查看: 2127|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/ ~$ U9 v1 Z3 |) C5 H3 }4 v" z
            pha[j] = torch.tensor([0.0, 0.0, 0.0])
. H. u, B- s2 V3 ~* X! i7 I' W4 n, j2 M; Z; \0 F
# H, W, C -> C, H, W
+ u( B4 n3 z& U! d src = src.permute(2, 0, 1)4 d2 ?$ V5 m7 q6 _9 Z
pha = pha.permute(2, 0, 1)
  ^6 _" Z& s5 t com = pha * src + (1 - pha) * target_bg.view(3, 1, 1)
1 Z) G. a9 X6 I. h" s2 e) G, \ to_pil_image(com).save(result_png)( G8 W1 y4 z" _7 E8 g

. Z% R2 ~2 o& O  a6 _0 D
( H2 L" D/ u) ?3 K9 `0 oif __name__ == '__main__':
6 m% h! r2 ?5 V% G origin_png = 'origin_png/person.jpg'+ |* ?" p, J( P" w. ~* k
result_png = 'result_png/com.png'
6 I8 E0 d* \9 R! h) y8 u) p start_time = time.time()$ y3 Y  d/ v0 _) X% y$ t1 y
change_red2blue(origin_png, result_png). H8 S# u3 V, \/ [# s
spend_time = round(time.time() - start_time, 2)$ v% L2 a, l8 t% E: M
print('生成成功，共花了 {} 秒'.format(spend_time))# O; f9 K3 A5 w# p* p! K
1
  z7 v7 z7 k/ `. g% c; K2+ d" p5 p8 E4 u/ H
3& X" O7 G& u! ^
42 b) {1 Z$ X) Y$ h
5
9 f) Q6 ]+ ^3 z1 m6% m: K9 k7 }& f0 w& k) m
7
. T8 r& A. a% I* l1 ]. G! C6 q! S8
/ X1 ^, g+ A5 V- @9
3 F+ v( j" a/ U) G* Y1 k& a; u109 z/ E5 [+ E1 c8 G6 z
11
3 e7 u+ r/ f( Q2 K% b, L2 t+ e12
7 B, B' a# q0 W' U* I13
# H9 C! ?3 Z5 b144 ~" |/ E8 D5 r) i9 K5 Z
15
0 l& O) _4 u+ O7 N9 y6 I' l) @8 f16
" |- w/ J; G% D7 J1 `) s17
6 q% @4 m$ E! |( D18
; p: Y/ {9 D; J) M6 L19' J2 r+ I% j! p
20+ Y$ ^- p" i2 M% q; {5 G2 g
21
( r* n  }% f# S( r6 ~, e9 i220 b6 b& u; [+ X/ l/ L, X" L
23
& d6 n5 N: i; z. z24
1 e& v9 @6 k+ G6 L4 ?$ f( R$ P25
, j" t: Q& b8 s6 n. e26* X9 \; ~) a! n) y; f+ p
275 F0 {5 p+ q6 Y( W: r) ]3 H5 K
28) U! H' C5 K9 o) E4 o" f$ G7 o
29
! d" [, W3 o, m. D2 I3 d30
3 E) K) @( \" k$ W/ |0 P31
# N" \0 u9 ~* D0 z32
' g" N& H6 U: `7 v+ ~6 m$ O8 y33
* R; e7 v  ^. p: U  W, r; `' |) J340 ?4 J" N" O2 T  G, [6 Q& W
35' L* I$ c6 h( c* }( c. i
367 \, |9 w8 D/ j6 t5 _; f$ J% p
37
# s% Z! r8 S6 V1 ]# p* i385 r7 o3 Y$ m) ~: N+ f4 C' l  d
39
  W1 w: h: s! m& u' w4 h0 I40. t( s( v& @1 R) ]* S/ V
41. n2 i  S3 ]. `- A& E# @
42) u8 G0 M  S2 I3 _
43
& O6 ^) F( G  ]* X$ C. _44: k* P3 R; y5 y7 W- O8 g% ?5 P
450 {0 e: _8 w& J' f- r5 C0 q3 K
46# Y- |9 [4 p  @. F6 B8 d. B
该方法质量较好，但一张图片大概需要12秒。
) }# j: d2 E  p8 d. `8 @2 z) p6 s/ C1 \5 C# c- D
3 ^6 H) A% S: C3 g  ~, ]+ P
5 U, J' q( T! w* @5 |" r: y
方法四： Background MattingV2
3 ~3 d0 H! N8 D) s- l- ?Real-Time High-Resolution Background Matting1 D- f5 t! A' |6 m3 B% A
CVPR 2021 oral9 e7 U+ [% \' i6 x3 }" n& S# Y5 K
/ Y4 g7 U  j$ h# D; q7 m0 O# h  i
论文：https://arxiv.org/abs/2012.07810
4 |) A' v( o4 I1 b0 E( Y代码：https://github.com/PeterL1n/BackgroundMattingV2/ e. L/ A% |7 m. Z: V
8 H8 K( g: I! O! B3 N5 X3 x
github的readme.md有inference的colab链接，可以用那个跑
5 N8 r/ X4 Y& S6 U
0 U1 w  b6 P1 _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。
( e: l3 l  u% x) y: x. X
0 O( B' x2 z0 P# a% d  c$ z于是这里我需要生成一个背景图片。8 w  }: L1 W1 ]( ?
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 R! y, u7 a: J) Z. V0 D8 J
6 H4 C# P/ x. j8 z0 S# S) U7 b6 q然后生成一个背景图片。
0 C: ?  v: m1 V9 [" E# `) C$ h% Y0 u$ B* P5 v' Z
import cv2
( v/ R& X5 V! X5 ]8 S7 eimport numpy as np; \% ~- Y+ x  I. D" C
  C9 a3 e4 I, P' V
5 g2 D% S- v  c% Q
image = cv2.imread("origin_png/person.jpg")
% F$ h7 C9 s( y3 R, h/ A2 ^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
7 A; L/ h9 @0 _* zorigin_bgr = (origin_rgb[2], origin_rgb[1], origin_rgb[0])
% i; L8 U! A& {5 kimage[:, :] = origin_bgr8 y: P+ {8 ~5 |: C2 t5 V, \
3 a1 _/ Y" ~3 S
cv2.imwrite("mask/bg.png", image)
. C: |" v- P! @9 N0 {" {6 J' \1
  v; ^5 U  k( p8 r/ C  k, D( h2
7 p/ P+ D0 ^9 B) k1 `) m7 ?# n5 W3' l9 ?2 }5 x2 }  ?$ L. H' f
4
+ x% w4 S, B3 O# G; u  j# H5
" x. y0 t2 G6 J0 [8 r4 z. T% D6
* h1 D# W3 Q* \6 A8 a  ?. ^7
/ C- W. Y4 c8 }/ c8/ B2 ^7 h! ~8 ]) g. [/ R/ p
9" R6 V/ g! ]8 W/ e+ \  v7 y4 i2 z/ p
104 n. r1 J8 M  h, l" ^

