查看: 2162|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
5 Y  T7 |9 f" K; I2 Y( z& L: p+ s             pha[j] = torch.tensor([0.0, 0.0, 0.0])
: L  v( J) U$ F" |0 W7 [  F: a  m) ~7 H! d6 t
# H, W, C -> C, H, W) ~+ ^# H, Z6 C+ ~
src = src.permute(2, 0, 1)
( Z. t3 G6 F' | pha = pha.permute(2, 0, 1)
7 g2 w) \7 c# i* N7 y4 g, h5 `8 a com = pha * src + (1 - pha) * target_bg.view(3, 1, 1)' u* ^/ d/ G( {; [% k+ G
to_pil_image(com).save(result_png)
* H( O4 {# E; R; p' d3 t" w7 g' |1 F+ m1 n" p6 Q. F9 i

/ u5 V5 g1 L, Y' xif __name__ == '__main__':
8 r4 X/ r4 e9 h2 _7 z" g origin_png = 'origin_png/person.jpg'8 i- g- t: L; v" d9 ?
result_png = 'result_png/com.png'
6 v6 n. o; x. d  k) ^! M2 P7 P. v start_time = time.time()
% \7 ]( h- i* |+ E- S' n( }  d change_red2blue(origin_png, result_png)4 o$ e- d+ `3 U' T8 Q$ j5 b8 f' h
spend_time = round(time.time() - start_time, 2)% r) d3 g! G) _  M
print('生成成功，共花了 {} 秒'.format(spend_time))
0 V7 b/ j) y1 c8 O4 L8 B" Y. b1
6 C) g' u9 R* s6 B23 y% X) H! E0 T* q
34 S3 v/ D: R0 i( L( Y
46 C: O9 D8 u" H- t- u- G: d
5
4 m" m+ m7 X1 s9 C% I3 m4 v6
! r6 r, c) f* d9 ~% M7
/ L* M1 e) @* v/ r: y* ~8+ R5 o0 x! p# h9 l+ H
9% Z1 ?# T% m' g$ O6 X
10" c" x5 k' l$ B" V) J% e6 I. a. J  `* ~
11
5 {. j7 f8 n' x- }. m0 p12  ^: C1 V/ S# ]* b" ]5 R3 [( c! B
13
/ W0 Q* u9 w, C# _* T14
- k) |/ y6 _! z1 E, X15/ F1 v" \) R1 ]: r/ m5 D
16( o( `6 x$ d- p1 x9 H; @4 K' j' w$ M
17
3 ~1 R4 b+ v% m0 c7 c$ S, T182 p  E7 m) n9 q# |* f6 a; P% N
19
& k- ?* x1 E1 e7 n208 M; X; v! @* B; w: `
21
. `# I9 |" c0 Q) y- h22
' N9 x: g1 D: M/ A23( ]4 v+ l7 B: [5 \
245 s. \& y) H; g5 V5 f$ R
255 c( ]" K/ R& B) r1 s- T
26
4 l+ z2 s+ f$ k7 W# j+ ?27
! I. y- Y1 }5 z% d28- d5 P8 w# X) P3 w9 V5 g. G7 w0 _
29
& X2 O# }# w) l5 s1 s# r30
- y) W7 z2 \# c$ q( b31
( z1 U# i, H. T# {% {6 t32$ [4 R# L3 n4 d7 x: y0 c$ w
33
% ^; ~, T+ d; s- @4 \$ a5 ~, ]34' m6 V5 S; J4 M* r& {5 ]
35
. r. f) i. @( F8 g, B$ y9 n6 p36
8 y1 g, R3 N* n* O$ e- P6 P7 c7 c37  @6 \1 [4 L. x  Y. y
383 I$ x  E% `3 V# `: B  H
39: t' W" T# \  L' n) z
40
) \+ L3 C: c" i1 |, F41& U- z0 P) p+ H% N5 n
420 M, U9 ~+ n. t* ^
437 Q- Q7 @5 k; P. X
441 _9 x4 w/ c" A7 c: x5 q
45
8 \( ^4 k( _; o- f+ Z46  Z' U# F# W5 J1 \( t
该方法质量较好，但一张图片大概需要12秒。$ \' `  o* L# G0 B& O8 B
' x3 u# }: A* ?' k; ?

