查看: 2087|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
            pha[j] = torch.tensor([0.0, 0.0, 0.0])1 S6 {% C# P0 |9 I# V
# Z  M$ U/ U8 L  h3 J3 U9 P
# H, W, C -> C, H, W3 O5 e$ O8 c6 s& C
src = src.permute(2, 0, 1). c, c. k5 C9 a- z9 F- X
pha = pha.permute(2, 0, 1)' c7 I3 G# L& K/ ]1 w( \( z( R
com = pha * src + (1 - pha) * target_bg.view(3, 1, 1), z7 K, ~9 s. G) z+ \( C3 j
to_pil_image(com).save(result_png)
' B9 S% x/ t3 z8 S; h
3 Y4 |) g8 z: B& {: m! }  o9 y1 Y& ~* J4 p* Z3 N4 P
if __name__ == '__main__':: _* y7 P- [: A9 w* P" r
origin_png = 'origin_png/person.jpg') W# y  ~$ r6 g' I
result_png = 'result_png/com.png'! q) Q# t7 M  A
start_time = time.time()8 M3 v% l0 A" L: T" r1 S0 K
change_red2blue(origin_png, result_png)
+ d% q$ O& {5 ^8 _1 D& ^ spend_time = round(time.time() - start_time, 2): H, G3 ?% p, z% t2 Y  b& L8 l8 f
print('生成成功，共花了 {} 秒'.format(spend_time))
$ v; p( F6 @8 ]13 w4 K5 ]$ J4 e
2
3 Z" i% M+ Q: ?8 V) R5 ]3
# A6 k4 S# X0 ^# _$ W4
  O. i3 {! w- c# a) O6 R  B5
2 [0 S/ o( @9 ?1 {6
: E5 t* k& Z8 c7 g9 \& B& k6 [4 x7
+ ?7 m0 h7 R4 @- H3 @/ }8 F8
7 R, ?8 L( q4 h5 G6 F$ c9
- s) s7 L+ o+ N) }  v10
% B' n4 j6 V# h/ ^, }. n. J11& k* T- p. o+ J# n! W* G
127 V" N3 ?; N6 o6 ~  t
13
0 }4 B3 n- e6 z5 I142 D" R+ E& d# H0 n
15* \0 y& [  F' t0 I# l3 b
16
2 M7 W% Z; ~% [0 Y  A5 g17
% z; M% b5 @$ c5 e, w7 U# G18
# V: n. U; _7 M) K. P! C; E# L# k( b, Y19% `# o& W( p4 {9 A
20
2 F( J' X0 I( p" a# G  ~218 [( Y- h8 z+ i; N# ~
22/ l1 W5 d  _3 n% {2 E! ^; d
23! V; \0 A. X2 h: f  g7 @
24  z6 P! U" I8 U1 A; R
25' ?: p$ B8 U3 q# r, `! h2 _2 `! L0 y3 G
26* H. T, Y6 m; `
275 I2 ]+ ~4 r( ~8 u
287 T% Q* C8 @1 z+ i
29% x. A9 _+ f! e
30
' f2 G$ j, [4 P  T6 A31/ ?  y) a7 A6 Y3 x
32$ h- D3 H: [7 z
33- j! x  B, K( n. U
34
' m! ]9 e" e7 V. i/ T% X& L& M35. y6 d6 {/ ]" J, `- F
36
" E( i9 o) C  o+ f- F: g374 @) B' d: z. p. b4 q
38: y1 Q  {& x2 V+ n* w
39: L/ C2 H% R' ?) A/ R& [
40
0 A5 f% Y. V/ A( ^# f# t7 d41
( a* F! {/ A: K* q423 U4 u) a4 w2 @3 \% C
43& k8 m0 a, p! ?1 i' l
44# _" Q$ v. ]; W' q/ A6 w
45$ N+ D6 _' w+ ^+ Z
46: c1 M. R% s, N0 f/ L2 S. |
该方法质量较好，但一张图片大概需要12秒。
% T- z& s' _" @# W) A$ I( r
( A- o7 l( b2 P: ^3 U' H
9 x+ @) ?- u# N2 I
& \' o5 Y& j# z4 L8 v' l方法四： Background MattingV2
. S5 Q$ J7 J: cReal-Time High-Resolution Background Matting
* I3 g, s7 w1 h( o5 L, a% xCVPR 2021 oral+ }8 [- ]+ `- ?& `% Z

/ i/ K4 O% _  \. Z论文：https://arxiv.org/abs/2012.07810
( p2 r! _) ^' q( D6 T, h代码：https://github.com/PeterL1n/BackgroundMattingV2
! j0 H1 D) ?! |2 e" f8 [8 V2 E
2 c5 t' A, _3 w6 E, R. d0 Ngithub的readme.md有inference的colab链接，可以用那个跑
5 G* }+ u# F4 {" s$ l# H" C/ |/ U- n9 b+ t  w5 d" j
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。1 p! r3 c% R8 ~1 e- J3 A6 U/ z4 a
4 C) f; w. a; z! b
于是这里我需要生成一个背景图片。$ u" K# s. x- o# A7 t. [
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。: F( J4 f6 Z3 X- r+ W7 H