4 \% L( y+ l; {3 ^$ W4 R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2 ~! E, w0 z( J' H8 p6 Q' `# d

# P* H1 A* c& r$ x) Q, msrc = Image.open('src.png')
& m7 o. p/ t. D$ C9 A5 U- Vbgr = Image.open('bgr.png')  V) Q( B' g& q7 U
1& \7 Z; Q& f/ G  l$ w
2
  e' L* r& P7 r" D! b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)
9 E3 R2 b8 G0 ^& e$ b& L7 S4 n
# b6 |0 r5 `6 a' j4 Ncom = pha * fgr + (1 - pha) * torch.tensor([120/255, 255/255, 155/255], device='cuda').view(1, 3, 1, 1)& \6 V" Q+ @" V5 D
1" J' k5 S5 g+ z" S) W
2 f7 E* m0 l1 n, W" E/ A
那么加入我要换白底(255, 255, 255)，就是5 v2 P9 s: i5 t
: E# N6 _: F1 r2 \& C
com = pha * fgr + (1 - pha) * torch.tensor([255/255, 255/255, 255/255], device='cuda').view(1, 3, 1, 1)
3 F3 ?% f( l. k3 m/ p; V. K+ c: e14 W* Y6 b# }$ o' T5 u

6 Q; N% j$ F$ |! F1 k假如像我换蓝底(19,122,171)具体深浅可以调节一下RGB，就是1 p+ L) v. F4 u; r+ A

1 U8 H1 i2 m7 w' n& ^5 wcom = pha * fgr + (1 - pha) * torch.tensor([19/255, 122/255, 171/255], device='cuda').view(1, 3, 1, 1)4 c) I. k- k: E2 o
1
; U) W0 f6 M# u2 C4 J; 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.7 {( l+ g' d( [% J9 o& R: ^1 d+ }
* K5 o" u3 j: |- B- `) ?
然后就输出图片了。可以看到效果相当好。不愧是oral。
* J' V; ?  n  v3 H
8 D9 f8 S6 q5 ^! S+ a7 `' F9 |
" }3 c9 R" N& N$ `5 ~; U0 R原论文可以实现发丝级效果' [0 O, v4 I4 R& o9 n8 o
2 \4 `: n9 `- G7 h  p: D
, a" w! R, e9 v8 r. q

7 C7 m' t) S- b& \2 ]1 \" F8 W# E+ l. u
8 N) `% L7 }, f- X1 j1 z- ?
报错解决方案9 L9 o. F7 N$ t& g
can’t divided by 4 / can’t divided by 169 y& p- j- R; Z% F) ~
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。- {7 [4 f3 |) r5 [+ O
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/resize9 L: q, D) e1 ]: v: ?
————————————————2 V2 w+ H  u" i* R7 i# j
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。
9 {+ u+ h9 F  ]& b& ]原文链接：https://blog.csdn.net/weixin_43850253/article/details/126376767/ w, g9 u& d; c* ]9 V# j
' ?& L* c# I5 f. n6 G
+ z% \7 j* t* L- d% c" n2 }