
9 U: i. K4 u7 B( `) `1 F- g% h/ `
$ I$ m1 n, b' ^  n  z! M7 M2 Y& @import cv2$ a7 T" m4 r' a6 W/ N6 ], L! v- p
import numpy as np. [2 u. \+ W) F) a0 w8 s
1 J& e- b" q- m: o9 O

. c+ a; w. v  l# X3 ^" R4 x; N5 ^image = cv2.imread("origin_png/person.jpg")
5 G; e6 l5 u# i5 `1 R$ dorigin_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
4 ?  h# {3 k! F4 j; s9 L3 eorigin_bgr = (origin_rgb[2], origin_rgb[1], origin_rgb[0])
( L8 G" y- Q: m* Zimage[:, :] = origin_bgr! L1 G0 O7 Y9 M5 g* p, v$ Y6 C

7 @. H* y% }5 A/ F, k5 i0 Ycv2.imwrite("mask/bg.png", image)+ U3 n' E% R4 p2 w. E6 u4 N
1
( A3 _0 u$ U5 L% M( g2
2 J7 c# s8 s6 Z# O. o2 C2 J3
  e. A. U; [8 ~$ r7 a3 V! y5 Q5 m) t4
2 d5 l* D/ B4 `2 V. [5
. Y0 V- K! R% ]) m. S, I' m6
% }( K0 Z, ?, i8 O7
. w8 k1 A, e) r8
4 v2 q8 ?( N8 I9 G. Z; ?9# x* a$ O# {" E
10, f# k! H0 G5 B1 K4 g4 s, _# u2 x0 z

2 `1 q/ x& c6 }- ?5 @; d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
2 p; H1 X9 Z  ^2 P6 O
5 @+ p* D4 H1 e2 E" Y9 {+ Zsrc = Image.open('src.png')
3 s- ]( ^' O1 Z4 E- T+ d9 F' Ibgr = Image.open('bgr.png')/ n6 L! N. ~; ^& y9 i
1. j5 a+ Y# |1 Q/ z
2+ V6 R$ J% V) ]
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)5 C! m9 I7 t9 Q0 z, n, S7 i- f
: J/ M+ u8 D- P
com = pha * fgr + (1 - pha) * torch.tensor([120/255, 255/255, 155/255], device='cuda').view(1, 3, 1, 1)5 u' t$ j* s6 o0 |9 w- H
1
( j' A- }2 J8 a3 _: x% N- D3 ?0 a* b9 g
那么加入我要换白底(255, 255, 255)，就是& h7 F; K/ ^) }, b

5 P+ S: Y. \' ^2 m& xcom = pha * fgr + (1 - pha) * torch.tensor([255/255, 255/255, 255/255], device='cuda').view(1, 3, 1, 1)
- Y" q) T6 m5 t) ]0 R) K14 A( h) @$ d- u  Q
! M/ i. R. i, k; ^$ a" i
假如像我换蓝底(19,122,171)具体深浅可以调节一下RGB，就是
4 f3 p7 q# X# V2 X6 O+ N. }
. p& \4 n& J- q  k% h0 y" E* Vcom = pha * fgr + (1 - pha) * torch.tensor([19/255, 122/255, 171/255], device='cuda').view(1, 3, 1, 1)
4 H! h1 m# c* K  j7 x, X1+ h/ o+ A! \0 u5 G  w9 `  T
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.- w4 R. Q( ^0 c' P
0 R8 E& u" j# ^: C
然后就输出图片了。可以看到效果相当好。不愧是oral。% r& e" I& w* b! }2 z- ?

7 ?# W8 a- ?, @9 q$ C- ?9 ^* d2 Y6 p# W/ C; B8 _7 j! @4 Q2 [" z
原论文可以实现发丝级效果
8 t8 o# d6 ?7 V+ R- G: u' v0 @  t* c3 _# |8 E( s2 k4 ?
, H  b+ X; I% i% M7 T' B( o( z
# ^& {: q$ }2 r; b( E0 x8 V
* F, E, z: l) Z0 H. J2 I) K

" l9 q" v" P1 F$ i报错解决方案
& o, ?6 G1 i: f7 S7 _8 Hcan’t divided by 4 / can’t divided by 16' \% _- T% v9 t( 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。
, |( D" P3 J) z! r& B$ J* a& S4 ^" a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
( W6 E1 |: n% e& R————————————————
" }2 ]4 m$ ?1 X+ W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。; U) q" i0 b: w" E4 `% m& ^
原文链接：https://blog.csdn.net/weixin_43850253/article/details/126376767
% t: s5 U  n1 O1 j* K
# u0 R$ u! P" J# A' _4 I+ E
8 R, s9 U: Y. n6 W