查看: 2165|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
3 C' c/ G! P8 A% k. K* i             pha[j] = torch.tensor([0.0, 0.0, 0.0])
3 Q5 j( c7 ]9 L+ L/ {1 \# z5 V( X9 T. i' K
# H, W, C -> C, H, W" @  S* N4 B3 l+ S8 g
src = src.permute(2, 0, 1)
' c9 I$ r9 H0 n2 a- [  _ pha = pha.permute(2, 0, 1)
+ o0 C7 ?" `5 }# p com = pha * src + (1 - pha) * target_bg.view(3, 1, 1); z3 q# p+ A* A
to_pil_image(com).save(result_png)% R2 R. G% y4 [8 J: s* m& l
4 R8 m- e  `$ Y5 t; l
- q( H" _: Q# s( P! R3 u0 y
if __name__ == '__main__':0 H: J. p# Y8 u' Z9 h
origin_png = 'origin_png/person.jpg'
" {+ u4 Z$ n2 D! { result_png = 'result_png/com.png'( e5 T  K$ L# u% K2 z
start_time = time.time()* y: U, f9 w7 U& n3 H' U! Q
change_red2blue(origin_png, result_png)2 i8 h! n5 H* Q+ Z) c! y* b
spend_time = round(time.time() - start_time, 2)& a- d$ o; n3 v8 J, D: ?7 c
print('生成成功，共花了 {} 秒'.format(spend_time))) o% R0 V+ \1 U7 L! n: e& s! x
1
3 n9 z. w0 i" x/ u; b2
1 L, G3 t& l' n3
) L, Q- v- {$ V# Y! z9 V* z4
( K4 F! \$ J  c1 ?& T7 k52 y1 z2 H3 e  b8 }
6
* }  ^+ T' v" e: k2 ]7
6 x, Z2 R+ h1 j- b8
' X: J% j9 g3 S2 b9 e4 I" l96 g# z0 H# }0 f( q
10
% u. _/ ?. S2 {3 W2 d1 b3 Z11- y6 u5 C* f+ @5 R
122 c. F  L2 A; R6 j3 C# D" `; z
13$ P1 H1 b- ~- {
14+ Z& K6 z/ Y. |$ K4 V0 E. Q
15! P! R. {$ p) @5 I' `4 f: y
16
3 d3 @5 q/ }( r% ?1 l17  H2 _5 W. r% ?9 R
18+ s, W- N5 J6 k8 x# A" Q
19
+ H8 J% W$ c0 F/ J; ]/ D' X8 B* r4 }20, p& w8 F" @2 r
213 W+ N$ X; q' t/ A) j8 M" r% r
22
6 ~! {: K3 N! i) x! x23* n' ~4 R$ C4 b( A) v0 V
24
# c7 h+ L9 p! `2 O25
- N% A3 U" t( c; e$ {# @! {26
4 l. ?! ^/ j' b# A/ K+ S270 R( U. l3 U8 G  B5 O
28
' G9 L1 _# A# L) p- v29! Y9 R5 C8 y9 p  c1 F, y' _" x! h
30
! a+ i, E+ A" g31
/ O- q" T! Z+ q" D* E32
! c$ H2 M; w) O33# R$ i, h! |* l, W# c4 S* }2 l, h
34
5 K: {2 C1 _7 o35
7 C. V# T5 K2 k& j' s# X6 }) J36
+ s" Z" n4 c8 Z& c  L& r; f7 I370 j+ M7 [5 h# {
38
8 R* a1 O/ ^5 X! A2 m39
: W) U* M; k0 ~5 ^: |& l408 o" N# t( A5 Q+ e, I$ J
41# ~! m! |5 g# L% R0 {! k* F2 p9 L
42
# w5 H9 N; h7 Y2 W% L. T431 j0 V5 x/ q  O5 a8 ^6 ~
44
2 l# \% ^' s4 A9 w450 |4 c9 ~5 l3 E4 u
46
0 J# O$ y* J4 {! s8 b7 E- X该方法质量较好，但一张图片大概需要12秒。
. _" W; s! u/ W: D6 W8 G1 ?0 V, h/ ^! E6 n9 o, s6 j

# K; Z; i& Q& L1 ]6 T, z  g$ H7 @5 K4 F* L1 h. c# m# O
方法四： Background MattingV21 f2 v1 A7 Z5 y  @" _0 c) `
Real-Time High-Resolution Background Matting
5 ]; T* W( p# YCVPR 2021 oral
6 ?9 g) P5 k, g  z$ [5 ]# E2 i( a5 o1 a' [. c+ ?9 B. i
论文：https://arxiv.org/abs/2012.07810
& h. d$ g* q7 J; S代码：https://github.com/PeterL1n/BackgroundMattingV2
: w! q. m- y0 c0 I9 n1 H& \) w' E* Y6 H9 `# O, G  w
github的readme.md有inference的colab链接，可以用那个跑
, l: ]6 s6 y9 }1 U* Z$ S+ {
8 q4 P7 _# m) K! a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。$ t7 B- z) G1 J- q3 a

