查看: 2113|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' h  A9 E0 ?' R  l
            pha[j] = torch.tensor([0.0, 0.0, 0.0])+ j3 J& c9 Q$ Q
, H1 H. H$ o0 `
# H, W, C -> C, H, W
# C5 A! u$ Z+ E) o6 u' b  R src = src.permute(2, 0, 1)0 E/ ~. r+ h; ~2 O# |
pha = pha.permute(2, 0, 1)6 U/ X) d+ Z. D5 w
com = pha * src + (1 - pha) * target_bg.view(3, 1, 1)
4 P: M9 i" V2 p4 _: u' [ to_pil_image(com).save(result_png)4 u' y$ V* a% I% H4 r
4 }# {0 p& u  z% D: e5 P" d
* E' l! z( P+ ]6 \6 [0 K* f
if __name__ == '__main__':- H7 o# F4 M; K0 A. q" Y% n
origin_png = 'origin_png/person.jpg'
1 i, j/ R8 ?$ w0 d! e  {7 k5 N result_png = 'result_png/com.png'
% O9 X7 l" f) o. b' z0 y start_time = time.time()) b: X1 G( r$ Z* s2 a+ v5 y
change_red2blue(origin_png, result_png)$ t. L& f" _8 t. h$ i
spend_time = round(time.time() - start_time, 2)
" E% {# C: H7 [2 v2 ~ print('生成成功，共花了 {} 秒'.format(spend_time))" U+ |4 k3 x* |2 x$ W
1
& K1 y6 n1 ^/ Z+ U5 f8 e2
/ z1 a4 Z9 d- Q" w1 V8 r* Z3$ L) {6 r5 x% I) F  K
4
; e1 {. K" x% w. Q! z/ C, J5
0 V" R0 u! W' I8 f6
" u$ z& K7 `; b' ~* F7& @) }! f' `8 o6 N6 G
89 O- p9 e8 [' E: p: |% I
9
! B, }! B2 e  r  V$ g$ Z8 X10
1 z* K3 e+ K1 r1 ]  m5 @( `' a2 Q11" p, X/ b" c' c
12
( m/ Y# z) a/ M8 o# p- z133 Q% g+ n  g* E% G  P4 \( f
144 |+ ?: f( K- M8 Z. W% @+ l# c3 Q$ Q
15
* ?4 C- A" d- a8 ]+ j' w+ U, C7 k) ^16
7 G+ c9 ^6 O) l& \8 I, k( d17
: J6 ?# I. g4 c0 y# n- J18( m) y, s/ Z' F
191 j& o2 D. ^2 ]/ o* A
20
5 t( F0 r! \. f0 Y21
% D) {. x# p/ ^8 b9 |6 e22
; e' U3 O+ X. [$ `! v* e- j6 {23
" V7 j5 @1 F& ]5 C24
) [( W; H9 `, y2 b257 _+ p+ I. U' A! y) k1 ~8 Z) ]
26
3 P& B7 O* _, d  S$ n3 g# m- [276 c/ j4 S% p  A9 g, y8 N7 L
28
; L4 a; v# f7 B" b297 O, B  N0 {( ]# g7 {
30
$ Z7 X9 [' c$ _  p% j6 E31
1 w5 [) ?, E  ]4 l7 s32
8 }' C0 y+ L' F* ]% O. U! \337 o5 ~  S) l& h6 |
34( _" x% Y9 ^. i! N9 f5 I  `) h
35
2 [" K0 y3 r6 n' ~* @# y& y36
: D5 D. L5 R9 d9 [371 L' l7 ?- C( |" M
385 t. a% W) ?- s3 H% g
39
: J! [. F' o- d" N4 L409 A! D9 S( R! |. q: L9 Z/ J
41
6 d3 w' b  K+ v1 K# O/ ]42( Y/ l/ m. x% e7 G9 G4 g/ ]# |
43! N/ ?( }& L, S+ W, }/ m# p- v4 p
44
  j* m& [5 E' E% T9 X$ X45) t( F* {9 R6 n6 K* d
469 @; ]5 h9 _4 y0 ~7 z: B. d2 I
该方法质量较好，但一张图片大概需要12秒。
. K: w* X! o) |6 z, R( I: O
; E+ n- W7 }2 s, C- f8 E7 Z( V- B+ g4 l# O5 V

) ]) q0 [2 X9 ?# V  C3 m方法四： Background MattingV2
9 n' f* @0 N6 w! I9 i( M5 S( jReal-Time High-Resolution Background Matting- p, `# @  S) Q2 X# p  J/ |
CVPR 2021 oral
$ E/ p& T4 l# ^9 b2 s! {
6 }  x8 v5 O9 @: p论文：https://arxiv.org/abs/2012.07810
7 e) s' H4 o; m6 |0 k代码：https://github.com/PeterL1n/BackgroundMattingV2& H4 n. \% `' H" F1 G, L% r- F
" x4 n$ Q* X+ Z5 P" U
github的readme.md有inference的colab链接，可以用那个跑& R/ t% r9 h! q4 Y5 q. I  g& _! K
# z2 n3 F: ]5 i  W
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。
/ _: U0 ~9 D' v$ A' H; u# s
% r# n) p  e' d. M& S( Y于是这里我需要生成一个背景图片。! Q2 y2 v# Q6 c/ \
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。% J+ E) g( x# x
6 B1 z! b4 ?  s+ T- U. e
然后生成一个背景图片。
" x3 b7 ^: n8 x1 E% ]8 j% W9 T. M
import cv2/ I+ b# Q* }. w7 w9 o
import numpy as np% a) `6 `% V0 U8 a

