查看: 2086|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 X: J: m/ ?( O, W2 F5 R% h$ Z             pha[j] = torch.tensor([0.0, 0.0, 0.0])6 h2 P3 u# [( I& [5 C8 W
* y+ R  M$ u7 w* Y2 F
# H, W, C -> C, H, W4 J- B; p- _% O4 K  [+ w
src = src.permute(2, 0, 1)
% h  B6 z5 i9 M5 X* s pha = pha.permute(2, 0, 1)  L4 k( J/ C& p1 ~( z& \
com = pha * src + (1 - pha) * target_bg.view(3, 1, 1)
" _' j- P9 f$ T! i0 ~, U to_pil_image(com).save(result_png)
% U- L4 c5 N! s  m2 V" v  _$ i8 J5 y9 L4 S2 a
/ k  j' a) U6 S/ Y/ Z1 T
if __name__ == '__main__':; ?. d2 J) y: F9 @# o. Y
origin_png = 'origin_png/person.jpg'0 o1 l, u# F- B, E
result_png = 'result_png/com.png'
2 I$ F- ]2 |0 t2 W3 _! p; a start_time = time.time()7 ~5 [* ~$ V. s3 c3 p
change_red2blue(origin_png, result_png)# _6 [+ _3 U$ m* U* ^
spend_time = round(time.time() - start_time, 2)2 s# K! x7 U4 }: W
print('生成成功，共花了 {} 秒'.format(spend_time))* l1 U+ ~/ Q( D" }
1
: A# p- K: t! Q2 X' A: I2
0 @* ~% ~6 U1 O( f, U! R3
) B8 o  t+ n4 w2 b  t$ o! L4: }9 ~' h0 u8 s; o( Z4 @
51 u1 h8 I- P* S
6  Q) f2 L- I3 t2 Y2 y
77 P- g2 f3 j- @4 T
80 X. A. g8 Q: C% T) G2 U
9
% E" j# P: Z+ m9 ~7 f" V10# f" Y5 M5 H# K$ |3 b
11
4 r6 l, t& |: ?3 h* ~6 C6 F124 j6 F- S# Y/ `2 F& `7 ?' k* w+ e
13
: L0 T+ M, l6 _" ^142 Z& A. i  C# R* B
15- x* E  X( y' h3 t0 u
16
  t4 @: l; \2 ]/ Y, p17
" Q4 L6 u- @' a. E& K18) W5 Z$ i. O0 J) `) m0 g3 X
19% l2 `# c* _* R4 r7 I
20
6 k: K5 n9 V3 U  Q, R6 F# ~212 g% j- {/ u6 x, x$ q8 {5 N
222 ~) ~* ?2 }+ i' \
238 q6 h# V* e9 g5 L) `3 M& a/ ]
24  l  ^) U. {0 x; O
25; \3 B) {4 \( k# l$ z
26
3 P9 Q) ?- Y9 U2 A0 L27
) k$ P) G( T! q28
4 n9 S0 Z% n5 k7 P299 q- u& ~1 C# j, N" d. ?( K
30
3 v9 j9 b3 J2 ~5 S0 K317 m$ O. ~" z) |
325 h3 C4 K8 u4 T! _: L( G; e
33: C5 R% q" K8 n9 O
34
; m; Y) X5 P% M: L- `) ^357 |' U9 }  x' ~" F2 I
36# J$ o- d: k0 S+ o
37
. b0 X, C$ X8 f389 S; u! l3 K2 b, \+ ]
39
3 x2 B4 `  h1 O4 K/ r! T' a40
6 c- Y0 F  F/ o! c; I  Q3 m( |411 E2 E; E8 ^' d; {# i3 f8 W
42+ s% ]% Y+ q9 ]2 p
43
+ P, H& |/ I. |5 D0 b6 C2 j44, Q& f  J8 E" o* m4 l
454 C. ?( f9 X2 a  ]1 o9 E; C
46' J5 o& ^: H8 g4 c6 [8 C2 r
该方法质量较好，但一张图片大概需要12秒。
. h5 O% Z1 X$ c: ]6 H' ~; x
( h0 U6 p" c1 C! }& n: o% }
0 D: K& D7 S/ R& r
0 j( o5 F  S9 ]方法四： Background MattingV2( H! r' _! R8 ~" n( v
Real-Time High-Resolution Background Matting$ i# X% X" X% P5 `" N
CVPR 2021 oral
( i: `) z: A: {5 [5 p. P8 ]" b2 G
. z9 g, e5 T( J论文：https://arxiv.org/abs/2012.078103 f7 W$ b; |* H1 I: [$ `3 w
代码：https://github.com/PeterL1n/BackgroundMattingV2
* c' n# E$ \0 ?: b& v$ V. \8 B( D8 l1 h4 h
github的readme.md有inference的colab链接，可以用那个跑
( Y3 X* J7 k' d; I2 N+ [3 ?4 i# c& e$ T* R) M5 \+ ]& ?+ j6 f
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。$ E  e# ?9 \' X% L
* G: `/ b0 V, ^- x2 g1 u- Q8 [: w
于是这里我需要生成一个背景图片。
4 p7 V6 |2 v$ J# L# f7 q3 ?. k& o( ^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。* e4 N' ~5 U. N$ q9 R& Q% F2 J
& L( a" x7 z6 s- _+ `; u) A3 F
然后生成一个背景图片。
6 w/ Y' @6 o9 H) J9 {/ G/ f' F) k/ Q% |
import cv2
3 n9 L2 P, R9 Fimport numpy as np- p0 m7 B. ~) f( X% X! S$ Z

