查看: 2125|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 E2 ^8 k1 r/ A: J             pha[j] = torch.tensor([0.0, 0.0, 0.0])
( j0 L) c' n" V2 o  C
3 _& e+ A$ M7 L, @$ {; E' w6 X! d # H, W, C -> C, H, W
% B! R- X  Z' o8 M0 W src = src.permute(2, 0, 1)# f, ^0 p7 t/ [
pha = pha.permute(2, 0, 1)' d$ r' y( L5 S. |3 `
com = pha * src + (1 - pha) * target_bg.view(3, 1, 1)
9 [: x8 j( c" Q$ i9 w2 f% P to_pil_image(com).save(result_png)
" t; o# u. g. A8 L& M% x7 x: H! I; |& P6 G+ c

) [- J1 M# b' ^0 hif __name__ == '__main__':
8 V" ~. q$ @0 t; g  L origin_png = 'origin_png/person.jpg'! Z% K. Y7 _) S# |. {) {# Y- g
result_png = 'result_png/com.png'
+ @. Q! c+ l% P6 ]6 R start_time = time.time(). \4 ]# ?& ~; [& N7 j  X
change_red2blue(origin_png, result_png)
1 y; t8 P( c( A spend_time = round(time.time() - start_time, 2)
: F' g* t1 E+ _ print('生成成功，共花了 {} 秒'.format(spend_time))
% d. x) L+ [/ v8 R; S" n1
9 }# u4 O: t9 I  P2
- o. o0 e, z, A7 E) c36 V! q0 f! H) @% P. q6 y
4" Z3 Q% i& p" y+ O* W
5) }* c5 u, Y7 B" f  T
6( B1 O! Q7 Y2 C2 p7 z# v2 z  ]" e5 ^0 z
7
; [3 C) q! y! j& l% Z8
! Y- @2 b2 \' |4 x( K. S96 }2 Z5 C6 P& W! m; a' _, V
10
$ I( t6 A3 t- J" ?- V117 t7 x0 B3 d; Z: R
12
! [: N( L7 ^* |6 h& K2 c13
1 {+ ]& ?# K4 t5 x, B: W5 F149 k* K6 y# t4 P* w
15
; ]7 S8 h3 T- l. \8 ^! r16
8 _1 C  B1 G: W1 G1 Y  U17; v+ {, _' y' E9 n" f+ ?) {; w1 Y
183 f0 T3 d# O2 }
191 N6 G, b' I9 l$ h6 R6 F
20
! v7 n8 b' P/ E/ t( n/ d0 a- Z21
% c. d" ]7 @* x2 [22. V4 ~) }4 x$ @, d4 o% ?
23
" s2 f1 I- Y" t' D/ G& u0 V24
7 p: `$ m) H" S25
$ q) h/ Y& x4 P. w$ O8 r$ b26
  f# F1 p3 n, k  B/ L; P' n/ W3 G27) T/ ^/ e7 O9 K5 K' J3 R
28/ |# _( f9 i) E: \
291 E, x' w9 E3 G- p( J7 X# v- \& L8 y; e
30
; g2 x' l+ K) S; A4 M3 m310 c5 ^3 y9 e) k, G" L
32
. ~* i& B/ j" U7 d6 @33
1 C; k* O( ?; H* e3 E* q8 Q34
. R2 ?2 W  ?# U. I1 V4 a35
) o2 m6 R5 ?* j( z$ I$ S, @36! s0 C, p% {) }; n
37" Q1 T  W8 B2 b& i$ Z; A- R( K7 z
38
6 p' n. ?  O7 }9 ?, u$ N* X399 ^- [% k' s& @* F- F7 ]
40& X8 R9 ~) ?" A; h5 B% ]8 W+ ^
41
% E! D$ O- m  ]" Q+ b7 ^( s42" c* B# E# T4 s3 i6 i( Y0 s
43
) [. W/ R6 Z2 G9 Z+ t1 b( j1 ^44
- q  _+ D+ V! |% F- z) Q45
$ F# @  ?7 y% H1 z  c# s46
" ^' x4 a/ y+ f* C5 V5 {6 _* O2 D, x该方法质量较好，但一张图片大概需要12秒。$ N% L3 P% L/ k% N3 {/ \

* \: |% x6 T; z6 U
! e/ Q/ i6 m' p& [* Q9 e) W  R0 u1 S" l' M  M. E8 V3 M  V
方法四： Background MattingV2; L* s8 Y" a" P
Real-Time High-Resolution Background Matting9 n" A$ c8 V1 G
CVPR 2021 oral  f" y# v, i1 Y: Z7 w/ E# Y7 g
+ s: k) w6 \; N2 d0 k
论文：https://arxiv.org/abs/2012.07810
% i# ]" Q6 p! H& M. V) q% r+ x代码：https://github.com/PeterL1n/BackgroundMattingV27 r. U; R+ z! k4 k0 \
# N; t# U; {- y7 Q. r; n' o- Q
github的readme.md有inference的colab链接，可以用那个跑2 H; |$ H: Y% w- Q4 y

