查看: 2109|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 |正序浏览

|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* [* m/ {7 Q$ j
            pha[j] = torch.tensor([0.0, 0.0, 0.0])/ `$ }+ @2 G, ]: }
7 @9 V( y7 I( _" Y( n
# H, W, C -> C, H, W# d4 i4 @8 x9 s5 a
src = src.permute(2, 0, 1)# j& [7 M. N- ]  n9 U# ^0 C
pha = pha.permute(2, 0, 1)4 N# n8 {# c& h$ k3 _! t# {$ V
com = pha * src + (1 - pha) * target_bg.view(3, 1, 1)* }3 a& `1 F9 A) N! o' i. B; v7 U* T
to_pil_image(com).save(result_png)( s3 t4 e# d. L* c3 |

/ }) `# d0 S6 v3 D: f  Q$ |
- I5 K8 @2 x5 Bif __name__ == '__main__':
0 d: P6 `6 v* m2 ^( n# J origin_png = 'origin_png/person.jpg'
: Z$ z; m3 J( f/ Q0 k result_png = 'result_png/com.png'0 w. V% q, C- h1 @6 l
start_time = time.time()2 `9 [4 }; P# J9 m
change_red2blue(origin_png, result_png)+ d) j/ G5 G9 R2 p. L8 v; J
spend_time = round(time.time() - start_time, 2)! T; H; i5 \( z+ |/ X. f
print('生成成功，共花了 {} 秒'.format(spend_time))
% I. G4 q/ j5 {6 _! R4 h1' e  v5 {/ c* V/ ?9 ~& E9 f
2
, ]( z8 H; e' S7 X3 Z3
0 n: e2 E& B$ O9 h4* C: i. e2 n  }$ u- P7 F. K
5% C$ v9 N# F6 Y  h2 c
6
1 n* E4 Y1 s/ T2 o7; u, W! I) }- P0 c: W: S% K
8& w  i' h( m1 N- `7 _; e
98 x; G/ S( u! D! s
10
! _" t4 t$ p8 ]11
7 X+ p: ]: b( Q% a3 k12# j( B& w" ?2 L& Y  ?
13! l  i1 \. d$ x* t8 f" M
14) r* g5 K; j: ^% ?
15
! X% K3 v! J- V: X- W3 G16
9 j  S0 c2 H  T! T171 S8 U* U+ D, u
183 o4 x* ^5 |8 e7 U8 E3 P
19
# k& e4 l% i* Q# d& L0 n20
2 F; N5 I" Z3 P. E; W; v212 |; n7 _3 N* o, w
220 E4 E7 M7 l+ }1 y* A: T  z
23
! d: }  e& X# O' a3 ~+ x24( u$ a, N6 M) t. i* l0 D$ Z+ g
25
! M! c. r! H2 {263 T, q/ @3 K# ?9 P! @
27
5 R. n* _- t  N+ ?# P2 e9 ?5 W286 l) @" Q6 _! e6 c3 ]/ I. j5 O
29
8 q0 y6 u1 H" y7 S30
( S% m5 w' Q% N' K& \# O9 l318 ^3 Y0 H! |9 v
32
! s1 B; j- X5 B9 _33
" }  Z3 ]% z  K2 J  \34
* E% x, o9 E) `4 g) r# t. a6 j35
% [& C9 `+ ^2 G0 m& \% y( d& K36/ [6 h) R) a3 L8 \" g
37- j  F6 r$ n- ^7 y, o# _$ Z
38; |2 m& ~% x8 l* J( W5 C- r2 W- x
396 h! A& R5 c, _. W/ K" l5 f
40
2 t  C( T5 e" L- y* J+ ~41
, H8 y) w, J2 L0 z' d42+ w) e3 a# k6 f+ n
43
4 w; N+ o2 e7 B44
8 x4 H( j; v: n2 T7 p( W4 N45/ d! p. x$ `. Q9 B# f* V9 p  R
46( F4 w- ~9 c! q
该方法质量较好，但一张图片大概需要12秒。$ w0 [$ R# a4 P2 ]6 O' ^
& p2 M. g, e& T7 H: Q

# y& Q) C# T- ]% t; @
6 R3 h7 H1 q5 z. R# }9 m方法四： Background MattingV2
2 [5 j: M% ]8 s3 O1 k7 X" ?+ u- TReal-Time High-Resolution Background Matting
1 \1 s, L" W) [; {; u- k, |CVPR 2021 oral& g' {& C( Z8 G, M5 W* c
" \$ v. d( }; o6 P
论文：https://arxiv.org/abs/2012.07810. _8 g% J0 C4 p  Y
代码：https://github.com/PeterL1n/BackgroundMattingV25 q" t  H& [/ Z' ~

