查看: 2108|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
$ v8 T$ S8 C$ J' D             pha[j] = torch.tensor([0.0, 0.0, 0.0])
: v0 [9 t" q/ n  X: V+ b/ l4 _, x: X% X3 v& g
# H, W, C -> C, H, W6 M6 n# W( G. P5 u3 ?
src = src.permute(2, 0, 1)- N3 j, i7 X. d* f% ]! L
pha = pha.permute(2, 0, 1)
8 ~& g$ U/ [9 o, z% B8 N com = pha * src + (1 - pha) * target_bg.view(3, 1, 1)3 z3 R0 N/ q/ P
to_pil_image(com).save(result_png)$ p: p$ ~5 V( O( [% o  b& a

0 e% c  J: {1 p$ t# h: q3 T' c  J0 m6 x$ Z& \" r
if __name__ == '__main__':) v2 P; s8 T5 Q  N
origin_png = 'origin_png/person.jpg'' X$ _. c+ ?  c" L: a; N
result_png = 'result_png/com.png'1 M' v: k. x% F1 _
start_time = time.time()
& r, I# f5 H, t  X' Q5 ]6 ?/ p% n change_red2blue(origin_png, result_png)
* j, h6 p9 L. v6 K& E spend_time = round(time.time() - start_time, 2)
& s2 V5 c# [  @0 v8 u$ N/ C print('生成成功，共花了 {} 秒'.format(spend_time))3 w" s! O2 i4 v: }( V. y  ^
1
( L( i& J; u2 y" \9 i. H, N2  q( X% u1 p  h9 Z4 n1 |% a, v
34 z. m% P& R8 |& L
44 a  Q2 M6 B3 H
5
# }* g' |: v' D: v4 n4 ]) v6
) |# ?$ @' E5 y. c7
" |/ j9 z3 b  Y8 A; U2 J0 ^. C8
6 d; `6 L$ \: u0 b1 o( |5 w& p9# j9 W; G" x) ~: u# A% X# A+ K
10
$ n6 C  Q% B( D! l7 s! V8 K11
9 O* b1 [0 [; c: W12( f2 [9 d, I" F  ^
13
* p0 Q+ [, ?4 w: _* h140 {1 {! z5 T& K
15
3 ]  ^; \, m# S4 N# {161 ?  Q, ~; d5 X% E4 V
17
: @$ J& I0 k1 J/ y5 }9 }18. x( U( `+ @6 Z% F/ d4 d
19: d/ y0 G  n$ M$ M2 T  C% i4 X8 t
20/ X! p  t$ J) u$ ]1 X6 }
21- K% e& _( j! u; D' r
22' S3 }  y( V5 t" E
23
0 g) O- L6 `. ^# u9 Y24
! G3 J5 t4 C& f( r/ d25
& d& Y  c; e1 u3 z7 _/ g* Q% _266 S2 Y' N0 `, M1 ?- m) c
27. z" {) K+ o3 e7 x0 h7 U2 X& f
28$ Q4 H7 R% A$ q' L4 U  v
29
' ]3 Y9 P  O8 E4 x" ^- c5 L1 L30
9 k6 r% k' A! K' W& E" J! K319 R! e7 Y$ c: ~' S. u. I
32- e) T1 z2 k/ Z/ Q# U6 e- Q
33* n. N# @; `6 f! w% s: o
34/ D0 a2 `7 H9 K1 k5 ^
35/ |! T1 S! ^9 U
36, W. u+ y, ^/ u: O
376 ~1 k$ Q' f) u
38
5 ]! A' C2 O! u; e. _39
7 b2 h& s3 ?" ?# Y$ v* d$ f40
1 \* `, m! R+ ?& f7 O5 l+ L41) w. h/ o1 K* N. p' S
429 ~3 |: y3 G6 e3 s; G# k1 x) W0 V
43) X. N1 D, }: w9 n2 E! ~( z  S
44
4 g7 m1 L: y5 j# a7 T; i453 T% H. \  e( s1 {
46
# J" V, B6 T' @该方法质量较好，但一张图片大概需要12秒。
! }4 E6 b" e, Z7 }1 q3 L# m: c+ g" k$ ~  y6 J' E# T! Y! _, [
% F; L. w* x4 n( ?
0 ~4 w. s2 f% Q* |$ j* O
方法四： Background MattingV2
9 I3 V% J7 f- `' `& I& M  n# |" R( TReal-Time High-Resolution Background Matting3 k- v& G& z' D$ v$ N0 W. ~% S
CVPR 2021 oral4 N* b9 S: p- {9 R
5 c* A2 Z/ w) a
论文：https://arxiv.org/abs/2012.07810
+ i1 [9 P' f4 ~. g; k- H7 o代码：https://github.com/PeterL1n/BackgroundMattingV2" z( G* i3 z) d, ?: p3 Z( g
5 f' N9 O+ f: Y6 a/ g. l/ h
github的readme.md有inference的colab链接，可以用那个跑
. L4 G8 P9 h- x- K# a1 D0 B
, i0 u  h) O+ Z0 ?/ T& J7 q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。
+ p; x9 v  A' C" f
: @: }4 B) y9 Q" P; U于是这里我需要生成一个背景图片。
. J* G" F( i1 ?# |% f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。: b7 e4 e  C  d" k: Z" [
" P  {2 v- R* }$ s; M
然后生成一个背景图片。- D/ _% @, y2 w( p/ l2 ~
- N7 C/ N* P# B  ^; r0 N. _9 x
import cv2
0 ^% t5 v/ h2 i! }import numpy as np0 n$ @9 y! Y+ U4 r- `+ N! y
/ g8 J- v% ^4 I# D- V

