用 Python 給你一個聖誕帽

聖誕將至，雖然咱不過這洋節，但是熱鬧還是要湊一下的，相信已經有很多聖誕帽相關的周邊在流傳了，今天咱們就自己動手，給頭像增加一個聖誕帽

基礎知識準備

在電腦中，影像是以矩陣的形式保存的，先行後列。所以，一張寬×高×顏色通道＝480×256×3的圖片會保存在一個256×480×3的三維張量中。影像處理時也是依照這種想法進行計算的（其中就包括 OpenCV 下的影像處理），即 高×寬×色彩通道。

數位影像

對於一幅的數位影像，我們看到的是肉眼可見的一幅真正的圖片，但是電腦看來，這副影像只是一堆亮度各異的點。一副尺寸為 M × N 的圖像可以用一個 M × N 的矩陣來表示，矩陣元素的值表示這個位置上的像素的亮度，一般來說像素值越大表示該點越亮。

一般來說，灰階圖以 2 維矩陣表示，彩色（多通道）影像以 3 維矩陣（M× N × 3）表示。

影像通道

描述一個像素點，如果是灰度，那麼只需要一個數值來描述它，就是單一通道。如果一個像素點，有RGB三種顏色來描述它，就是三通道。而四聲道影像，就是R、G、B加上一個A通道，表示透明度。一般叫做alpha通道，表示透明度。

ROI和mask

Setting Region of Interest (ROI)，翻譯成白話為，設定感興趣的區域。 mask是做影像遮罩處理，相當於把我們不關心的部位覆蓋住，留下ROI部分。上面說的alpha就可以當mask。

矩陣（Numpy）知識

矩陣索引、切片等，這裡我自己掌握的也不好，就不多說了，小夥伴兒們可以自行學習。

環境準備

有了基礎知識後，我們來簡單看下程式碼。

首先安裝需要使用的 OpenCV 和 dlib 庫，使用pip分別安裝之

pip install python-opencv

pip install dlib

然後手動在網路上下載資料模型檔案 shape_predictor_5_face_landmarks.dat，位址如下：http://dlib.net/files/，下載後放到專案目錄。

有興趣的同學可以玩那個 shape_predictor_68_face_landmarks.dat，辨識出的人臉關鍵點有68個之多呢。

程式碼處理

帽子處理

我們首先要做的就是處理帽子，我們使用的圖片如下

#先擷取帽子圖片的rgb和alpha值

# 帽子用 Python 給你一個聖誕帽
hat_img3 = cv2.imread("hat.png", -1)
r, g, b, a = cv2.split(hat_img3)
rgb_hat = cv2.merge((r, g, b))
cv2.imwrite("rgb_hat.jpg", rgb_hat)
cv2.imwrite("alpha.jpg", a)
print(a)
print(hat_img3.shape)
print(rgb_hat.shape)

我們得到的效果如下：

rgb圖

#alpha圖

對於的印出的a數值如下：

[[0 0 0 ... 0 0 0]
 [0 0 0 ... 0 0 0]
 [0 0 0 ... 0 0 0]
 ...
 [0 0 0 ... 0 0 0]
 [0 0 0 ... 0 0 0]
 [0 0 0 ... 0 0 0]]

人臉偵測

下面進行人臉偵測，使用dlib處理。

# 人脸检测
dets = self.detector(img, 1)
x, y, w, h = dets[0].left(), dets[0].top(), dets[0].right() - dets[0].left(), dets[0].bottom() - dets[0].top()
# 关键点检测
shape = self.predictor(img, dets[0])
point1 = shape.parts()[0]
point2 = shape.parts(2)
# 求两点中心
eyes_center = ((point1.x + point2.x) // 2, (point1.y + point2.y) // 2)

接下來是按照比例縮小帽子的圖片

# 帽子和人脸转换比例
hat_w = int(round(dets[0].right()/1.5))
hat_h = int(round(dets[0].bottom() / 2))
if hat_h > y:
hat_h = y - 1
hat_newsize = cv2.resize(rgb_hat, (hat_w, hat_h))
mask = cv2.resize(a, (hat_w, hat_h))
mask_inv = cv2.bitwise_not(mask)
dh = 0
dw = 0

bg_roi = img[y+dh-hat_h:y+dh,(eyes_center[0]-hat_w//3):(eyes_center[0]+hat_w//3*2)]

ROI 提取

進行ROI 提取

# 用alpha通道作为mask
mask = cv2.resize(a, (resized_hat_w, resized_hat_h))
mask_inv = cv2.bitwise_not(mask)

mask 變量，取出了帽子的區域。

mask_inv 變量，用來取出人臉圖片中安裝帽子的區域。

接下來在人臉圖片中取出安裝帽子的區域（ROI）

# 原图ROI
# bg_roi = img[y+dh-resized_hat_h:y+dh, x+dw:x+dw+resized_hat_w]
bg_roi = img[y + dh - resized_hat_h:y + dh,
 (eyes_center[0] - resized_hat_w // 3):(eyes_center[0] + resized_hat_w // 3 * 2)]

再接下來在人臉圖片中取出帽子形狀區域

# 原图ROI中提取放帽子的区域
bg_roi = bg_roi.astype(float)
mask_inv = cv2.merge((mask_inv, mask_inv, mask_inv))
alpha = mask_inv.astype(float) / 255
# 相乘之前保证两者大小一致（可能会由于四舍五入原因不一致）
alpha = cv2.resize(alpha, (bg_roi.shape[1], bg_roi.shape[0]))
# print("alpha size: ",alpha.shape)
# print("bg_roi size: ",bg_roi.shape)
bg = cv2.multiply(alpha, bg_roi)
bg = bg.astype('uint8')

這裡是把圖片預設的uint8型別轉換成了float型別運算，最後又轉換回來。

合成的圖片

黑黑的部分就是我們要放置帽子的地方。

在帽子圖片中提取帽子部分。

# 提取帽子区域
hat = cv2.bitwise_and(resized_hat, resized_hat, mask=mask)

使用剛剛調整大小的帽子圖片來擷取。

可以看到，除了帽子部分，其他区域已经掩模处理了。

以上就是提取ROI的过程，比较难懂，需要好好琢磨，尤其是矩阵的切片、mask处理部分。

合成用 Python 給你一個聖誕帽

最后一步就是把人脸用 Python 給你一個聖誕帽与帽子合成到一起了，也就是把人脸空余帽子部分的用 Python 給你一個聖誕帽区域和帽子只展示帽子区域的用 Python 給你一個聖誕帽区域（有点拗口）合并在一起。

# 相加之前保证两者大小一致（可能会由于四舍五入原因不一致）
hat = cv2.resize(hat, (bg_roi.shape[1], bg_roi.shape[0]))
# 两个ROI区域相加
add_hat = cv2.add(bg, hat)

效果如下：

刚刚好，完美叠加用 Python 給你一個聖誕帽。

最后把这个片段放回人脸原图中，展示用 Python 給你一個聖誕帽

img[y+dh-hat_h:y+dh, (eyes_center[0]-hat_w//3):(eyes_center[0]+hat_w//3*2)] = add_hat

美美的用 Python 給你一個聖誕帽就出来啦！

我们再尝试几张不同的用 Python 給你一個聖誕帽。

整体效果还不错哦，需要注意的是，在测试的时候，我们尽量选择人脸占比比较大的用 Python 給你一個聖誕帽来合成，效果要好很多哦~

以上是用 Python 給你一個聖誕帽的詳細內容。更多資訊請關注PHP中文網其他相關文章！