查看: 2124|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 q  I7 Z* c( c2 d             pha[j] = torch.tensor([0.0, 0.0, 0.0])( i& |$ v, i4 j3 w* V0 ^6 r; a8 k/ |

7 p& ~) i9 A7 G # H, W, C -> C, H, W
) Y/ a; o$ ?' g. B src = src.permute(2, 0, 1)" F. _% p  p3 L. M) F2 A4 ?
pha = pha.permute(2, 0, 1)
6 ~' W$ }7 l# J3 q$ w* s com = pha * src + (1 - pha) * target_bg.view(3, 1, 1)
( }8 Z2 q1 Z; {* b( T( \* w to_pil_image(com).save(result_png)0 g4 S6 v5 r9 ~# S) [: V

- M. o& ^$ b6 T1 B" x7 `, M. \& j1 t  g
if __name__ == '__main__':3 f$ i% I, f/ B9 d, @) C: @6 p
origin_png = 'origin_png/person.jpg'0 q# H- M$ m0 l! s* R
result_png = 'result_png/com.png'
2 ~6 D2 P2 s' Z- t. R start_time = time.time()
, y8 T& K& ]& v! ~, B' h6 b change_red2blue(origin_png, result_png)
- E) b! Z) u2 h9 V spend_time = round(time.time() - start_time, 2)
% L- {  U9 M8 \ print('生成成功，共花了 {} 秒'.format(spend_time))
% z3 ^2 e! W6 F& L6 [1
  J& z- M" `- C1 h  d$ O8 J20 f$ S0 I$ k/ }% u+ N( c
3
4 s+ @2 i/ m! A. W+ k; v4% s3 J' x: W3 b- Q" k& z) B
57 _$ h/ V; v5 I1 {) j* W. z) o9 k7 k0 ~
6( [' P8 M3 y% l) R6 y9 l& W
7
. e& x0 T  k4 u" z1 w8
% O. ]4 v1 h6 N2 U9
; I2 E$ P9 y# y  I* P. v10
( K7 D3 I+ s7 L  D11
! b6 y7 m8 N- ~8 `4 Q6 b$ u1 p12' |0 c) X: Q) H* [6 w
13
& c* m. l- X, |14) B- g5 U  O- W5 f2 D$ q
15
! S3 s4 K9 c3 l+ X) F  Q166 K# t: \2 y9 W
17' {$ I! o( ?2 E+ O% I
18/ A  b# f3 ~. r6 _, j
19
. w. ?% Z7 G) t- Q% m+ _6 b20
# C# e4 ]0 i0 |6 s1 Q; I+ i" H21
8 B; o# A+ n; @1 s228 h0 y8 X- v' I9 q! X8 U$ U
235 Y( h8 C' V( a1 g2 w
24
$ W3 B$ I: K: V1 c6 M25
26
# N+ G# G/ J/ z27# @5 R7 Y+ U3 c9 c. P8 l
28
# L8 Y6 I) p" c8 G- T0 J; j29
1 {7 O- ]; n  @4 ^5 }7 o4 G30( h' g/ C0 Z, H9 z- @! e% \1 |
31
& i3 r; Z5 N/ W  S5 v+ T32) R) I9 ]9 F6 J; e4 J  J" d
33
0 a8 T& r4 M0 w7 ^342 T% S* m. Z1 M
35
9 w0 r: l  x- C9 \; x0 g2 K. f, S. e36
5 @4 |# J( b( q3 T37- T+ Y- p1 _- P7 s% p
38( M5 p" U+ z3 g2 O9 Y8 R
39
6 ^8 m8 _5 o5 ]* U40
' t' s3 I0 h# b: C. V" J/ h41, f! Z3 L) F! j1 A3 o; @4 r2 \
42
, _; b5 h- ?% _5 x43) b8 X: k  ~+ L* M2 W( y- ?
44) B8 `! M5 n( [. N# s6 {
45
' B9 O! F8 q5 A7 V# G467 u5 U: v& l* N3 T
该方法质量较好，但一张图片大概需要12秒。# X" N( j" I, `1 [; A. q$ a
6 C: @. f$ X1 k% @  `' M/ |

4 J* C4 P# V5 S8 S
8 j& o" s* Q- }方法四： Background MattingV24 J. X& F# s& G. ^& H9 K  j
Real-Time High-Resolution Background Matting. Z7 S5 _' s( n+ @
CVPR 2021 oral
9 Q5 N) W6 m. C4 p+ t2 @; Q- I& R9 S& j
. ]2 u2 {9 r& F) I0 p3 P: U- ^论文：https://arxiv.org/abs/2012.07810
9 [  \8 f0 a+ F8 D代码：https://github.com/PeterL1n/BackgroundMattingV25 _/ B: c. G* T7 |8 K& k

