查看: 2088|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
$ ^2 U- C" e: P! d5 S9 s             pha[j] = torch.tensor([0.0, 0.0, 0.0])+ U) v% t& r0 ?6 U, n/ }! [

; o, y3 K% {0 v/ _( g$ q # H, W, C -> C, H, W
; `! [6 j& X9 r( e' d src = src.permute(2, 0, 1)1 F0 w* q3 W! P6 n) g# F, g
pha = pha.permute(2, 0, 1)
6 N. c* _; Z. z% ^! Q com = pha * src + (1 - pha) * target_bg.view(3, 1, 1)" b- W. {3 H0 E+ j' e/ x
to_pil_image(com).save(result_png)4 j* f1 K/ C( {" ~  v

8 u2 f' k. s1 J! Z: _; P7 P$ T0 ]2 t% B  ~! Y( l8 y
if __name__ == '__main__':
/ [5 k. I+ j8 p- A  A9 j: Q9 w: M origin_png = 'origin_png/person.jpg'
: h5 [& P0 n. F" o* n* }0 \ result_png = 'result_png/com.png'" ~; U8 U# r- W) C) j+ e3 w$ a
start_time = time.time()" q/ i9 y: k4 w6 p% @* ?
change_red2blue(origin_png, result_png)- @0 N- S- |) m9 C, \: h! X
spend_time = round(time.time() - start_time, 2)6 \& L% }4 y* z# s6 ?
print('生成成功，共花了 {} 秒'.format(spend_time))0 J1 {& ^) V% b) `
14 Y8 D* Z. E. b9 l
24 p' v' `# E0 \4 y9 I+ X# ~
3/ e6 R% k% r0 g0 u" M2 |
4; @$ l/ M& W3 ]9 o9 R
56 Q) K5 z' d5 D" @: n! B
6
, p, O, T7 x% L( Q6 a& G- ?- Y: z7' K( h2 a/ k# g$ j" Z6 j
85 W1 c' y1 l% c# H" S, f
9
: G1 k. e8 w. F0 M6 Q8 x10, h2 ~# t$ `8 I, ?
11. b! o1 C; `1 [# v6 [
123 n. t2 Y. ?* f/ x
13
/ y+ B8 a1 N. L# X( x0 M/ D14
2 J/ V& C2 j# C# I) x15
5 e) a: j$ a  y6 ~/ C3 A" W164 C0 R; H% `& H: |" F- U- y% m
17( d) _2 Y  z! X; K9 k
18/ H2 Q+ a# p7 G9 k
19% E1 i  }- y8 @
208 Q3 w) x- O5 A& O3 d: H( n, i  Z+ F. Y
21, F1 D6 N, t7 }1 L+ H8 z
22
: c! d, L, ]+ N23* f. E- W( l9 O; p2 [# S7 v
24
, n) n) o( c* X25$ ~- s" D0 c6 }7 w+ s  w3 a
268 {3 c5 I+ P0 V3 o+ Y$ J( v+ \4 y
27- |7 o$ H7 Z1 K
284 `+ c) Q( M7 C  ^0 j; C
29
, @1 A1 f" _$ I30* R/ B' q. |& M: Z- f  ]+ w5 M! g  T7 i
31( V( p( H" N* |$ K8 ?2 A
32+ W% c0 u9 l' d) e1 B; S0 @3 i: \
33$ X$ V2 r- o  x/ s" ]; W) V
34( O5 |- y7 q1 P
35
9 C9 K0 C5 l5 ?% ?. E! Z4 P36
  u9 w( V5 {8 D+ M* o37
& H6 N7 Z  {$ |: Q! ?7 h38
+ F8 X, I0 ^# G; x7 n- Y39
& A9 O! G+ J  H: s40. G8 Y3 h: M3 ]7 `! Z" y
415 c% V# B6 A8 w$ j
42
4 F7 p: V8 ~1 S6 i. Y43) W. m( }0 c" i8 w& X5 M
44
, N4 u7 T1 |. S' j% v457 Q2 j6 `* e1 p% _9 U
46. ~" f5 H% B$ ]& J; `( ^
该方法质量较好，但一张图片大概需要12秒。
0 S1 ~  i8 d8 }0 {9 [; m
! W( V: H! f7 k& t: |5 z! M2 v' ~/ }5 s3 e2 H& P. ^
0 p& h! e$ H3 Z7 A! R$ a: u
方法四： Background MattingV2
( F2 }$ B$ X% A# X+ T( IReal-Time High-Resolution Background Matting7 u+ }- G" Q: E0 Q: \& \5 T
CVPR 2021 oral6 _: \0 f) ~1 }

  m$ m& b0 G) j$ r论文：https://arxiv.org/abs/2012.07810
3 v  E. I. \; Z7 ~代码：https://github.com/PeterL1n/BackgroundMattingV2
0 d* |2 o# ~) t* E. ]4 e1 r# j
8 A& ^# J) U) wgithub的readme.md有inference的colab链接，可以用那个跑
* P! y- X9 |# J! E6 ]
: ^) m0 G  K" T- i6 X, T0 M* 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。
& [2 x, Z  K7 O  M1 ?6 r' D* z: b4 \# e% w$ ~( I$ n
于是这里我需要生成一个背景图片。* X. W  X& O2 w# a2 a: A% O* F
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。$ }5 C( X1 e6 Z/ g
) {, t& |4 j4 w' t' Y
然后生成一个背景图片。3 K6 s8 T" o  F6 g( v% I+ H
0 L( t) |9 E; P' V' o; J
import cv27 V) j- v2 S( o8 }
import numpy as np
3 M! |* y8 ^8 j2 p1 i+ H+ d) l6 a4 _' a9 E

