查看: 2106|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
' k, b, R& d7 O0 Q; \* b' Q) w             pha[j] = torch.tensor([0.0, 0.0, 0.0])
8 }' f% }: [& _. K* G. c) r2 R% {! |$ d* e: t- M
# H, W, C -> C, H, W
. Y" e( n- e5 ~, ~' O9 E src = src.permute(2, 0, 1)
3 P8 D8 t% p# r& {1 G9 q pha = pha.permute(2, 0, 1)  v- c, j2 R* v7 d& c! t
com = pha * src + (1 - pha) * target_bg.view(3, 1, 1)
% T7 x& T  c4 w- i8 H8 c to_pil_image(com).save(result_png)* g8 V& S, i, g( j  W* i
$ @2 r3 @4 A6 M

; u* P5 I: c+ L" eif __name__ == '__main__':3 i" k$ {$ M4 z, P6 i
origin_png = 'origin_png/person.jpg'
% \+ P# Z1 \* ]2 G' j% p, N1 [ result_png = 'result_png/com.png'6 n0 h! p8 j* p2 N
start_time = time.time()
" M, r0 Y. t: f0 k change_red2blue(origin_png, result_png)
9 H% Y. ]; $ D& ~, k spend_time = round(time.time() - start_time, 2)
8 s* A% a$ z/ m1 V6 j3 A print('生成成功，共花了 {} 秒'.format(spend_time))
( }0 H& g9 h- L1
% e: B, q0 v* k9 q  Z26 g5 i* Y. ~% G  p. U) g, h
3
' {4 f, l6 t3 H( j/ D2 \7 q4 [4
0 f  O7 t. Q  z9 Y1 x5, h; N+ I2 l0 W. |
6* f* c/ s( N8 v+ P4 C
7/ S1 g! `8 r0 A6 p+ }0 ]
8
# }2 }' ~& G8 D1 Z9/ m4 v! O1 X$ g; d  P
10
1 m# [5 {4 ?% r  x$ x) E! j; h# l11
9 n, M+ }- s! G6 {2 l12
% w& G) I' J1 P- P4 s$ M8 @13. O8 M) n' o( r2 E/ ]
147 [$ g# [9 m6 h' Z. h' f1 H
15% I! O+ F( a: \7 I5 l2 E! g
16% f4 s4 ?) z7 I, B, c/ j
17
  R! D0 A2 a, Y: Q' D18# o2 ^6 z$ ]& f# ~) E7 P! T( c
19
9 \. a, X- T  r8 \; w+ C20; z! M' L, k% K! P0 }3 b
21" \' x2 ^% i. n" o/ }, E
22- n6 Y1 [, t: }" d6 r
23! B% w$ c  i1 t. a1 X9 O
24
: Y2 O/ L( U! f) B! E9 N( w25
* z0 s7 G$ y4 h' E* s& a+ Z26
7 _9 ?% Z; m* O: R) H6 m27! y& }' N: m0 C7 |9 H- $ \
28) x) \& Y: J# H# y
293 ]& H5 P: J6 J
30
8 ~% @6 F2 ?2 c5 @/ E" C" a. T31& q' H3 @0 P7 d2 a- f
32
. P/ A4 x( ~- z1 }/ Y8 y2 q33
% s% u, Q" `6 p6 y4 Z- S9 j34
; j1 W+ e. [- A+ {35$ q, S6 Z; c( O) L' ]
36- W: x9 a+ D; q
37
- ^: N3 A' A9 ]- ~3 Z38
7 j  |# ?8 Z9 f' z1 ]7 R39
, z4 \: U$ J0 b4 i8 U; h40" R6 Z# R% d( }3 j* ]) q6 w2 K
415 l9 k! o; `! g+ m/ R
426 D$ B2 [% g4 x; o/ ~6 o
43) D" a2 t- k) p/ \
44! k. W- T& }5 R+ y8 e2 s7 q  H
45
0 @0 h6 @2 q% a46
  K) c7 g( z7 ?该方法质量较好，但一张图片大概需要12秒。
3 U* d$ A6 d1 B  c: ~% _7 S
$ e/ _2 k; p4 x4 u! u. h
3 K  L. G, t3 @4 N2 \; p) B5 _* P* o- C  t
方法四： Background MattingV25 R5 L' M" G* W* j
Real-Time High-Resolution Background Matting8 R4 \0 s; H, A& I9 Z4 i8 M
CVPR 2021 oral
5 O/ o( T5 L# m4 b& n1 p: o
/ R. }1 [  _1 c3 z论文：https://arxiv.org/abs/2012.07810" _( e* Y9 I7 w, M9 B
代码：https://github.com/PeterL1n/BackgroundMattingV2& a% {- E) ~, d

. X* Q+ o( x4 z9 {& Q4 @github的readme.md有inference的colab链接，可以用那个跑: p5 s& J( y4 R* Q& e9 h( C1 G; h% [
% u* r  |6 }3 |! l  ^/ `
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 d6 U3 P- |  Y4 v1 s5 L) h$ C0 @. a

