查看: 2131|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
            pha[j] = torch.tensor([0.0, 0.0, 0.0])0 E5 f2 v) d! Q, @+ j
* t. l! }4 @  l8 p: z% n
# H, W, C -> C, H, W
& y) [. p9 u0 g2 E# P8 F7 e src = src.permute(2, 0, 1)
% L) _+ Q: K" w" f pha = pha.permute(2, 0, 1)) ?0 v8 Z, ^4 e2 A" r' r6 M! k
com = pha * src + (1 - pha) * target_bg.view(3, 1, 1)7 S; D- x3 k4 u5 N3 X6 }5 a- r
to_pil_image(com).save(result_png)
! F! ?8 v4 b" T) t5 N
# ~) q. c( d4 A, d1 N3 e- W6 m/ P% y7 d5 T* \$ j; }
if __name__ == '__main__':
7 L$ s4 b  C* P origin_png = 'origin_png/person.jpg'6 ?3 L* V2 D, h
result_png = 'result_png/com.png') U! e9 e( m1 A1 |1 n" z0 p
start_time = time.time()
# y) s+ h4 R+ {" f$ H change_red2blue(origin_png, result_png)0 }. h$ S! u) q  N1 g  K2 {! ]9 e
spend_time = round(time.time() - start_time, 2)& h# P2 J4 [5 @& N& E, @# r
print('生成成功，共花了 {} 秒'.format(spend_time))
# |) q. X% e8 f9 }, u1
/ x% I) n8 E9 p0 _" \( h* [2' `1 e0 k8 Q/ N3 [) I) C1 ~  l& w
36 [0 }; K( [) p* D  [
46 k( x% W, K) r+ W7 v
5! |2 H  G. Q8 |; q
67 H+ f/ \, A6 v% U! a9 J
7# [' ]3 |: H! s
8
! ^/ C6 q+ U' a9
$ l' v' a4 N' a( H10
% ~+ I" ~8 r. ~, k; Q11
5 V/ H& C2 Y4 |7 R* z. K12
9 D- T$ K" f$ h. S13
0 s: k) h( b# l14
, e$ m$ Y3 x$ f% l! Y( e, G15
( ]9 H; U) C( `168 I& `1 ~. x7 y2 a5 ~! G
178 Y+ P5 F$ b2 p
18+ c8 y$ J. y5 n1 U
19
9 @* P7 ]5 `/ l. ]20. @% \5 d6 e8 L* `0 S3 L# B. p$ W
21
( D  f0 c8 u6 O$ [& }22
3 ^7 h8 q: h$ T5 a. c4 L23
! U  m0 |: Y# H24- ~; w2 q4 d4 M3 l
25. p/ k$ X! U7 M( u
263 q, D! w# W1 _; |% F9 M1 R$ G' V
27
; N- B' O4 s5 d7 o+ u, U5 A+ f# L28; Z* `7 G  L* l; E( p( Z9 h
298 a% e6 `2 ^6 I
30' U( \4 F3 r- B  ?7 o! l
31
1 A2 K& K* e8 L$ M" Z: U32
9 c( \  O- [% Z, u331 m4 h9 a: S; o0 x, T* C/ K
34
, G+ j  B7 `; w) \35
1 b; {/ v% `2 A/ v) u369 F# S/ }9 b3 F5 G
372 V) `4 p/ I/ @  n5 P* P/ M! e. |" t- k
388 l; @# Y: G3 r
39
0 e% Y; Q& g5 _, j, I% ^! n# {3 I40
6 v( ?# F! ]) r41% Q3 u0 T8 i6 M
42: V6 j% J% S: y8 f, Q! {( n) ~9 R
43
- e) h, P# J, V7 O5 k" r; U44
' R; |9 f7 j9 e! L8 x. x45
: h' X1 [9 Z. }* C46
' |6 u5 T  |# i+ @' x+ a  S) e该方法质量较好，但一张图片大概需要12秒。
6 X: O: C& y- r) g! n: k5 @9 G# u) t: X: X- f2 @- [% Q, l+ o
# b! q" m% G) U2 q" O6 N, ^
: T4 q& D1 V* R
方法四： Background MattingV2
7 T( _' M+ }" j8 h4 p5 W" |( kReal-Time High-Resolution Background Matting1 o* O0 z* Q$ u- n  ?. |, S
CVPR 2021 oral  {! C) q- W) n; V

2 c0 O; f2 ~+ K" b6 ?" i论文：https://arxiv.org/abs/2012.078108 G' T& t: A/ M
代码：https://github.com/PeterL1n/BackgroundMattingV2/ Z+ a3 E8 T2 |- I1 K+ j" V

; `+ ~* F/ I9 p% F( W2 ]" mgithub的readme.md有inference的colab链接，可以用那个跑, j  v2 h1 }  h* q1 t% _* ]