+ U5 y! h; V" j, s2 gimage = cv2.imread("origin_png/person.jpg")# o. c2 f5 a  E: p( j
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
1 o2 k! Q$ J1 o0 n) }1 Y/ G% |; Gorigin_bgr = (origin_rgb[2], origin_rgb[1], origin_rgb[0]), E/ ?, q, S7 [6 d$ e5 W
image[:, :] = origin_bgr
  W9 ]% H' Z# W9 N1 R6 S, ^+ r+ y$ P# s# L. X
cv2.imwrite("mask/bg.png", image)
: Z! |- }7 H7 I$ [1
, e  s! Y8 \+ L3 q) k  o9 z: c2$ W4 e) t' ?5 U4 k2 k8 a, F
3
& r- G, E' H% G4 o8 h4
6 t8 ^* t- Z- }4 c! ^5
) L! P; L! K& y( H6 c! X$ t% p: G6( A. Q5 Y! [# ]( r: _* q( P6 t- o
7& u1 _& j2 Y: ]7 b- Y( ?  ~
8
6 D& L) Z4 M2 M! j" }2 y* Z9
$ L$ W% T; s7 ~, `8 }0 K% m10- P: ~8 J* R8 d5 L! a) e2 |' q
; p' T9 S! A! E9 C; N% O. a
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$ C3 u/ W) v' S/ \5 k2 H2 s& L

  P, R# J- m  b. _9 x1 e  m5 g: Nsrc = Image.open('src.png')) t/ M9 O( |) M$ Q: y! S
bgr = Image.open('bgr.png'), Y# L5 H" |3 S
1
- ?7 T: {# a& @! q  E2& t% T6 S! A' s# s$ h/ z* J
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)
0 n- A, L, a; k5 c2 H0 L+ K# h* K2 q7 f
com = pha * fgr + (1 - pha) * torch.tensor([120/255, 255/255, 155/255], device='cuda').view(1, 3, 1, 1)8 ?1 a3 }- K6 `+ c5 ~) I
1$ Y3 P0 R+ [, W; ~. j: ~
8 ~+ V: W4 V; X' z$ U
那么加入我要换白底(255, 255, 255)，就是5 a$ ]" Q1 Y& T& K7 {
; R2 X0 G* e6 v1 ?% E+ ^- }4 q
com = pha * fgr + (1 - pha) * torch.tensor([255/255, 255/255, 255/255], device='cuda').view(1, 3, 1, 1)
% I5 f, n* s$ F" k# D( g' W1
/ }& k2 ~  A/ D' g; `
  ^1 k5 {- R4 h; N* F: @假如像我换蓝底(19,122,171)具体深浅可以调节一下RGB，就是% j' p, W0 ?7 U- l7 [' E
0 ?/ O: p& h4 K! l$ X  ?
com = pha * fgr + (1 - pha) * torch.tensor([19/255, 122/255, 171/255], device='cuda').view(1, 3, 1, 1)$ @3 q" W+ J1 i% q% q
14 T! d" U& l2 k" X+ [* L- \! Y
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.; a0 z, r8 J/ |5 k! w0 q
+ v) k: _8 b: F1 L4 e0 C+ S( J1 G
然后就输出图片了。可以看到效果相当好。不愧是oral。
3 x/ ?! Q' N7 G- P" k4 R
6 I7 o* ?+ q# H, p  m! c) C6 U) c
原论文可以实现发丝级效果, g! ?& L$ \! x3 q

; M+ f- @3 [1 Z  W5 a3 w
  N6 H/ G4 q  f. [. t  Y" i
$ J* W- e4 W1 m% P0 n3 ]; a5 n5 ~, @' q! b
- f! |4 D8 o( z% _0 [. U5 s& j5 E) g; R
报错解决方案
3 S1 M, Y+ W0 Acan’t divided by 4 / can’t divided by 16' b, ]9 Q4 D+ q
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 z0 v- h8 _4 \( F
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! M! D/ x) R1 X
————————————————
; U. i& k  W& U, O# T6 L7 }4 N# R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。
7 }, Y8 |  I; H  S原文链接：https://blog.csdn.net/weixin_43850253/article/details/1263767676 L5 }% |# I  ^1 R; [% B- C
* A, C" Z2 j2 [( }) a( x0 i5 N
  |0 _# I/ B" h  w+ b