0 n" }! ~( u- `6 \$ ~% K于是这里我需要生成一个背景图片。
3 I& a: P& \! O. Q$ `. Y9 E: A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。  u& ~2 V7 i: H
" d7 V8 T4 t/ S+ C  ^' N; ]
然后生成一个背景图片。8 X, ?# |0 O  f+ _7 f
8 @9 E% W, v% r
import cv2
' f$ [4 E* `" I! m0 ~% rimport numpy as np
% c- r) y- D) K' u8 l7 }2 j" O5 a/ E
6 H0 u: }- {& @# x# ?; w4 r% d" ?/ \6 d7 S2 U0 |
image = cv2.imread("origin_png/person.jpg"); k2 a, T/ ~2 ]
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1 Z5 s# X: e5 A: y3 I
origin_bgr = (origin_rgb[2], origin_rgb[1], origin_rgb[0]), s0 u0 D) U+ R& ^% @: ]
image[:, :] = origin_bgr
% u. C( p( D" X! Q3 e. o6 V6 T9 n: y
cv2.imwrite("mask/bg.png", image)
7 b) R. J  I' H0 B1
* }9 b$ s- \2 ~2
$ S3 ?; e; P! N34 |, U5 K6 m! B1 d
4
; k$ R4 [* K5 G9 n+ [- I5 W0 a5
  ^* ?6 h  `/ H6 o0 k0 x, M6
* J8 i; r* S, q' e+ I7 l. c7
* b* w  c$ y' c# d9 C  n/ L$ B8
5 u$ _9 p$ Q5 k: y9
) ]& V6 [7 a, }' }10
! a9 ]2 r8 l9 ~- O) w: r/ ~+ q8 Z  H$ |7 X0 `. [; u7 P, j
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
. u8 |6 N  T5 q" J: r0 w
: }" C# ~- C. M' i* Isrc = Image.open('src.png')- h9 ~' g0 e2 B! w: s1 p
bgr = Image.open('bgr.png')' I/ L1 R* U& Q
1
% Q: N/ S& @7 ?% p0 w* \& l: ~2 F6 f23 F% \5 @3 q8 b7 y* X6 v' 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)* Y  i: U; D4 _. A  f
: I+ m+ a% d! p& {9 R
com = pha * fgr + (1 - pha) * torch.tensor([120/255, 255/255, 155/255], device='cuda').view(1, 3, 1, 1)
6 w+ s6 o# Y3 J, u/ z7 {1
$ ]1 f% f% Z: o( C5 m$ e+ k6 A% z$ I5 ]
那么加入我要换白底(255, 255, 255)，就是& @$ q9 ]5 B6 p/ Q6 {

- }& x: [4 @3 o* h6 s' B( Ccom = pha * fgr + (1 - pha) * torch.tensor([255/255, 255/255, 255/255], device='cuda').view(1, 3, 1, 1)
9 H8 x6 l! Q4 g1
4 f1 l' P; D# \6 v0 ^
$ u9 c  V" O& a' @- u2 B假如像我换蓝底(19,122,171)具体深浅可以调节一下RGB，就是
1 O) Z! q# }: H8 I7 q
) R5 \3 ]1 i) M  h( ~com = pha * fgr + (1 - pha) * torch.tensor([19/255, 122/255, 171/255], device='cuda').view(1, 3, 1, 1)
# L! w; v( v6 E: f& O! L1" I. C. h2 X8 E0 w8 Y  y$ v  i
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.
+ s/ U5 w. ?$ k5 G' f/ w' \8 c7 N0 Z
2 E8 C- @9 O' Z$ g/ n然后就输出图片了。可以看到效果相当好。不愧是oral。
2 y: n4 |" o. P
7 d0 k6 f3 T6 `2 _: x: ^9 b* c, _
原论文可以实现发丝级效果
! o: W" j2 h0 C8 o1 t0 j, u- d3 T: }9 M( k  R
% \$ H1 `5 p. J! K1 z' N% _% A

5 q' V( G( R0 F/ j8 Y; Z5 b. O$ X4 o( h7 J

3 N  w& U( {4 p4 e; [8 z9 n报错解决方案
% \9 j, Z/ F/ E, M% W! i; ican’t divided by 4 / can’t divided by 16# f4 _$ N: d$ q2 T5 g' `
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。
6 [6 s8 O( u7 r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/resize8 U/ A: r( j4 R1 `& d" B
————————————————7 Q3 _1 p7 E( I  ]! 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。/ F) o' J' B- c) k, a5 W' c( P/ h1 w" S
原文链接：https://blog.csdn.net/weixin_43850253/article/details/126376767- X5 t/ i& U! ~! `7 o' n! [% k5 h

: S) M. G2 N, B+ T5 V4 D2 G# V0 Q' T