查看: 2164|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
  U: D3 {1 ~: \             pha[j] = torch.tensor([0.0, 0.0, 0.0])
4 V* V6 N4 {+ q. Z- R9 F
  d' o; `' }8 |1 j7 V # H, W, C -> C, H, W
% Y  b; i' e& F- C src = src.permute(2, 0, 1)
/ i9 X8 b$ A. L1 [/ n! e; K pha = pha.permute(2, 0, 1)* B% [7 d/ p4 Y2 h4 {8 s
com = pha * src + (1 - pha) * target_bg.view(3, 1, 1)3 \6 j/ Q5 _8 O* x5 ~# J) o
to_pil_image(com).save(result_png)
6 M& b6 o3 U2 ?- x) [: X5 b0 Y9 `! \- |
1 {3 {9 a1 \3 @+ r2 m3 j6 q; F1 s/ J$ V
if __name__ == '__main__':
" p9 ?; D* Q* o( }2 B3 Z7 W origin_png = 'origin_png/person.jpg'
2 M2 f$ G- F# y; G! i$ U result_png = 'result_png/com.png'
& _' g& q: b  C& M9 ? start_time = time.time()
, M! E$ |& _  N1 A. b( q change_red2blue(origin_png, result_png)8 i' v0 j& l9 u0 T% }; ]7 j
spend_time = round(time.time() - start_time, 2)0 A, l" d* x1 Q
print('生成成功，共花了 {} 秒'.format(spend_time))
$ G4 f6 q1 Q. b2 c  R& ?0 g( p1
+ J  x- U+ X6 J5 a2 \% J2 V1 D2
0 D# g, A' v! R) f. @& F3) h, ]) W3 ~( d  R. l, g
4, f& W/ J1 D9 d4 f2 o7 _# o2 G
5
5 u+ s) f. w2 N4 c" j6 U8 k6
- m+ M, b! r! R6 t0 N75 m  D) f7 {4 I* P
89 k, ?& O. c, l
9) r1 z" e: ?5 x4 ?
108 U. s3 m2 [+ E, Z" t
11" O; q; w+ p6 q9 y6 T; [2 X! q7 T
12
$ F* {  |* E) U1 @- o8 C6 j- V( L136 N+ M, f3 E) L+ h
14$ K+ i# ~8 W5 Y/ L$ i0 S
15" C2 |% P4 ^6 m9 a
16$ ~$ `' @9 }8 N! l* e
178 U5 {! k/ y' L* ?4 Y3 e! X' h4 M
186 K3 d9 Q; j% ~  N0 z: u2 x( d
19
0 I9 A+ F; r5 O# y' s: n, r8 \20% Q! |+ `4 K" M! L2 e# ~' Y* p3 g
210 Q+ I8 `5 @. W3 {% P# [
22: {9 [. |$ b/ _" U2 b2 A
23: P) L, U; e% M) w9 H
24: w. v- T8 {3 |' L2 q% V$ m
250 b2 z, d2 _$ H% s3 m
26
6 S2 J( y1 \+ H6 S27
( L. [2 Q0 P2 ?: b% M1 x28: m7 h$ Z+ N3 E& M5 E7 \( t
295 a* f: h. Y. e! @1 g
30
" ]0 E% n) A" C31+ L: H& x* \5 ^/ G; y( F; m
32
8 t% x# \: o* \4 \# u33
9 ?+ e# o* F0 o8 v  L, F34
# S- R# ]/ ?, x, g* _# P8 f35
# R  B& Z# B$ I+ L2 o$ Q360 g' V7 y& H! O; [1 s3 K, P) ]
37
( }% f7 J( }9 ?4 Z38
; d8 {+ s' U  U6 X) F2 m$ Y, r5 W39
7 e4 A- ^7 x/ o% n' H, W$ S* }40
; O! R5 X! @; `6 D: R9 ^41
: k0 C3 m: ~; T42
* b2 X( G. k# g# V3 g43
& J# O/ i, G- F) z/ t* f7 ^, G44. d( ^! \  ?0 o6 X) j7 j/ K
45
/ N1 E6 U) R' ~, E  \46
. [, G# F0 b8 g该方法质量较好，但一张图片大概需要12秒。; A! C3 o- _8 l
0 ~& p6 `/ x: J" Q3 v

, d, n) ~% W/ R$ j! }6 A; s+ j: L8 R( u8 x% o) v
方法四： Background MattingV2
- a. c& M6 U& X0 L; h/ RReal-Time High-Resolution Background Matting+ a/ y4 I+ {6 s" z* Q( H
CVPR 2021 oral# ]' `3 _! t5 e) U! P- Z
( `$ ?- Y! w) v3 T
论文：https://arxiv.org/abs/2012.07810
! E) S* ~2 Q. F0 e" W3 B* P4 n9 }代码：https://github.com/PeterL1n/BackgroundMattingV2
" U$ f' @+ x9 z6 G# B; C: Z0 u, i9 i5 ~
github的readme.md有inference的colab链接，可以用那个跑$ c8 e0 F* I  Z3 R- n. Y# q  D- s
$ n7 Z2 `2 W* [0 |& b. V% l' d; F- |
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。
. ~- _1 ~0 j" v3 Y/ k+ Y7 z4 S' ?9 I( F8 o6 S
于是这里我需要生成一个背景图片。
! y3 v' o) I/ S% u. W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。. P# U4 d8 Q0 p, Y  p
" N# K1 n$ L! ^$ A- `
然后生成一个背景图片。) g# \2 M7 ?! l$ O5 _

