查看: 2091|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8 J( A. s& |$ q
            pha[j] = torch.tensor([0.0, 0.0, 0.0])' f# `0 j* d: C& C, x) r

1 l( N; O* w! g( k& }) e: q  `0 d # H, W, C -> C, H, W5 |9 Y  R. b0 i% e! ^, \+ E/ d
src = src.permute(2, 0, 1)4 @- _3 u' T% T
pha = pha.permute(2, 0, 1). Y! J/ g% }( l3 x. y/ e2 d
com = pha * src + (1 - pha) * target_bg.view(3, 1, 1)3 o; T& u8 s# x8 [, W
to_pil_image(com).save(result_png)0 {, b4 f- y- u" ?

! M) a/ e8 l/ i; V& \4 q* e5 H
' j# F% b' p) d- fif __name__ == '__main__':
- K8 b0 {9 K' ? origin_png = 'origin_png/person.jpg'
. P; T1 ^, r9 I7 X3 m# s! a7 o$ o result_png = 'result_png/com.png'
0 V2 R" i( O) C: _7 S& ] start_time = time.time()
% t5 O) \" f! A' q5 d change_red2blue(origin_png, result_png)
3 u# k: H" ]9 r9 n; ]# M% P spend_time = round(time.time() - start_time, 2)
2 ?3 M/ j3 x% U. g2 X# R' B3 K print('生成成功，共花了 {} 秒'.format(spend_time))( p; a! p5 o# }0 }
11 ]9 b2 l% }4 s4 u, m( o& L
2
  j+ A4 F! F+ z  X7 w0 \5 f; y2 y3
1 C6 \, \5 @( m0 a& V: ]' d) @: o47 N# r( C2 F/ v- t1 T5 u
54 k5 P- F0 t* }) i) w, Y( k
6# X! Q) {- O4 X
77 X! L% F, V5 v9 W6 v6 _5 M
8
+ i. t  e8 P, r4 b9% [) \6 U$ _! p: U1 F# v
10
6 B/ E8 y9 u, o1 e$ b11
6 X3 Y: e( P9 U# M8 ]12
% l) r8 C5 c: Z# E2 Y0 \. ]13* ^' l* d& `2 {, C% Y  X/ o0 E4 x  @" \
14
3 U) Q$ }" Q' G/ m15
+ I; R& I  k# I1 b8 o  B: E16
3 Z* Q& v) T- d170 b6 k' _+ i7 k2 G9 z
18
, D/ r% S) k" v; D) S+ b) |8 H' _19! J7 O$ e- Z% ]+ m: S$ c1 [9 g
205 l: v2 N) e/ {6 h
21
5 k. }# p& n1 i  q" A% P22
+ n" T9 t9 {" ]3 a: ^- N% x) f5 t237 F+ P' ~. k% K% V8 v7 ]8 e
24, e+ N; c- ?1 B: j7 J  u* g, `$ P7 H
25. a( A7 C# ?; U. n
266 ~" Y; Z5 c4 m, d2 ~/ X$ [
273 y) j# K( ]6 F+ b- W
28
8 @- T9 _8 I* Y! Z4 ]2 A$ I297 o9 x, e$ `" l6 ?& F0 S9 E
30
) |& c5 h7 D' x$ F315 g' V! J! P9 o+ l( J
32/ x' T( Y' A  |; m" I
33
. X5 `1 h3 o" j! G3 k0 [7 ^34; @  t5 C# \0 }. a- k( N/ _
35
9 ^3 Q0 L8 Y+ _369 u2 P* s  V! Z( A8 z3 x
37+ `7 ~" Z, j) q" j  k: g
38
9 o, R+ f" ~) e& D39" V& k, V5 b7 p
400 V1 G- t5 Y7 h1 f3 j
41
; |/ t' y$ S" `$ i; P5 F' a! |42
! T5 P, h: A6 N, J" x+ `; W1 [' y43: D, `, }* g' p+ m4 z' V/ I9 h. R
44
: H, I! Y: D, U$ _! q45
0 c$ r9 C/ R' T464 M* f( J7 D! w9 }# P$ A. ~
该方法质量较好，但一张图片大概需要12秒。# h4 S1 {, L, \; I  P
2 U$ K& ^* j/ Q+ Y1 u# X& q
; K; M9 H5 M+ [' S

: n3 m  z! J& X  Q) g& ^1 m方法四： Background MattingV2
) B* }& ^, [. o4 m8 |. y5 _Real-Time High-Resolution Background Matting
& ~0 @7 @0 [3 {0 ?CVPR 2021 oral1 H; K& \* G) [: w

