查看: 2126|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
8 y: a8 e* j5 g8 s             pha[j] = torch.tensor([0.0, 0.0, 0.0])
/ P$ @. M- [' S* n4 H2 b; r/ u
8 W* w" P% P' J" T, C# t # H, W, C -> C, H, W
( Y) Z* ]# M6 B/ Q src = src.permute(2, 0, 1)" @5 k& s1 E$ l' r1 p6 L
pha = pha.permute(2, 0, 1)
( Q7 n- d6 k* o8 r com = pha * src + (1 - pha) * target_bg.view(3, 1, 1)0 A# l7 `# N/ v2 ~3 r
to_pil_image(com).save(result_png)
8 S8 o+ ?# g! L9 h. }5 m8 _7 v* g: I' t1 t0 A

' K& r& e9 [( p$ O2 \if __name__ == '__main__':, t! O9 A5 A1 ?# ]
origin_png = 'origin_png/person.jpg', ]+ w8 Z5 t1 @; _) Z
result_png = 'result_png/com.png'1 E2 e5 M# m6 N! w: U7 W& g2 L
start_time = time.time()3 C" m) H. ]% Y
change_red2blue(origin_png, result_png)
% l* h2 v- b: c$ j9 @ spend_time = round(time.time() - start_time, 2)
# D1 j% Z) B; c; @' j8 g print('生成成功，共花了 {} 秒'.format(spend_time))# K) U9 E' e6 Y* n
1
( V" {. J' P: b& P2
/ o) J! i. ]- B2 Z4 w: Q: i4 N3) I! s* c* u) d2 ]( Q/ e, k& m
4
' B9 v2 n9 w5 X" {* B5
$ Q5 L& j+ @3 ]( ^1 ?4 D+ W6- m9 y1 c' {2 o5 R
70 F' b, O; i$ Q5 J$ ?3 z
8
5 U% h* t0 E& Z* B9  x8 v- x; g( O
10/ Z# Z+ j3 o4 p2 W3 f) F( _% j# F( r4 t
11
0 R# U" b( _% T% R; r121 T$ F& t: [& W  D4 F" e. P) e
13
6 z$ m2 h( n2 ]: H- x, {+ [( }/ \, s$ R14
6 R! [6 V/ S" [7 ?% h* E15* |6 f3 v% o7 G
164 ?$ G) D% I7 Q+ o
17
/ P/ D) c! i1 ?# m+ d185 O6 g: y; V( j% N6 Z0 F8 _2 `* s) A# o
19- b0 R+ ]+ _/ ~. X& U1 R6 P
20
% o% i% y+ ]* D, W5 `6 U21& D/ b7 u. g2 W2 o0 c
22* u6 }7 i  P: u8 u! g+ y0 o# R
23
6 z3 R4 D; Y: K* y/ g9 E" Q24- d) W" h9 Q6 M% m  Z( G
25
5 z* h2 ]. Y* \: p2 F* U26  [0 x8 `) R. s( J
27
' i1 j4 ^9 P' w% c* n28
; t; Q) I9 Y# ~' g! Z. v# Q29
$ d  q/ T$ @0 X: C7 @( r6 d; F30
6 i5 h9 y3 p( M& S6 i: A7 l31
0 d- k: V$ }$ e& W0 X32. i) [( Q! \  M& Q
33
0 K& M* B' H+ E4 `$ {) m34
* D6 `- b) ~& ^35
4 U. p. y8 |. L0 G" U: A3 r36
! M6 X/ S- M# o, E/ w4 C" r6 ~37
' O1 M, w+ s  s% w0 ~! l+ E38; u9 B9 L4 T  G& t  j) S3 M0 P( ]
39' D0 O0 k* Z5 ?! L- c/ e
40
$ ^3 U! g. R" j5 Q. ]  ~) q411 e% f2 J: y" m$ q0 E% J( e
42
6 `3 ^3 N  J2 z" {43; S& c7 U% b/ ]( A& e, p
44. z0 z; F1 y9 y5 J* v( y
45
7 u/ |# H5 n& P8 I46* ?4 d7 \6 c( Z  R/ m  n
该方法质量较好，但一张图片大概需要12秒。' k* ]* i8 c- B. |7 Z

7 |# `, |$ u9 ^8 K2 p0 D4 w" m3 y* g5 B4 b" {% ~! f! z( a

) s8 A  M# o( c. f9 a" `+ x& D1 L方法四： Background MattingV2
: A6 F5 h+ {8 {8 vReal-Time High-Resolution Background Matting; T  Z7 [$ |+ }- d$ M
CVPR 2021 oral! H0 z7 W5 B4 R2 l' h( Z
6 V" o8 R2 K* s
论文：https://arxiv.org/abs/2012.078102 X' J- m% I' Y# x+ [; p% w& {
代码：https://github.com/PeterL1n/BackgroundMattingV2. N& ?* y; U$ p. t& O/ c# O