* b% }; g* h7 p. q8 {& m  Vimport cv2
( X5 A' e6 i/ k. Wimport numpy as np% H& ~) r+ a' _% K) v

3 h8 K8 W# _8 M
$ H6 c+ w  O% c7 pimage = cv2.imread("origin_png/person.jpg"); G: V& r, W" x/ F$ s% X8 p
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& ?( ]( K8 P! P% o+ W$ I; Q
origin_bgr = (origin_rgb[2], origin_rgb[1], origin_rgb[0])- f: w- x8 q1 \5 [5 T0 n+ O4 J
image[:, :] = origin_bgr
' U  t& a5 Y* ^
4 S( D- J9 t; b. X2 y# G! ncv2.imwrite("mask/bg.png", image). Z# l0 [! o: P
1- L) p- `1 K7 }
2
  j5 g' @4 w! j) x$ o9 S3; c/ b8 M- N  w" w1 U
4- T7 w% e* k0 J- x1 U  V
5) T% @7 [) M( c1 T& A7 h
6: X( M# M2 v6 x# g1 S& h* }
7
& @$ F6 ]) F* m86 D( J9 D3 u' Z) _+ Z
9  q, r& L  m: ~/ B3 a
10
1 |  G1 l. ^: h/ {+ L% u1 ~
- N1 Z* \' }3 h" l) @: D# r3 u' ?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; v7 @) g. C& ~' p; M4 W

0 J9 n8 W# @9 v. f' Zsrc = Image.open('src.png')
  X+ _. o* _+ P! zbgr = Image.open('bgr.png')
, |7 W5 g! ]  l$ k1
& s/ R7 R/ d/ K( R2
. i3 }$ f& {( A8 ?+ t  _7 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)  e1 q" k4 B% n3 I; X
/ A/ v/ i+ k/ o2 g1 m# h' B7 t% n) C
com = pha * fgr + (1 - pha) * torch.tensor([120/255, 255/255, 155/255], device='cuda').view(1, 3, 1, 1)
+ m/ n( D! ^: L% I' g% i: w1. {7 e" b* N1 K7 D3 K+ w% {
  r. R/ R, Z# D1 x
那么加入我要换白底(255, 255, 255)，就是
( p9 H; h8 |8 {6 f) V) x
: F! Q; V( q3 y' O: Jcom = pha * fgr + (1 - pha) * torch.tensor([255/255, 255/255, 255/255], device='cuda').view(1, 3, 1, 1); }# ~, Q# o: s' T$ B
1! a, [, u! A7 V

0 i' O$ D5 }2 K' ]2 @假如像我换蓝底(19,122,171)具体深浅可以调节一下RGB，就是! ?4 d& \: ^6 F$ z

6 U; G, x8 W- `4 i/ A0 Y% b, A" _com = pha * fgr + (1 - pha) * torch.tensor([19/255, 122/255, 171/255], device='cuda').view(1, 3, 1, 1)
5 D0 V+ q, |" \* O1- A9 h3 C8 Z* i% O( v1 _& z: W
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.
& t# J; h9 Z/ t' [0 S
: C+ b" k& `9 l. z" N% U5 k/ L然后就输出图片了。可以看到效果相当好。不愧是oral。
5 Q& j# {! q" `' X* v
6 m6 M+ F1 d3 b4 ^2 L4 ^
: |! O6 U. a8 c! V原论文可以实现发丝级效果1 H5 p, J7 X7 ?9 Y# B# K; N

2 j8 t9 F) C( l1 W5 H# u5 M
3 u  ~4 y6 I& ^6 J; G8 e. b
9 g0 Q% Q0 J' ~8 {: h7 W
% F* ?/ i2 o2 U; a% \2 S; [- K
. k0 r, S* k  u! Z1 X. N; w* e$ h报错解决方案' \+ I. x! T7 T5 I
can’t divided by 4 / can’t divided by 16: H, v0 y% C0 r* n& H7 h# B, N' B
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 @/ T) B: [2 A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
  h' T$ d' W) e7 R5 _+ N' v6 G% I————————————————2 N$ \* S4 u  c2 P! e% _5 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。
0 `) [. c! G# c' B  Q9 {1 h原文链接：https://blog.csdn.net/weixin_43850253/article/details/126376767% `3 R+ ]  h! P' Y3 o" k4 o
! a/ u8 x- Q$ O- ]# r" [
; k) ]# ~& T6 q/ L. t