查看: 2110|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' Z9 `" D5 O! N0 q
            pha[j] = torch.tensor([0.0, 0.0, 0.0])
) s9 z0 W/ L+ I' V! M$ p4 v# k- Z* \
# H, W, C -> C, H, W
, W5 ]1 s$ o7 _7 h% ]- G src = src.permute(2, 0, 1)
3 e6 u% K( D$ Z3 R  C9 o1 U pha = pha.permute(2, 0, 1)
5 U& r8 ?; Z8 ?  F+ f com = pha * src + (1 - pha) * target_bg.view(3, 1, 1); c; l+ y. H* Y5 S3 T% T. q! p$ ^
to_pil_image(com).save(result_png)3 `0 J. S/ |$ O* J; J
; @' ~  S. L* J

9 \  b1 b1 H" @, M/ nif __name__ == '__main__':
# H, g" z- K0 S5 W3 f9 j- X2 x5 E5 U origin_png = 'origin_png/person.jpg'
5 S+ D# w; i1 O9 X( o  y result_png = 'result_png/com.png'
; ~3 {5 z7 M1 x1 B+ { start_time = time.time()
; D  o8 o9 i( d change_red2blue(origin_png, result_png)
5 M+ L1 x* }) o6 T spend_time = round(time.time() - start_time, 2)
6 A6 f( ~/ J, j- Y  I print('生成成功，共花了 {} 秒'.format(spend_time))
4 _) p8 n9 Q" @9 \* @- Z( t6 W11 k6 D% D, c5 y
27 v/ |. c5 ]1 ^; Q* x; w; V
3
! L- g  M7 P- m0 H. W4
' q$ y; H$ S8 F( e& Y/ U+ f- u5+ ?* ^( y* {6 p: w& P/ i( T) p
6
: ]8 O0 N! c: |; {, m5 i3 g% m# y0 U7
, I! E4 F( H6 h" f7 z; R5 z; V0 z8
6 [1 M3 v" B9 F& k* H/ L9* n0 n! T0 m2 K, S3 h) `
10" A; i+ ~( `/ [( J
11
2 M% j5 u5 k2 h12
5 I4 ?) L6 V/ Q: o13
! ?$ G% ~. g. u# T9 K. {- G14
" B; ~0 K4 \0 ^15
7 i3 D8 [# o0 o! Q16
9 u9 ~( i% S* I# [% I, X" h2 w  @17
4 s6 R  e5 }3 h1 e1 Q8 W' X5 m8 H186 Q( ~+ r# G6 E3 }: l+ h* p
19" ]. R! E) _% t
206 Y) P8 o+ ?, [' f  {  X# M
21
$ {  x/ h) v' Z$ K, G223 `0 e& g" p( Z+ ]/ g: x3 {: m
23
( w! V; @+ x& g7 p, }240 ~5 I* E" `" y% f# Y; t7 e$ K
25
( g4 P) A- o% ~% W: A. M26! G& d" I- q& n9 I" t0 m4 N
27( A: ?# D0 K8 ], o
280 o/ f$ X# S$ L# G( B3 k5 }6 J9 C
29' ~7 R( j0 b# ^7 N. f5 ?8 ~$ M
306 f& F7 \: ]+ _2 p
312 s8 \, b' k! w) [
32/ Y8 k8 U$ Y9 K9 f
33
  F1 B6 l0 _! D$ k34
4 h. `( B$ v3 A) o6 {0 T7 J, Z35
3 ]9 I; F/ e7 l9 m6 T+ K36
9 X& z0 A6 f0 j. T9 H3 X: H- E37
) X& Q1 M5 a0 ~  }* S38" ^" n; i7 Z- \" u/ i8 a& ~
39
) E  C3 @5 A9 I' `# S6 D40( A( ?! G1 y" X1 w6 H. `! P- \5 h
41
- s3 o5 c& K& G42, L* n; I2 k. F' h: n
43) |# P: b5 Y+ }
44
0 q; R% Z2 {0 X  b/ W( P/ Q45. J( q- k4 O1 {" x2 Q
462 O% }% F% m8 }+ o( j9 ?" @
该方法质量较好，但一张图片大概需要12秒。
6 i" P5 u$ d8 G0 f- o
" j0 O+ P+ e: l, H9 T& a4 Z$ F6 Q8 c

# F# @; }% ?3 w- n& @  E7 _6 T( N& e方法四： Background MattingV2: t1 y: ^7 n1 R8 F5 i( Q7 l- K  t
Real-Time High-Resolution Background Matting
) l# M$ ?+ m4 j2 R* q# j* \" nCVPR 2021 oral* d$ L3 t$ R, r

8 _( d% b, p9 ~5 g) Q4 P0 f论文：https://arxiv.org/abs/2012.07810
. w1 T; x; f+ t6 Y( _' z代码：https://github.com/PeterL1n/BackgroundMattingV2
5 k4 I3 V! m* Z/ t; L" J) `  h* T3 B; q7 B/ O+ I, E) x
github的readme.md有inference的colab链接，可以用那个跑7 Z$ O$ d( A5 M  v6 w# R! @+ S& ^