! B+ M' F' T1 s论文：https://arxiv.org/abs/2012.07810& |4 R$ R; ~" z
代码：https://github.com/PeterL1n/BackgroundMattingV2* p- c0 a, Q; m* ]: j1 g5 a2 B5 \
$ W. O. b! [) d! O% ^# P
github的readme.md有inference的colab链接，可以用那个跑/ d# L# P3 T- c( h' S+ H8 j
7 T# ?- B6 W' a7 E2 c% R
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。
$ E8 D+ e2 j  H* U6 f4 _4 i0 B# K  [0 q
于是这里我需要生成一个背景图片。
% |( ~7 y) j0 t- n! M' q  ]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。
; B4 n2 L1 R2 p; b: R0 g+ d  P: p, L# u  T% U) G& k. x0 r$ H$ v
然后生成一个背景图片。
7 i3 X# Y5 {8 \% s+ S/ |5 M; R0 e- u$ L0 p2 G
import cv2, x- q2 W+ m, T$ h; B! n
import numpy as np
( ~+ T: i' t* V. }  p$ ^/ b; a- O  l% ^3 c9 O/ v: \

- l) O; m  k0 d2 O/ m4 pimage = cv2.imread("origin_png/person.jpg")
6 P9 f) v' l9 N& {  I* `: Rorigin_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 |8 P5 [6 o6 G; {9 H4 @% }; M
origin_bgr = (origin_rgb[2], origin_rgb[1], origin_rgb[0])
. p/ q6 `8 e& l- a! i3 i8 p3 p- u1 ]image[:, :] = origin_bgr
0 i4 P; [# [% y4 `1 D) |+ q' @7 E, Q
cv2.imwrite("mask/bg.png", image)
8 a, d1 O- c+ g- z0 b$ W6 r1, ^& W8 Y) H5 Y( Z, I9 f: e
2
9 V: S9 _& A) z2 q9 p3  b6 K1 p% g3 B. X+ y' w* P% e
4! y. h! {: i3 g
5
4 ~; l- `4 T0 ?2 P) M* k6' t+ b9 X) V1 P8 V; x( \# j! c1 E
75 f5 b. ^6 c% ~7 I( D! S) `5 l
8+ j1 w& T: d9 q# K! c
9
) `+ k- c0 [! a% x8 Z4 j10; ~6 V/ W  t7 F' t, z9 H* F
7 q; }% k% R+ ~3 f' {+ O
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
9 r6 m! g! Q' T: Z7 Y; W; ^$ T5 C4 T1 F: P
src = Image.open('src.png')3 o5 M7 \/ H3 P9 N: i7 ], n; j$ P
bgr = Image.open('bgr.png')
/ }& X: n' c+ j% |2 k% t" B1
7 e+ R! k! Q3 m2
. t/ W' H( `  t4 j8 b7 x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)1 v" K- p/ _: T

: C) h- E4 b: f( m* ^! _* Jcom = pha * fgr + (1 - pha) * torch.tensor([120/255, 255/255, 155/255], device='cuda').view(1, 3, 1, 1)" p; `6 T/ w+ T. w* h
1
) x* }. `$ C7 U' J2 C, u- G, D
- F6 r& ~# H2 V, y' k; r$ l7 F那么加入我要换白底(255, 255, 255)，就是3 M2 Y* \1 v0 o' w9 Q
/ b0 V% a3 l! q& v+ K8 r5 p: T
com = pha * fgr + (1 - pha) * torch.tensor([255/255, 255/255, 255/255], device='cuda').view(1, 3, 1, 1)
  [# C" o# Y+ z3 e2 h$ a- @1
% T1 e. S/ ?; l) \+ L9 H6 f' k5 E- A" S
假如像我换蓝底(19,122,171)具体深浅可以调节一下RGB，就是; P- H5 q- {2 ^! L

4 e6 _: M! c, g2 ^, R' ]1 Hcom = pha * fgr + (1 - pha) * torch.tensor([19/255, 122/255, 171/255], device='cuda').view(1, 3, 1, 1)8 Y5 G/ ]; ^: M+ g; B# e
1
" Z- I! _9 S/ }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., c9 V+ o# L" {) P1 ^! W

& T3 I6 F2 A+ F, M1 j4 \8 \然后就输出图片了。可以看到效果相当好。不愧是oral。+ d% E6 M) P5 I- ~% m8 y& i

' _: b' d5 v8 y. K- V* ^4 t8 C- [( c5 a/ `
原论文可以实现发丝级效果# r: e# J* ?4 ?. e; t$ g$ n8 [

; r7 B7 a3 \. b: y. s  x3 s/ i, C- ^& ]+ K% P, B- c0 y+ E
* F9 T2 o" D7 q6 j/ h7 {3 n
( C( p0 o" i) o9 P( ^. W& J
" h( H% |! c2 J+ C8 K
报错解决方案
7 U8 A( I5 o" J  b6 ?can’t divided by 4 / can’t divided by 16- ~. u0 `0 m0 t& L1 p, \
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。
6 I& V7 Z  S% r! F3 l% j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/ z8 y% r3 G- i/ S& n
————————————————
& ?- s+ Q$ U- V& `: M- c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 C/ k( u+ m: E9 z  e- s2 w
原文链接：https://blog.csdn.net/weixin_43850253/article/details/126376767
/ l- S: ]4 \6 z1 f) W* G7 [
; Y0 [- q& G# K! e* R5 [, _
; s/ d  d  Z0 u+ P. n& _