# P( u8 z8 r/ f; ]; L' b" g, n9 r5 s1 h. t
image = cv2.imread("origin_png/person.jpg")( X3 @1 p: z' x. |
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
, m9 }4 W% J+ @' u3 {0 ~origin_bgr = (origin_rgb[2], origin_rgb[1], origin_rgb[0])) @9 W4 x! y- }# c$ h) m! O
image[:, :] = origin_bgr
  G0 T' O7 D6 f" K, d& A# K
5 J2 b+ k5 @3 pcv2.imwrite("mask/bg.png", image)% L& [* }$ i, f  L$ e' H7 V
1
* R2 d3 R) o  _) E# w2
8 O4 P# }" |; A3% x, I) p" {* O4 P7 W! ?
4  i& \/ q/ h+ p
5
( n, U& b+ G" X; t6# H) T% p' d2 q5 s5 r7 l4 J
7* J  J: n& H& H) x- ^) b8 W3 j0 \: u
8% p4 }) I) P' ~, F  b. B& \, U( _1 W7 u
9
5 o( x0 t: S1 y10
% m: f# X' m' @
4 }2 t/ b9 b6 ^- S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
: @! I. D5 m1 b5 n& g  V
2 b" _% S% _% v  m2 o- m+ \+ j+ g0 Esrc = Image.open('src.png')
# |0 R6 T- L3 T! I$ Jbgr = Image.open('bgr.png')
: z3 |) `& R4 Z2 O1 I/ a3 {# A1- w* w0 R1 U; E) p
2
# H3 a% i" J/ i6 }. T/ ^0 z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). v1 G; p7 e# U1 y4 L

$ ]1 l8 x9 n0 o) jcom = pha * fgr + (1 - pha) * torch.tensor([120/255, 255/255, 155/255], device='cuda').view(1, 3, 1, 1)
; H; }8 ?9 j8 `1
# F" H1 q: V8 _* g$ n& `- f7 X4 M2 A
那么加入我要换白底(255, 255, 255)，就是, m. l. D2 ]0 W' [* M
& Z$ R8 J8 u2 `. Z& h4 Q
com = pha * fgr + (1 - pha) * torch.tensor([255/255, 255/255, 255/255], device='cuda').view(1, 3, 1, 1)
6 E3 x, I+ g& d; M8 j1
7 ]; \; o$ O6 a( r+ C2 ~6 x
5 g9 g- @( q2 T. F假如像我换蓝底(19,122,171)具体深浅可以调节一下RGB，就是
# @; k4 z; p. z( D; Y" Y+ d" L. o7 V- H
com = pha * fgr + (1 - pha) * torch.tensor([19/255, 122/255, 171/255], device='cuda').view(1, 3, 1, 1), W& f3 b2 M! y. ^( B' J) J
1& e7 ?6 t0 m4 k% n$ t
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.4 K! Q6 M6 r0 }$ d" `: h
# g' M" e- s6 Q! T* u
然后就输出图片了。可以看到效果相当好。不愧是oral。# E6 g. H8 n; b; P# Q( \

$ D9 h+ u# p  z
2 e5 b1 R- P; R! ^  |. y原论文可以实现发丝级效果
4 l# x; K: E4 q  h6 `- g
% p$ w' O' b& X7 Q4 G2 r" X7 v7 T( L- ?: l# g1 w1 W
0 S# P0 r# s+ Q+ Z" o  V

' E. B4 t# x0 e9 k2 B1 k+ F! |7 R- n* R
报错解决方案5 F" ]  r, X8 q5 J$ ]/ A! O
can’t divided by 4 / can’t divided by 16
0 @$ m! a; D6 ?) _+ H+ W' P- i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。, m% ^6 H* y# y" X
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
" C, r. E& d$ x4 i, T; {————————————————7 \6 ~" v" B. h% ]6 K
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。/ _7 E: I  I( |: \0 N/ G
原文链接：https://blog.csdn.net/weixin_43850253/article/details/126376767. J$ o$ w# V; o0 |; K- O0 c9 T) D

0 U4 n, R0 f' N% w
" M: W% r  }$ q0 J