2 H9 m6 f6 g7 Q3 J- D于是这里我需要生成一个背景图片。; t; K! n* F: E& W  ^5 A6 _& e
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。  s) @$ Y+ r- P* t* F
+ v6 R3 M+ w% `! i2 R8 U3 ]
然后生成一个背景图片。2 H: D* Z4 f# ^! u9 D

& F4 B6 `) s, x- J/ Vimport cv2
7 l' k2 m* y4 L0 |0 p% R+ A- eimport numpy as np5 \. Q. z- J, b& |" B! U4 J6 U

3 v; b* f* ?' a( C7 L, B
0 G$ P3 L8 p$ zimage = cv2.imread("origin_png/person.jpg")& C! F2 G/ e5 v
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
9 L3 @8 |1 o" g' {" `origin_bgr = (origin_rgb[2], origin_rgb[1], origin_rgb[0])) t5 s+ v9 y3 r" w
image[:, :] = origin_bgr) m( o% d- x1 \; ?1 r0 E7 [4 D

  P5 e% X  `2 N0 o/ t3 R2 p. ecv2.imwrite("mask/bg.png", image)) g6 ~+ K* j1 F% k
1
% O1 m) }7 J/ {2 K22 W. r' U( f# n0 K) \
3% ^1 U8 U: }% [& |, }% M
4
/ v6 ^$ x$ C! Q+ Q1 Q& f5* q& E* E. Q$ w
67 {! x- f6 Z% s' o
7
$ B6 b; U. S) a83 ^4 [* |1 F1 m9 ~1 F" n; k  ?
92 j. s& \' `+ M5 n3 ^2 V3 `
10% i2 \7 L* }# G4 Z) t! D5 ]+ ~: j
  i0 A0 q1 o. M
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
, U# ~  ~0 Y1 M+ M& x3 ~! V
; ~/ B* ?0 b2 J9 m, x  Vsrc = Image.open('src.png'); B- O* |. K' b) [. b. A
bgr = Image.open('bgr.png')
$ n, Y! R: x2 {" L( b; L( s/ |& W1
: x- {7 D& b9 k6 ?$ [) P  e2& N' j' k4 G' z- d5 A+ a% x
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 m$ y" _- A& k! F, V
7 K& K0 V: S" V- b# m6 `com = pha * fgr + (1 - pha) * torch.tensor([120/255, 255/255, 155/255], device='cuda').view(1, 3, 1, 1)
; X' @6 A. N9 ?4 D9 a9 Y1, j, N4 M6 o5 H* `( O6 N
- Q- n# B1 U1 g9 C! N. l3 C9 B
那么加入我要换白底(255, 255, 255)，就是& j/ A8 O/ z. O

7 @4 d8 P) i* [: r* S* tcom = pha * fgr + (1 - pha) * torch.tensor([255/255, 255/255, 255/255], device='cuda').view(1, 3, 1, 1)
0 O) y1 G9 n6 g5 F  M1
+ j; g2 ?8 ]% R1 c5 U9 C. L
. E$ s: ?) u( D- U假如像我换蓝底(19,122,171)具体深浅可以调节一下RGB，就是7 G, w, S$ D* t7 a& Q
9 z0 f) c2 Y) I) a
com = pha * fgr + (1 - pha) * torch.tensor([19/255, 122/255, 171/255], device='cuda').view(1, 3, 1, 1)8 t1 M# y; ~& g8 s+ }" @
15 |/ g; G( H+ D# h# u- q$ ^
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.: z$ H6 E! f8 y; L# h  `. B6 s$ `

- g6 _3 H% Q& f& O然后就输出图片了。可以看到效果相当好。不愧是oral。2 h8 ~/ c7 f: F

/ E/ u& e# W* |/ ~9 o' U% U8 {) G+ @0 b
* |. {! C6 @: @8 O原论文可以实现发丝级效果
. X, z6 M) t' R3 _# H) i/ l4 W
& R7 @8 q7 l$ e. `
$ |" e* b# j9 R/ _* d) a
5 p# X4 r5 e+ Q2 U( E; H7 t( {3 b$ `) {

% h1 \, C4 _( D! l8 ~. O报错解决方案8 t# A' a: D# F. O
can’t divided by 4 / can’t divided by 16
) a/ K; T) w- b7 |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。
: U# L( \% [2 E5 H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* `" o; ]! j! K) ~% v5 ~2 E
————————————————  b( R* L( n2 U/ X4 T, x. M  ^
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。
; m1 f2 }2 @' _% H. s. D3 y- S原文链接：https://blog.csdn.net/weixin_43850253/article/details/126376767
3 E' S! x/ @8 `! Q1 a' |% U

! i# f1 N. D9 Q  D0 V* ]# {