0 g8 B1 i0 j# Z) [3 L' g& ?0 K
! E& c5 T& b% @0 S8 k- b5 Yimage = cv2.imread("origin_png/person.jpg")
2 ~* p8 F+ G1 I0 H: borigin_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
" J7 r: n- \$ F5 \" _origin_bgr = (origin_rgb[2], origin_rgb[1], origin_rgb[0])
' _' B; k6 t, a$ ?# Y& P$ gimage[:, :] = origin_bgr
9 k2 V+ B  R" }& S1 D4 X6 H
8 |! [* e! i  W& K8 T7 Ncv2.imwrite("mask/bg.png", image)9 w% m8 U- c3 Q9 a. O/ E9 u
12 O  f/ m" @# ^5 q& j$ k
2' x/ E- s- A1 h* L. c6 o; D
31 p$ s* l- a% i8 h& S! J) i
4# ]% g- K$ l8 Q- z
5
7 ]' K& x: L* k8 k' }! D6$ t7 |  I2 `- V3 R* v  U6 Y9 ]
7
, J  X: n& g% }! _! q/ n8
% w6 N6 u: P- O) }8 W9
) l" |6 [: Y5 l  V' ]101 r5 [. r5 b% R4 Z" O* X3 D; |6 O
! f) Q' t: z1 Q1 p+ U6 l; F
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
- m8 f- I6 R& E6 C; g+ o6 w/ @- B! G$ ]$ q5 Y
src = Image.open('src.png')) b$ [+ i( B, G0 ~. s
bgr = Image.open('bgr.png')
! t5 L# x% T2 b+ \* G7 o+ r3 ?8 d, C1( V) ~' O& }$ e, U/ e) p
2( @4 B1 Q% s. L) S, x* ?9 X4 T
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)+ h0 F' u; V6 Y7 j7 d4 C* X

. `! h& U  b7 B; t  v/ B1 scom = pha * fgr + (1 - pha) * torch.tensor([120/255, 255/255, 155/255], device='cuda').view(1, 3, 1, 1)+ d5 h% ]( v: j5 L1 @
1
) ^+ Y/ G; n3 J6 t2 d, H3 E5 o
- `; ?; F6 B- h) d: g那么加入我要换白底(255, 255, 255)，就是
& j% P7 U# m( V* L( k0 m1 X' D& P( U$ I6 [
com = pha * fgr + (1 - pha) * torch.tensor([255/255, 255/255, 255/255], device='cuda').view(1, 3, 1, 1)# ?. k' P" ~! b+ x0 G: B% @
1+ U+ l: ?9 Y3 W1 L
" Q" [; q! s0 @. X5 o" J4 Y
假如像我换蓝底(19,122,171)具体深浅可以调节一下RGB，就是! V* x: s- |, w! H8 n, }
' l# C$ Z# s! D5 P0 p) A* B
com = pha * fgr + (1 - pha) * torch.tensor([19/255, 122/255, 171/255], device='cuda').view(1, 3, 1, 1)
4 @9 E& p% \) r$ ^1 `. r  e3 |1
8 I$ `+ T& i$ m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.
2 k/ j% c5 J& F9 E. C1 y  Z1 M9 Y; u0 H6 x5 Y5 l
然后就输出图片了。可以看到效果相当好。不愧是oral。
5 W3 P. `" q. z$ G# v2 g7 P3 F$ w& [5 H- H+ P
. K5 p5 z/ W4 G: {: {
原论文可以实现发丝级效果1 _! O. U9 r: [6 h& G, R+ g2 F
! a5 k9 @1 D3 o: J/ b5 g. W

+ E  J, c& c2 V! u& N) {
+ F( b/ B. @; n( q2 @8 C# T- p3 T+ t; k
9 |/ o9 z/ Y6 Z+ _( m  n
报错解决方案2 j. Q" T2 A, H% U8 _
can’t divided by 4 / can’t divided by 16$ B4 O$ }9 U, O! @
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。
3 e" k/ V. p1 S. m  L/ K$ t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/ U" s. A3 J. B- I
————————————————+ v9 F+ T  n% J( x5 g, Z1 i8 `
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。
$ C4 y( a* n+ b: i8 Q7 J6 D& D; G+ x3 h原文链接：https://blog.csdn.net/weixin_43850253/article/details/126376767* F# `; M/ N3 D0 V4 M+ x6 \
7 {- g1 }( |" W, M) f
1 b; D1 K/ \5 b. F* J$ b