" N$ n% g% ~/ Jgithub的readme.md有inference的colab链接，可以用那个跑: K# p+ w" M" _, l, i7 g

2 o  d) T7 _5 {7 F3 s2 H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。9 W; N  z7 T: N5 u( ^' B

& C4 W! D# L6 x3 g; c# o于是这里我需要生成一个背景图片。1 R1 t$ x5 s2 W
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。
4 `5 f7 T9 D3 P# v5 B! N
3 \8 }: ^, _8 `然后生成一个背景图片。" B' l* N4 L# \$ R- w, ]5 @

: Y' Z4 ^4 i/ `& g0 W4 Oimport cv2
3 l% z; I  w3 y! ]) @import numpy as np1 a7 i6 V! o, D5 O8 a- a
8 Q. c# j& g$ w8 R. U3 u
$ D. s1 @" T( J
image = cv2.imread("origin_png/person.jpg")
3 Q( R& |7 d9 g1 k/ J% x/ Y. Norigin_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+ _( F1 Z& |0 @
origin_bgr = (origin_rgb[2], origin_rgb[1], origin_rgb[0])
8 i6 w5 M( w& Q: O( n% J  Z2 ~image[:, :] = origin_bgr1 x0 b/ H5 ~2 Z$ ~* ?7 T( b

0 Q" v: V& a! t1 v  t& Hcv2.imwrite("mask/bg.png", image)
5 e% _# I& W4 p9 Q, V8 b$ B- A7 }8 n1
6 z/ P2 @. Z9 F  R2
% G9 E) l! E) f9 O' O& D) B* E34 ^, Q9 v7 s! f
4
3 e5 i$ \' _7 K) Y2 M; M& n( k5
: Q5 y" D( H: R1 T: d% m' r6: n& U2 c- f% ~/ m2 \
7
# |* C, ^8 O( E% o% W2 z' V8
0 B+ R3 _$ I2 M, W: W9+ n8 H- U% x% k
10/ l7 r. w8 A$ B( m9 g7 U1 ]2 y0 }: d

6 O# j/ r; C) O* s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
- m% X7 p. x$ x% D
' \' U+ J# ^% gsrc = Image.open('src.png')
1 ~( r) H: ]3 V% `" D% v/ {bgr = Image.open('bgr.png')
' I. w1 H8 @, _1 {7 N* X1" T' y7 |5 D$ f8 z
2) s3 o* w1 V' ]( P+ A, S) V: h
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)2 w2 h# P( w0 B

' d1 l* P+ a& u: x7 l# C' vcom = pha * fgr + (1 - pha) * torch.tensor([120/255, 255/255, 155/255], device='cuda').view(1, 3, 1, 1)6 F; j" Q% d  _/ f$ ]- X
1
; c. ^6 O+ c( K, ^7 @: [3 X$ R, s% H. p' I( E
那么加入我要换白底(255, 255, 255)，就是
' N. R+ H+ x" U) C7 Y, A; h
1 [, a2 X; n0 x/ k4 U) Fcom = pha * fgr + (1 - pha) * torch.tensor([255/255, 255/255, 255/255], device='cuda').view(1, 3, 1, 1)5 }& u$ I9 R& k! l- e" i8 ~
1
- f# U$ ^$ l8 e8 a' g- S- g/ A( b, k$ n3 h0 Q* b0 x% T' B4 ]
假如像我换蓝底(19,122,171)具体深浅可以调节一下RGB，就是& H6 c1 N& [# |; U  g  e
# _: d: g; O* `( K9 z1 Z+ U, k
com = pha * fgr + (1 - pha) * torch.tensor([19/255, 122/255, 171/255], device='cuda').view(1, 3, 1, 1)& k1 I! P. i* r) X+ {
1
! g( @3 n% }7 o" J9 V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.
1 k  K/ b3 m$ x! Y7 a3 W* E. k2 ~% ~- v" x2 Y* W$ D
然后就输出图片了。可以看到效果相当好。不愧是oral。+ X0 c4 R6 c0 a* Y# c
/ H8 J, h5 I9 E; u1 A
$ o2 E0 t0 a2 C5 ]& M- M  i
原论文可以实现发丝级效果
) R# K6 [: m8 L+ [: g5 ]1 J) M7 r' T$ D

( y: D& {- g, Q, P  R0 I; I' W) \& l" K0 b$ [! b
' M; P+ Z8 H( M) T6 _3 n$ s  U

* z( y) O6 V' a- }报错解决方案
$ o$ j5 I& x( kcan’t divided by 4 / can’t divided by 16
. N- b3 `0 z, Z5 r1 X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。
+ Y  C0 m4 l. m' P2 v$ @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/resize4 O* e; t% b& K2 ^
————————————————9 F+ U4 @$ K9 `% @8 e
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。
* F8 c  J7 c6 B& l9 B2 L' ?) c原文链接：https://blog.csdn.net/weixin_43850253/article/details/1263767671 n2 W- Q# g3 s1 p, n7 ~( \6 p
8 f7 m& a4 g. R4 V

; B3 A$ c7 l3 C( X1 D% K