5 q$ o7 @5 x9 |' v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。
/ |- x# g6 G% m8 B
( ?9 \1 }% E( u& i: W3 p+ G9 M于是这里我需要生成一个背景图片。2 R; b  O* T- q' 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。
. G% k0 L8 @% N  J3 U4 x) h- e8 G* T
然后生成一个背景图片。
- p' }3 g) R4 J( R3 M1 z
' E7 A  l, z& C& Q. E2 {+ dimport cv2
1 }' s, g1 u3 X( t9 @- k( x- }import numpy as np' a( B* F  @9 |" L

2 l1 T' ~% ?0 ^! F% S  ?
& C( H  G- p3 a3 `) l* a: Z& Yimage = cv2.imread("origin_png/person.jpg")
" d. |5 G: f" k$ z. Corigin_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
: t! o* ]1 A* [' [1 Korigin_bgr = (origin_rgb[2], origin_rgb[1], origin_rgb[0]). z% |7 P# G6 n0 j/ L
image[:, :] = origin_bgr
' b* ^  p- Q$ w2 D% c( k
2 e0 y1 t& m% e" dcv2.imwrite("mask/bg.png", image)
/ Y2 Q0 v0 x6 x" y( p1
; b5 h. u+ P0 |3 t2
% ~0 b8 c0 m, x+ {4 ?( x3) g1 ^4 H/ R/ a3 b, H! |
41 ?/ M& K; B, l! t- B
5- ~9 R- R+ F" v+ J/ @
69 h' c5 R) B7 w6 h8 G& U$ {
7
( M5 \) C+ y. I80 I$ i; g; |1 E6 z8 M  z" f0 }
96 |: B/ |4 i. w* Z; Y; h0 b" r- [3 |
10
, p: s4 W/ J3 [8 k: d( v  N+ ]1 [* G
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
6 u5 j6 O, f/ T0 D( z* Y" ~
$ u+ c- x# v* ]$ S; w8 \src = Image.open('src.png')5 {, N' U2 t, x+ R1 D5 s/ }
bgr = Image.open('bgr.png')1 S. k  [; ~) j6 u
16 y/ z" q6 B* i! Y; f" I2 J
27 q& {# y: F& Z# v/ r
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)
" N& |7 B7 T/ D. y
4 f4 D2 _: a% ^com = pha * fgr + (1 - pha) * torch.tensor([120/255, 255/255, 155/255], device='cuda').view(1, 3, 1, 1)
5 `5 l4 z) r8 o+ V1
, s2 h6 d7 P7 _' Z0 m) l# V. H9 A+ b# {: M7 v  R
那么加入我要换白底(255, 255, 255)，就是# j( o2 ]1 P! S+ z+ K7 M0 T0 N+ W

4 Q1 E1 F7 C, @9 t; V7 vcom = pha * fgr + (1 - pha) * torch.tensor([255/255, 255/255, 255/255], device='cuda').view(1, 3, 1, 1)
+ D, n+ T  X( n6 ?1 l1
0 H5 Q6 b4 E' y9 b( u, ~9 E2 C% f- _. \  j3 e" r/ a0 I
假如像我换蓝底(19,122,171)具体深浅可以调节一下RGB，就是
9 L! X4 F9 s# Q! w* F0 X4 Y+ L# `2 {6 e/ r8 ^
com = pha * fgr + (1 - pha) * torch.tensor([19/255, 122/255, 171/255], device='cuda').view(1, 3, 1, 1)" ^$ \& l  c% d! C
1
" m. A7 X1 ?' j/ f0 B' Z5 V- k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.& j# z% j! J, U) r1 {2 U) R
! |5 w9 j  c5 Z) B+ r8 b! u5 Z3 V
然后就输出图片了。可以看到效果相当好。不愧是oral。' W$ \2 C6 U4 d3 F7 w

" e: d9 j# b& A' `6 m7 L4 h( n1 {, P* S
原论文可以实现发丝级效果
# Q! t/ R3 S  g; `: Z2 h
. n4 l! {; p6 {7 J" O: W# X  I9 [" E) N  w8 N7 G" J! w
! u$ Q1 Z+ z  C9 S, \

1 k) u+ M8 t% Z$ H! g
) a9 @4 K- _* x, w* m1 M' q报错解决方案3 N5 M6 o& }# [3 W
can’t divided by 4 / can’t divided by 169 |3 K- W9 e* D) R* y2 k' ^
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。; v8 n, f8 r$ r3 D) P
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
9 Z& O5 D0 K/ P  `$ D' R9 A————————————————9 {. ~* H  l) ]* o- }. \
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。
! S3 q$ K2 G/ u# ]6 Q原文链接：https://blog.csdn.net/weixin_43850253/article/details/1263767675 ^/ c1 H$ n$ p

0 }3 l; O  n  p4 o) n5 l% U) }' u% q( ?