3 k1 F" f$ o5 W& v; }. ?image = cv2.imread("origin_png/person.jpg")
; W1 M$ a' C3 M$ a* t* H$ w4 borigin_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' `8 A# `' M* \
origin_bgr = (origin_rgb[2], origin_rgb[1], origin_rgb[0])
6 Q! v1 n( Y5 W8 g2 [image[:, :] = origin_bgr
" Z" w# D( O0 n, |( B1 {* y+ ]; ^
cv2.imwrite("mask/bg.png", image)/ P) k( `2 T1 Z4 u+ N- O8 d/ C
1
7 m$ I4 {* u- d8 L2
3 c" J+ k8 D. D% V3 G4 A7 N) ]3( V- _% Q! T" F3 D$ b# G
4
; ?4 z" }) l7 q3 ]; ^5
- ~: y1 m7 `9 v4 M. V% ^$ Z3 }6# C7 a' {( w& b$ b( `
7
3 a: a( s" H  r! Y8
* q0 o# z* N' ~+ Z0 S, `+ U2 B+ M9
  S0 \+ Z' g2 A: ~$ |% J* V10
( p+ y) ^$ m% d/ A# v6 C" @* _8 n
* f1 b: B- }3 {2 Y+ ?0 m1 l) n4 q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
+ M# v/ R3 b. }8 R9 o7 W( T  H  h. `5 y& u- x
src = Image.open('src.png')
% C/ s% O% {, G! w" bbgr = Image.open('bgr.png')6 R0 I' u6 `7 l) M+ n
1! G/ k) u7 A: p6 y9 K) N! b
2- F5 q3 Y5 R* s! o- ?" ]) y
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)7 h  X% F  E4 ]1 d# l

* t3 _9 M2 V7 j$ {+ D+ acom = pha * fgr + (1 - pha) * torch.tensor([120/255, 255/255, 155/255], device='cuda').view(1, 3, 1, 1)$ p- W& o7 v" V  {; z
1/ Z4 G2 H6 ~& u! N7 J  f
0 M1 V; l- F# j7 P
那么加入我要换白底(255, 255, 255)，就是, Z% s  [+ u- v9 V7 J+ m
1 h" }3 f9 t; s# u
com = pha * fgr + (1 - pha) * torch.tensor([255/255, 255/255, 255/255], device='cuda').view(1, 3, 1, 1)
) k5 i7 |- [7 \" l' H; l/ _1
, e4 }4 Y5 z0 ~5 A+ N$ h( u; ?
- P9 e7 {. w. q' \/ f% ^. W假如像我换蓝底(19,122,171)具体深浅可以调节一下RGB，就是# z' o' F6 e2 a9 Z, V" \# }
9 w) j& l0 B5 y0 J
com = pha * fgr + (1 - pha) * torch.tensor([19/255, 122/255, 171/255], device='cuda').view(1, 3, 1, 1)
% a- X* Z: s2 o3 C1
. e/ h  }# p' i' A  P4 P0 Q! e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.
$ A4 D5 A4 j4 i- \; N4 v
3 B) z* r0 M+ c( Y# ]# G然后就输出图片了。可以看到效果相当好。不愧是oral。
  A0 X: h3 j% U5 @
: n  d/ [% R4 X/ W' ]9 |6 y  h8 v( |6 g  M
原论文可以实现发丝级效果/ p1 b* ]' A! J8 ^6 p" D" Q
. y* P9 p0 L$ P  c- {9 _" V7 ?

2 k& [; W& I' B1 n2 m# V! ^) ]$ ~$ C$ k: a- T
! @! ]6 [4 S5 S1 V( E
- w6 A3 H. l! h4 q
报错解决方案: I0 h3 d* s& e8 V; ~7 A( j
can’t divided by 4 / can’t divided by 16' j) Y/ F) {7 N" _
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。/ H' L; v2 ~5 \1 j  p# F1 k! `
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 f7 p/ x& S$ h+ S————————————————! Q# I$ P2 y. C7 I$ E+ a7 E
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。
4 A+ L5 P, g. C0 q, c. n& N- s" k原文链接：https://blog.csdn.net/weixin_43850253/article/details/126376767; v( c1 l0 u& h) _

5 G2 `5 k$ ]+ ]. }. ^! s. h7 Y% Y3 `! o0 F) F