" T$ X2 [9 L5 b* Ggithub的readme.md有inference的colab链接，可以用那个跑) E  `$ Q. ^0 @

  f: Y* ^+ Z( A3 E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。# a% j& p& f/ Y' V: N& [2 t
# x; A+ m* ^. A
于是这里我需要生成一个背景图片。
) g; h7 J, M! h/ ~  B/ ~, `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  F, D6 N; h3 i$ v5 G" @) N- N2 n; h* v. t. X
然后生成一个背景图片。' _5 }, _- v2 u) T! b6 s

# F& Z. g! Q) W- N9 c5 s, zimport cv26 r3 x/ X0 _3 k' l# ?
import numpy as np2 j' f# g9 v2 h4 k& U1 A  ?! e9 |

; [% r1 O" V: }2 E% n& {
! |  u; E- |. \$ v2 _0 m" dimage = cv2.imread("origin_png/person.jpg")
; h, ^3 L" D/ V. @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  ~4 S$ h8 [$ u% P5 g
origin_bgr = (origin_rgb[2], origin_rgb[1], origin_rgb[0])
! l7 T% T, Z7 o8 L+ C2 S2 ~$ Bimage[:, :] = origin_bgr, x+ g# a9 ], K% O* F! w
6 k  b- c8 V1 s3 q1 }' n4 K# x
cv2.imwrite("mask/bg.png", image)
5 k0 [6 _3 c. u3 i' e0 D+ @1
, z* Y8 u5 `$ u0 K1 v3 i3 ?$ X2
/ \8 }! @' O! p7 }( m% |38 F0 ?9 A0 R0 q0 P2 F0 L
41 l+ y* _' h4 }+ W, I
5- C; o4 I7 F& R# @7 o
6: G6 k9 V% q, u7 w9 P, k1 S
7
, ^! c8 x! X. I: E8
6 W& r  g9 ^. @: S) f6 r9
1 L0 y" f/ `' j- i104 B; Y  @! f' }+ \- T

! [7 _+ [* D+ T" e* p& z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
' V' p9 u& F$ Q1 j# {. m) b0 X% N% q: N$ U! n) }) s3 z" H
src = Image.open('src.png')4 v$ A* G' B8 y1 ^9 Q" V
bgr = Image.open('bgr.png')
3 d! k6 r' N1 _! m/ A" F( ]1! \& @4 e7 q& q! n( e
21 _# T: T# A% @5 O: ~5 {
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)
3 v- ~5 U3 k  F5 c/ @. c  Y  Y1 F' B; G9 ]; _* A
com = pha * fgr + (1 - pha) * torch.tensor([120/255, 255/255, 155/255], device='cuda').view(1, 3, 1, 1)! |/ f  R/ G" o9 Q. W3 D% g
1
1 H6 ^1 v  n. u) b+ N  f  G5 j; T" l* u: d
那么加入我要换白底(255, 255, 255)，就是$ J  Y5 ^: {  o3 `/ I
( r; A" @+ q! T
com = pha * fgr + (1 - pha) * torch.tensor([255/255, 255/255, 255/255], device='cuda').view(1, 3, 1, 1)
) F& @0 I$ p( G6 K6 K1
. V; h- A$ f: |+ k; |' H& `8 d' B: i: _
" \. {- N7 L1 }" U7 c假如像我换蓝底(19,122,171)具体深浅可以调节一下RGB，就是
9 h/ g. ^, d; o7 m' }$ r" ^4 K; L
com = pha * fgr + (1 - pha) * torch.tensor([19/255, 122/255, 171/255], device='cuda').view(1, 3, 1, 1): X0 K- B, ^& o
1% m- k! x9 h6 ^0 Z
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.1 q! y4 V) N, X
, P$ R0 o- m) P9 [
然后就输出图片了。可以看到效果相当好。不愧是oral。
# i1 j- H6 D; l3 |1 t9 w; r4 h
& @, ~! u3 m% E2 }1 A; u+ u0 F
原论文可以实现发丝级效果+ \) I7 R) u2 ^" e5 h

  }. E' q( E( a2 Z6 ~
8 _7 [# O) R( Q2 I0 }. c, j/ t
$ B" L1 }6 w/ ^6 f* x4 G! Q  v! W' U7 w9 `; F- e; u

- \1 ?1 _6 Y3 X" U4 Y7 B1 e报错解决方案
+ Z/ X! c7 D% A9 u  Ican’t divided by 4 / can’t divided by 16
! T, f! N2 _+ {# h0 A, F: k' N# ^* s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。
- I+ ?, }3 Q  V. x; E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- x$ Z. Y. ?, ?1 ^( {, Q( u3 m
————————————————
% v; e) Y7 I5 u* l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。; f* f' _7 e& x. v9 J4 K7 M
原文链接：https://blog.csdn.net/weixin_43850253/article/details/1263767670 s8 A) R% D4 g" D

, p& [  H% ~. h1 ^6 k, T- K
- ~- }8 M4 ?; z- Q