6 W& E5 i* _% Q/ a  C$ S5 D6 \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。
' ]8 ^! [1 s. S4 }  `0 ]' n6 e
' @- _& O8 u% t6 a( N于是这里我需要生成一个背景图片。% o! Z/ x+ |. }% D  @# \) I6 w
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。, |% J& y  J( v6 t

8 c$ p9 M, x! b( y" L! V5 G4 d然后生成一个背景图片。, a9 M4 c% j* R0 d0 @

7 B' N% O8 p+ k/ iimport cv2
7 `& Q5 q$ l  i/ [3 Uimport numpy as np7 Q9 i/ o, J. J/ c8 p+ b7 d0 b' S7 Z
7 j0 ?8 }  c0 r$ _; V  h
- ]9 w4 ~5 v' ^  u$ {* P$ f
image = cv2.imread("origin_png/person.jpg")8 n: h. T" j4 a) R
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$ Z) j9 W3 H5 I' i) S3 Q9 O6 F
origin_bgr = (origin_rgb[2], origin_rgb[1], origin_rgb[0])3 e8 f# F7 y. X' h3 B- V' C. k# Z
image[:, :] = origin_bgr  K9 B/ S8 C$ l; ^2 T
  d4 \: p/ v; w0 |8 @$ U
cv2.imwrite("mask/bg.png", image); q& q* o6 r* k  I2 P
1% J/ o! F( ~' L6 r: B
2) M6 j% S1 w1 s" M- L1 E
3
, \. i" J/ y& o% Q. i  o0 g4
. e; S% R' Q$ b5 u+ ^8 ?* G5
) N7 M  y$ u2 V+ B6
# J9 A- R* ^8 }2 F71 f  t/ m% V+ H- B0 T$ f' Q
8
2 H! \1 ?/ v# \  s! K  y  F9
  |% z* g% {0 o+ o' o5 K104 K# X; T+ \3 `9 U7 o

9 ^* h- Y9 \3 h  j$ n+ O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! p5 Y/ ^& U# ]% g8 \/ k# x! U3 C& }* w% ?* }1 W$ y
src = Image.open('src.png')
. D' f) V, I& g1 J8 c- p& ubgr = Image.open('bgr.png')4 s4 A* d3 E2 G. }5 |
1
( J1 Q' i8 N" U" h, R& h2
6 k7 g3 z9 ]! C. U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)
6 j- T% P1 R. V$ H9 t
0 \0 K: X; T2 Vcom = pha * fgr + (1 - pha) * torch.tensor([120/255, 255/255, 155/255], device='cuda').view(1, 3, 1, 1)
) l+ t' u; J3 a- N16 @+ |; F* t; t, s, v2 b
6 s! q$ r- E4 W3 x. e
那么加入我要换白底(255, 255, 255)，就是
: A8 u, Z7 q0 h0 u5 c1 {' G8 e
. K1 Y% R8 X( {3 [( n9 [( Ccom = pha * fgr + (1 - pha) * torch.tensor([255/255, 255/255, 255/255], device='cuda').view(1, 3, 1, 1)
3 e- B6 [* }/ D& v+ G2 ?1
! a; P7 R) ]4 t- Y' {: ?' C% z
假如像我换蓝底(19,122,171)具体深浅可以调节一下RGB，就是+ I  r* i& l# p% I+ l& ~
/ m+ X4 S! v) o: G# [  u
com = pha * fgr + (1 - pha) * torch.tensor([19/255, 122/255, 171/255], device='cuda').view(1, 3, 1, 1)
0 ~1 {" D3 e% z6 T/ b$ Q0 U1
* M1 @( F1 a* v9 k0 g- M2 g7 Q8 n1 \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.
! D9 C& g9 V, _% c- L) K1 q; y4 f' O  `
然后就输出图片了。可以看到效果相当好。不愧是oral。5 h1 D  G0 F, k+ B9 `: W. N+ z

# y) ^  x1 j, G" a( ?4 P
) }  x& f) K2 u7 U# g+ w原论文可以实现发丝级效果' g) o% ?' l0 I

: p8 t1 k  E# B6 i% i
$ A7 E( B  W' u3 y, j+ E7 V! @6 F! {% u

- M( x# ^: M" C# m6 m  U  F; A7 n# s2 F) x8 J5 L
报错解决方案
! c7 R& _- e; [, b/ Fcan’t divided by 4 / can’t divided by 16
* n$ U! D4 G6 Z* s! s: 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。  c- U6 h4 [8 r7 c+ w
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
. K! ~, f* W& G! P" P1 b  M9 i————————————————
: q+ a; W! @7 T, n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。
: r/ h5 K! P% T9 B" n原文链接：https://blog.csdn.net/weixin_43850253/article/details/1263767671 t- Q/ w9 v, _) e% ?5 z
1 r5 U& u+ Y; K$ |  p* \

: ?) b0 m' V2 j# i2 G' g