查看: 2107|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
% X1 l0 d4 o) M2 F) k8 j) Z7 ~% w             pha[j] = torch.tensor([0.0, 0.0, 0.0])
) M3 ^# i! i7 m% D, g  n# i& J% p$ y
( Q- A0 O" a/ n# G  L' S7 V # H, W, C -> C, H, W
- T( h" d9 L+ z$ n src = src.permute(2, 0, 1)1 C  |3 o$ @+ S) d
pha = pha.permute(2, 0, 1)  i3 ~6 y3 T, A' S: t/ f
com = pha * src + (1 - pha) * target_bg.view(3, 1, 1)
2 q$ ^/ u# D! E7 `3 b6 y3 f6 i8 w to_pil_image(com).save(result_png)6 z+ n4 b8 [+ j: n# |8 H& A& F) s
+ X1 j6 U- ^( a6 e! R" o# i

8 l- ?  q) A5 c1 rif __name__ == '__main__':
2 y: X2 k- b- N; t# g origin_png = 'origin_png/person.jpg'4 E6 m# t2 E3 Z1 a" s7 {
result_png = 'result_png/com.png'
$ R: d; M4 r$ |1 P+ `- }* J- @- P start_time = time.time()
6 E' Y" D% M  Q8 u# Z change_red2blue(origin_png, result_png)$ C9 `" g$ U' V
spend_time = round(time.time() - start_time, 2)
8 S/ W; E& p5 H6 ~! y5 ~ print('生成成功，共花了 {} 秒'.format(spend_time))  C; Z6 {. x+ H4 R* G( C
1
: e' s7 N( c" y3 O( Q* Q2
* H3 U3 ~* Q, `3. {1 g- M+ V6 r' H/ n
4% I4 H' ^- R% i; d6 P- h
5
1 Y. t7 w' p3 r5 v6
4 t) L$ [& p8 ^$ g& _7: V) k- `; }$ p& p. ~4 E
8& U& D. h* N/ f9 Z  P, d
99 s" r- Q+ [3 K/ r
100 b; }8 |1 ^' C1 A4 {1 o
116 P. p* V% `" y! [3 I# R) \
12
* T# R9 v1 `  X13
# B+ M! B; t( v$ V  a1 ^; M144 R+ g; U# S. r$ H4 t; ^9 r
15
6 n: {' d, |) D% [* o( p/ u4 T169 E7 u! K( @, `& }' E0 ?
17
5 z, w% \; Q8 q- D18% j$ j9 O  S  b2 S% `
19
; j+ n3 \6 \( i. H; i+ J! u8 s20+ `" k# Q' }: G! o/ D0 _& H6 J
21) H2 g9 \8 f7 u- v
225 w+ P! k0 M0 A9 _5 D
23
9 j( F4 Q& M" b& h24
' K, A/ f" o7 j$ z" E* d25* B* Z0 ^0 E5 Z: W
26
! m2 j4 j5 }% O' n7 I) H1 z' @27) W* p( M% q6 D! O! m
285 C! s; v/ K& Y' Y
299 T# }0 {: _0 L) F4 [
30
7 p* L  _# F. M* X8 A; Q4 p( ~31
2 d6 `& [3 ?: r  e: m5 i32
$ y. r9 o5 A, M. i; d2 u33
2 f3 H" b! d' J/ D34
! P4 b+ q/ ?" a) `35
; K/ P& g/ }7 p36% r8 J/ N9 ^% [$ d9 _, H2 G0 D
37
( h4 Z. H4 W4 p" y6 m1 x4 _38
5 r/ v3 e2 h  r! }% a39
8 z1 P7 B) V+ M, K3 @40# O' y' M. ?1 n& w2 O
414 y2 m# v) ~+ ^
42, f8 y$ ^+ w; Q
434 o* U, ~  b- Q9 e% `* Z( N
44* f& ~. u  r, c! M! ]2 G
454 J, K8 I( M4 k! t, t
462 j4 I( {1 L, D' l3 f& @8 J/ x' _7 q
该方法质量较好，但一张图片大概需要12秒。" Y: C8 \0 A# S# U* W. ]
6 [- q9 F" @% {/ j2 D8 k

! v# f2 [0 _- X2 X0 k; l. _- s: j" A: q0 r( I1 ?, G9 E
方法四： Background MattingV28 i7 \, V, l0 s" y8 @7 W& I
Real-Time High-Resolution Background Matting# o! S' `" A- y% V' k8 j" [
CVPR 2021 oral
4 h; t4 o+ u+ d: D, \8 Y  \( u: x+ _6 Y4 `
论文：https://arxiv.org/abs/2012.07810& O% b% @4 e; S* H9 q
代码：https://github.com/PeterL1n/BackgroundMattingV2( H9 P' [5 X% q