3 I6 y! Q+ P( f
1 @6 f" ~7 j! z$ U! F' c! I方法四： Background MattingV27 K  N$ c% G  }7 B4 Q
Real-Time High-Resolution Background Matting
+ Y! I1 A) o* g  tCVPR 2021 oral; [( R5 X) m4 Y% N

% A( q: d, c" r6 y" G( {论文：https://arxiv.org/abs/2012.078107 m0 X5 u8 p& ~/ k* \
代码：https://github.com/PeterL1n/BackgroundMattingV22 e+ O9 M  J9 ^6 @  t
* {; A# L' T0 S+ T0 K: d0 B
github的readme.md有inference的colab链接，可以用那个跑7 r4 k$ f$ R- U/ O& j8 v
: L$ Y' d4 B( h* U9 B$ \. 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。
# B6 ~* N4 q7 _2 |3 M  A# {1 S( Y+ a  P1 x' c
于是这里我需要生成一个背景图片。
4 V1 X/ w* J# M3 n2 C5 h$ i! i1 P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。: y; p9 E0 v3 o/ h

( \  J4 m% r0 w# w# }1 R6 {: P然后生成一个背景图片。' l* C. V6 m9 F- n: a
3 m7 m6 z! C6 ?) O' c  u
import cv2
3 w' \% V+ D- Z+ Qimport numpy as np
& V/ ~1 A' o7 O, a1 S, K
5 A* q& w* X6 a& P. Q
4 d6 M1 A& x5 T3 g( Q% |9 F3 aimage = cv2.imread("origin_png/person.jpg")8 y2 i; F# ?" \* w8 m& p  F
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
$ J' a* g/ V6 n) eorigin_bgr = (origin_rgb[2], origin_rgb[1], origin_rgb[0])
( U& k3 C6 ]$ E. l( b' D4 \image[:, :] = origin_bgr4 h% l2 J: Q2 b+ k; }
' c, c, L6 @# {7 j' a# v
cv2.imwrite("mask/bg.png", image)
4 x" l4 N9 ]1 x2 l. e1! h) g' J1 f3 |; r
2* [( H" P5 T& v9 D% T. y6 j
3
" Q& T  ^% b7 m2 F4
" w: y: U8 z* J5! z5 W* U% C! q* ^; K* q# ^$ N  v
6" g' t, I) [- k
7
6 ?! q+ ]5 U3 r+ l8 f$ ~8
7 V7 s+ n4 {, A7 Y5 y" e9
' k- S$ Z% T1 P: y% Z/ n& I10% r3 h% V+ `/ i9 J7 {$ ~
9 b' \% P) t) T; r% e; h% _# o
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5 N2 ?/ Q0 F/ |; J
0 n1 V! E! o8 J) h' Q. J
src = Image.open('src.png')
  _6 j: s* ~6 Gbgr = Image.open('bgr.png'): ^" ~, O: c0 F2 ^3 b+ x/ j
1
6 u& T( z" }4 ~+ k, r9 J2
/ `# F2 l0 X* N4 C) d! Q/ `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 Z' b7 q' V9 t+ s# S$ M& w- n
) |( y' x- c5 a3 U& n7 C$ a' a
com = pha * fgr + (1 - pha) * torch.tensor([120/255, 255/255, 155/255], device='cuda').view(1, 3, 1, 1)
% d, W& t4 I! T* N2 d( s" ]1
/ t0 P: u% q6 i0 i# a1 T( ?9 a% Z7 I) a& K7 z& G" \
那么加入我要换白底(255, 255, 255)，就是
/ T8 q9 I! t; A; x5 w
) ]% G0 Z9 E& fcom = pha * fgr + (1 - pha) * torch.tensor([255/255, 255/255, 255/255], device='cuda').view(1, 3, 1, 1)  B& i! h7 c2 I& m4 U' ?" ]
16 A0 ]$ c3 I2 X. x4 l

5 y5 e1 h1 J! S, g0 `1 i6 W假如像我换蓝底(19,122,171)具体深浅可以调节一下RGB，就是5 [3 g  I% t2 C, R

# U" s* \$ q2 T. @2 e  o, Icom = pha * fgr + (1 - pha) * torch.tensor([19/255, 122/255, 171/255], device='cuda').view(1, 3, 1, 1)
' ~' I+ q/ D4 N1
7 e8 A& V" c! |, 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.
7 P. t$ U/ `3 t2 `' h: X! [  p6 C6 B; {; o4 E
然后就输出图片了。可以看到效果相当好。不愧是oral。
: C5 b( k4 ~8 T* X6 Y/ ]
0 t% i! q$ L5 N+ ^2 F4 s
+ ^" L' I' p+ _0 ]4 y1 z原论文可以实现发丝级效果  O' B1 k$ z: J# Z
' c1 T* f& f: M" S( s4 b! T
& B& l* k5 f* p$ V
, B4 _6 Q* t0 _! W( r/ v

* U& S! Y5 c% B, J1 J# G
; W% W- D8 d5 _& Z; Z0 ]报错解决方案- B% [1 i  ?  z* }2 `  Z% ~& w8 I
can’t divided by 4 / can’t divided by 16
" u) Q/ m- L5 N8 r, V; u! H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。4 ]# M' s9 H8 x' `
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# a3 H+ s, T8 p  m2 M9 L————————————————1 y( A* x2 B. Z$ F" b# T' P
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。
: M' a( g: T0 X  @- ?7 `, w+ i原文链接：https://blog.csdn.net/weixin_43850253/article/details/126376767' s! C, G* g1 l& A4 Y! I. U
; [" b3 E9 u* x& l* P& x# q

$ K% ~4 X" `! x& x$ T, h