9 ]* p& z! S1 a0 n1 Tgithub的readme.md有inference的colab链接，可以用那个跑
% m5 f% @! r, D6 T
0 N8 j8 E7 @9 _  Z- [. C3 L( O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。+ c0 n  D$ P3 G8 V0 H) ~9 B
* G- `9 F3 N- z/ U
于是这里我需要生成一个背景图片。
8 w- x/ G: J1 Y& }7 P' I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。
8 a8 d& e- X+ F
3 K. `- ~) o0 q' g9 J4 F' d% k7 m然后生成一个背景图片。
, Y6 v& D% x- [, l  j$ [; L" W8 r4 W. `
import cv2
; o: k3 h/ h! u& ^, b3 _! Eimport numpy as np
. b) N# b5 f/ S, k7 A. n2 q* I: P8 T1 `
; ?3 l. `# o$ g4 ]* L) k" @
image = cv2.imread("origin_png/person.jpg")) Z+ U, w1 m7 |, T2 ^
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
: e7 @$ s! m: s& M1 Uorigin_bgr = (origin_rgb[2], origin_rgb[1], origin_rgb[0])  y6 K3 C, |8 c3 a6 w/ `; g' C
image[:, :] = origin_bgr9 w$ [1 i. |9 x- w! G

$ Q4 N% T( C4 y; t" C- P" Q0 r1 Qcv2.imwrite("mask/bg.png", image)
8 @4 {; x# K# P17 L1 t) r4 r: W0 r6 X1 l5 h
2& }& Z' B9 v2 z# H9 U. I$ V6 O0 _
3
- o+ b9 ^; o# z) Y4
/ A& V/ e, V. n' }0 g8 U1 U5  [9 F3 v8 l& l9 i4 n& t
66 N* c0 @% H! W: B) o3 c' W
7* b1 ~* M* d8 w. V
8! w) @# i+ l) U& r  H. H' y7 l
9' @6 S1 ~0 {% y" k
108 `2 o3 D5 N) C* Y1 i, }3 l
' k3 x' j; w% h+ @  g: c* S/ o- B0 v
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
% Q% g# `0 U$ @9 q! `
8 [* i5 ~& X- A# m8 s' d/ ]src = Image.open('src.png')( Y1 r% `8 ~  ~6 q" g- k4 Z
bgr = Image.open('bgr.png')
. K$ ^6 n( G$ i1
) a) f: D: X  y' b# z) W( a# l2! N( E) V2 M* ^4 @
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 \/ N/ t7 E0 T
- R6 [4 E: a# Q# m4 K$ `
com = pha * fgr + (1 - pha) * torch.tensor([120/255, 255/255, 155/255], device='cuda').view(1, 3, 1, 1)  _; @) K8 E3 I8 V. N& [2 Z0 G6 z
1
+ e% j+ M9 w0 }$ _$ c2 e
' F* i3 z- |# i' |2 Z+ `! e* Z那么加入我要换白底(255, 255, 255)，就是
$ i$ B/ Y" X1 k8 e1 n0 _' N5 {" c# p9 e' V: r; n
com = pha * fgr + (1 - pha) * torch.tensor([255/255, 255/255, 255/255], device='cuda').view(1, 3, 1, 1)6 z; m) ]' x0 h. F6 A
1+ |+ X" f( B2 p; T$ S- q. m
! J0 u6 V! s1 [0 ~8 W1 l
假如像我换蓝底(19,122,171)具体深浅可以调节一下RGB，就是
# d( m. c$ R. `1 G' e! Y
) ^* {, Q8 W; ~4 f9 }& F8 G4 i6 Ucom = pha * fgr + (1 - pha) * torch.tensor([19/255, 122/255, 171/255], device='cuda').view(1, 3, 1, 1)
& r5 f/ b5 b& B  M1 W16 O# \: ~& [3 y, Q$ K% J  \/ P# 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.
5 M0 G% _8 o9 S+ q; c0 j2 T( C$ m) r/ B/ Q6 r
然后就输出图片了。可以看到效果相当好。不愧是oral。
- v2 b( T8 D  y- p) \! C8 `( I
1 r" v7 U7 T' a
. W; S8 @: [" j* w; n5 `! v  [+ r原论文可以实现发丝级效果9 i1 k* J" d& \2 D; \& y  d
9 Y1 `( k6 e8 O# C
7 K. h. y9 w/ w" F% G1 O
7 r3 Z* P7 p( d$ U8 `
1 C5 v( b- `# N: ~6 b0 S: Z. s

! s7 U! |0 S. x/ \; m报错解决方案
/ i$ ~& J1 e: z% xcan’t divided by 4 / can’t divided by 16
( u! s1 L1 y6 c' E6 c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。) F/ ^. R$ z+ r6 l
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
4 i) {, _+ T2 Y9 x0 ^+ |- h————————————————
" n; I3 s! u3 v& ~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。
( n9 F' f( }6 S! }, c1 k原文链接：https://blog.csdn.net/weixin_43850253/article/details/126376767
* E( ?: |! n9 J) K; J& i" h0 O- U2 }* Z* D

  @; _& n4 p& q0 T& v