$ v6 p5 o" j; m9 Vgithub的readme.md有inference的colab链接，可以用那个跑+ W  a! C; @1 S- [
7 h6 r# S8 c* s4 \! i7 I0 k
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。
+ f+ g9 b: X% G  b9 m+ `( L# ]& N% M' j( O. U% f
于是这里我需要生成一个背景图片。
' O1 E- B$ A9 u' g' \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。4 \/ M- W2 x1 U. _( R! _/ X

# e  x) |" [; Z0 @( m* P, D然后生成一个背景图片。5 {+ p! `1 A( c
; g& X0 m5 C) v1 T$ q9 z
import cv2
+ ^; N0 m. O, b$ yimport numpy as np
1 v% {* T* |5 T  N  G9 ]7 ]" T+ Q- e, L$ J. B+ \  {
+ q$ C; e1 k9 L. \
image = cv2.imread("origin_png/person.jpg")
* N' e& c5 C3 s1 D1 Z1 z7 Vorigin_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& U" ^3 ^$ a1 K: R
origin_bgr = (origin_rgb[2], origin_rgb[1], origin_rgb[0])
8 e+ C: z9 O; @6 I1 \1 p2 eimage[:, :] = origin_bgr
) N4 T9 U% K3 {$ {. m8 t. `1 E
cv2.imwrite("mask/bg.png", image)
3 v0 G& k/ c2 m3 k$ |- S/ r9 y+ U1( h# G6 \1 f. I) z0 G0 F4 B$ o
2
8 ?6 Z7 H" P9 k+ ^5 Z3
5 }2 L# E: ~' F4
0 O, z2 H3 r' _. Z, ?+ ]5
$ b: K# e/ n1 O( B9 a, k* N% L6# I" X4 p8 @1 U0 M  X" D
7  {6 p1 i4 _7 `# b, g
8% v+ f: }1 A+ V/ ~& ^* N* A& d
9
7 l7 w$ Q  G7 m2 `, O) M+ z# v10
* @' y7 r8 x/ a( k, U0 k6 m, W0 V9 _, k% A3 n
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
5 I) w* V; o5 E! F$ {) i+ [9 Q! [
src = Image.open('src.png')2 N* {( Y% a0 N* X# `  D
bgr = Image.open('bgr.png')
* w  Q- a- Z* A& V2 H  V1$ T$ \% O8 H/ x
2
5 _; O  a6 M! e. c, l; }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)
. ?- t. t  D. w+ p5 F1 w; f
9 U& s# w3 a" e3 ~1 ^com = pha * fgr + (1 - pha) * torch.tensor([120/255, 255/255, 155/255], device='cuda').view(1, 3, 1, 1)% t* Y5 H% ~9 ~, ]3 b4 s7 r8 Y: I5 L
19 j; N* w3 s+ O6 Q8 B# q/ V& _- b
- i! L) X& K( d  n# ?2 `3 }" }
那么加入我要换白底(255, 255, 255)，就是
% m2 ~3 b: C3 `; K. j. u7 u1 C6 d4 |6 J1 k* @3 z: _
com = pha * fgr + (1 - pha) * torch.tensor([255/255, 255/255, 255/255], device='cuda').view(1, 3, 1, 1)
! y- p/ @6 p( I9 E; p3 o! a. ]* w13 @5 i; x* ]( _, c7 U& D
% X& R: H3 M" v- e- d6 C$ I# Z
假如像我换蓝底(19,122,171)具体深浅可以调节一下RGB，就是9 f6 j" K! A: D5 U8 C

* q2 W! }; v& @  z, bcom = pha * fgr + (1 - pha) * torch.tensor([19/255, 122/255, 171/255], device='cuda').view(1, 3, 1, 1)7 M1 ?2 Y7 s; z) x
1/ H. _& o( v$ z! r6 @0 v; }4 q
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.& e6 ~! D* }6 s9 j- `
$ z' ?5 a' r# S2 z5 |8 N; @
然后就输出图片了。可以看到效果相当好。不愧是oral。5 A: b! A0 {4 j( Z" o) |1 _
) g3 E3 v, I" j: c0 U

0 U7 h# m, b, Z- N% d2 A原论文可以实现发丝级效果( c& z' ?2 E5 S* X

+ X. g, s6 P4 ?1 d7 |
' h+ l$ N  x9 f& A1 [
( R& W2 p. W& z2 w3 k' C9 D
* }* I+ f9 J2 P7 M
8 [- O( Y# Y+ r3 w- l报错解决方案
& p! G$ a0 U# I2 z! \) s5 Kcan’t divided by 4 / can’t divided by 160 O" @5 H( D# p7 h8 Z  x
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。
& d/ d* l8 k7 Y5 G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
. _: ^* f4 L' l2 a* n" V6 B————————————————
' m/ Y$ ^% G3 X  t' b% u) O/ X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。
) @& [' L* M. F8 E4 F原文链接：https://blog.csdn.net/weixin_43850253/article/details/126376767
8 p4 B$ c( }+ I* s1 N7 C- E- S# s; {8 J

" H; G8 \& e" `) G# ?4 P8 S