5 u) D6 X! d4 J然后生成一个背景图片。
4 I. }' \( I) _  X+ U+ p  n7 i3 Q5 E2 b
import cv2
- E" L5 T' w$ P# c0 i* Y" _# \import numpy as np
; _8 F/ N+ a2 p  s) I, e: L  B! U" ]! i+ f$ v

) t; i% I0 B; k% q# Kimage = cv2.imread("origin_png/person.jpg")
3 O, I8 C, ^# Yorigin_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 E  S$ S$ G0 u) ~5 _3 [: u* {& A
origin_bgr = (origin_rgb[2], origin_rgb[1], origin_rgb[0])
' |5 \' J9 ]* G: s4 yimage[:, :] = origin_bgr
5 v% \, W, E" ]) z0 t  I- K
6 Y  I# `0 f$ x0 F: lcv2.imwrite("mask/bg.png", image)1 `+ p3 K5 \" z
1
+ r& M1 T. A1 K1 ?8 @2
( ~3 A. F7 B- {8 E3  z% @7 ^% t7 Q/ V3 ^4 \4 [
4
) q- F" V! R* z& s5
3 e0 `! J- m3 G# `7 T" c' U6; I$ C, m' ^9 A
7
+ g3 D" K9 a3 S! [/ c# d' c/ Q  V) [8
' U  x: x7 n( p% H8 b+ W/ H9
. O8 t- _* q) w; G, O10
$ v8 g$ R8 g0 ^3 e. J  m" E7 w/ v6 ^' W* z$ ]4 @. 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/ m9 w- M  o. z/ U- M
/ F! z) Q+ S  L; m
src = Image.open('src.png')! ^  h. b( F2 U$ y$ ~& ~
bgr = Image.open('bgr.png')
' X2 M; L+ a% g0 Q( q- M) a- ^1
7 C0 ?: U" `' y2" ?1 ]$ ~. R$ K% 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)# Q: u( k) e: `% @

2 c  a# a! M6 O& Scom = pha * fgr + (1 - pha) * torch.tensor([120/255, 255/255, 155/255], device='cuda').view(1, 3, 1, 1)
! Z, ], q- p% |; D1 o1
2 ^7 g- I. r9 \; d; F* Y9 c! S+ s3 J+ \9 p3 {: M5 }: w& L% S
那么加入我要换白底(255, 255, 255)，就是! n* t4 f  {7 c3 Y4 m+ @, Z  @
5 @2 G$ y( l+ W2 Y1 u
com = pha * fgr + (1 - pha) * torch.tensor([255/255, 255/255, 255/255], device='cuda').view(1, 3, 1, 1)
; ~& y; O3 X- ~: s" b11 w: j4 ~1 h$ _" }' S6 X7 g
( D# O, e! G; R8 J. l
假如像我换蓝底(19,122,171)具体深浅可以调节一下RGB，就是
5 ]5 j" n8 R! `* ]& H8 t4 R
2 B7 G% ]6 }/ ccom = pha * fgr + (1 - pha) * torch.tensor([19/255, 122/255, 171/255], device='cuda').view(1, 3, 1, 1)
. G0 |# _9 m# p1
* D  T5 k+ h3 i* F& T# E7 M1 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.
, b) z0 X# n" V$ _8 @4 }2 w- Z+ P- W/ R
然后就输出图片了。可以看到效果相当好。不愧是oral。
, F$ A. M+ C% t/ A) t2 ?* [' q4 z1 _( O

  D0 D! a" m" q8 F$ b/ R5 z原论文可以实现发丝级效果6 p) P( `. q. O4 m, A

  ?5 ]0 f: m9 t- T
' L# m; X3 }' P; y# f
+ M8 L8 ^# o6 j4 o& ^, a; f
. L' u1 z3 k* ~" ^# s3 Y5 {3 E
' x) y, S) f8 ~  H6 Y报错解决方案
$ T" H- R, M5 xcan’t divided by 4 / can’t divided by 16
2 G) ?( {* Z5 X0 J0 X1 P3 C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。/ ~; W* o! N/ s( b/ ]  `5 X( Y
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- u6 o# d; t. c9 ^
————————————————' C3 i  Y! }2 r8 b
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。: v8 B0 j/ A. d' _
原文链接：https://blog.csdn.net/weixin_43850253/article/details/126376767" K& Z7 J. {5 C
( y, `9 K( B, w+ q9 X
' w  k& f) ?$ b$ ?7 V