+ Z+ A! {8 J; k: }1 u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- h4 L. T$ `: v! x' \0 L$ q4 _
于是这里我需要生成一个背景图片。' b9 Z6 J# v$ p/ g  K; k% S
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。
- x& s8 A, i+ S2 o( s" P0 w) r" Y
# g2 J6 @- I: L2 X4 E  H8 [然后生成一个背景图片。8 ^8 S9 p( L4 r4 N) E& z

7 R' r% j, A  Mimport cv2  c+ E9 W9 n7 c' {( V2 R  V% B
import numpy as np
* _7 ?5 ~: a3 s+ u/ d3 E" f+ ^3 F" m& y0 r# m

  i0 ]: n# }+ q- Dimage = cv2.imread("origin_png/person.jpg")% L3 z, A8 P2 x: r/ a1 n
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- @2 I: A' }$ h, l5 t+ ^
origin_bgr = (origin_rgb[2], origin_rgb[1], origin_rgb[0])
0 w7 _' _% o9 R1 v! f' pimage[:, :] = origin_bgr. s7 W* h  J- N7 J) n/ w. B

4 J" E( y* g4 d- k- ucv2.imwrite("mask/bg.png", image)
% t. O/ Y0 l5 I* R0 N7 F1
+ x+ X3 e7 _0 b; S3 ~2% b4 |5 i; }! l
3: M$ T, v$ w. A  h& Y
40 S/ t( K6 f+ o6 q# ^( S
5: V: h( c6 A  s1 v# f
6. F/ V! f- e( c, f% ?- w- Y# V) C( o
7# N& A7 }) D  B5 _
8
& t+ I2 J$ H) s9 L9 T. C94 o) k4 h# n7 h3 R, r# t, G
10( E4 R9 B7 m: o- q

" Y4 Z; i! K# w% M. b% [* u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0 d0 ~, x; T& K& _; S, J2 t2 T
5 X! p4 |  Q. f
src = Image.open('src.png')
  m2 \! h( p7 |bgr = Image.open('bgr.png')" a; L9 c% j  G$ k$ Y1 ^
1" V4 }' @. N* p+ p% h6 V4 n
2
' W+ B* ]  [5 ~6 n* m9 e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)
* \* y: j, L5 X. \+ Q5 W6 o$ Y2 F: V' y/ c( ]  F
com = pha * fgr + (1 - pha) * torch.tensor([120/255, 255/255, 155/255], device='cuda').view(1, 3, 1, 1)( ]% [5 O& O  g8 l) C" s
1
8 L" n1 |; W' E4 F9 u  m" P7 p
  c3 [4 B8 m7 W8 A那么加入我要换白底(255, 255, 255)，就是
7 t1 ~+ c: S1 j
, _8 P5 O8 A# e$ e1 _: w# P4 ccom = pha * fgr + (1 - pha) * torch.tensor([255/255, 255/255, 255/255], device='cuda').view(1, 3, 1, 1)% v8 g/ U& C- {
1
3 K  a6 m8 k. E6 x% n- W( M% ^
4 R" W, J% d! k, }7 h* B" }5 Q5 _: y! y假如像我换蓝底(19,122,171)具体深浅可以调节一下RGB，就是3 S  n( Y* H5 M6 S* K

4 n# _; C" o, O" E  H' c& xcom = pha * fgr + (1 - pha) * torch.tensor([19/255, 122/255, 171/255], device='cuda').view(1, 3, 1, 1)
6 J6 Q9 \' P1 T& D& U# |2 R  B1
; d3 V$ d; d& F! s% n6 D; B( 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.. t9 p* v: Z& l. i1 n

) O) u! `& C, {( k. h( e1 _, `2 c然后就输出图片了。可以看到效果相当好。不愧是oral。& ]& a5 {1 i, u: X0 A

/ l) x+ \5 z- e) ^$ _6 \, g+ w7 U/ H$ s0 s( o
原论文可以实现发丝级效果9 @) K$ ?/ u0 \. L% T! y) G6 N5 z

  y. Q" O; U* H9 O' C2 ^& r) ^9 Y/ m( B& C5 ?6 Z4 x
1 @! G9 W+ P( |' \* ^3 _
$ [3 j* h% J, L, I0 T

8 ]. N1 y& d$ }$ p8 D报错解决方案3 Z: S: C' ^; y# Q& |2 ?7 g0 K5 @( ^' [
can’t divided by 4 / can’t divided by 16
- q0 S+ [: S+ y7 R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。
. n' Z; ~8 d# }( ^% k) @: l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/resize9 P( V, x# |' g' H; N
————————————————: Q: V  Z9 o0 c! t
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。
  W2 M1 `! u- Q1 X3 `原文链接：https://blog.csdn.net/weixin_43850253/article/details/126376767* R* i/ ^/ B! Q

% H) U0 ]" }  Q+ X: N3 B
* `  O4 r, @8 z. W' e