基于EasyDL的人像背景替换

需求描述：实现人像前景的图片的背景分割，灰度化背景后重新放置回去。

一、实现分析

这个关键就是搭建工具链，将相关东西串起来。

人体轮廓范围识别，与背景进行分离，适用于拍照背景替换、照片合成、身体特效等场景。输入正常人像图片，返回分割后的二值结果图、灰度图、透明背景的人像图（png格式）；并输出画面中的人数、人体坐标信息，可基于此对图片进行过滤、筛选，如筛选出大于x人的图片进行特殊处理。

分割效果示意图：

1）原图

2）二值图

3）灰度图

4）前景人像图（透明背景）

注：返回的二值图像需要进行二次处理才可查看分割效果，示例代码如下；灰度图和前景人像图不用处理，直接解码保存图片即可。

Python：

    import cv2
    import numpy as np
    import base64
    labelmap = base64.b64decode(res['labelmap'])    # res为通过接口获取的返回json
    nparr = np.fromstring(labelmap, np.uint8)
    labelimg = cv2.imdecode(nparr, 1)
    # width, height为图片原始宽、高
    labelimg = cv2.resize(labelimg, (width, height), interpolation=cv2.INTER_NEAREST)
    im_new = np.where(labelimg==1, 255, labelimg)
    cv2.imwrite('path/to/your/outputfile', im_new)

而灰度化方法，也就是一行代码。

二、实现过程

# encoding:utf-8

import requests 

import cv2

import numpy as np

import base64

import urllib

import json

client_id = 'X'

client_secret = 'X'

#获取token

def get_token():

    host = 'https://aip.baidubce.com/oauth/2.0/token?grant_type=client_credentials&client_id=' + client_id + '&client_secret=' + client_secret

    request = urllib.request.Request(host)

    request.add_header('Content-Type', 'application/json; charset=UTF-8')

    response = urllib.request.urlopen(request)

    token_content = response.read()

    if token_content:

        token_info = json.loads(token_content)

        token_key = token_info['access_token']

        return token_key

'''

人像分割

'''

request_url = "https://aip.baidubce.com/rest/2.0/image-classify/v1/body_seg"

# 二进制方式打开图片文件

filename = 'E:/sandbox/people.JPG'

f = open(filename, 'rb')

img = base64.b64encode(f.read())

mat = cv2.imread(filename)

#forground = cv2.imread(filename)

height, width, channels = mat.shape# width, height为图片原始宽、高

params = {"image":img}

#鉴权，调用接口

access_token =get_token()

request_url = request_url + "?access_token=" + access_token

headers = {'content-type': 'application/x-www-form-urlencoded'}

response = requests.post(request_url, data=params, headers=headers)

res = response.json()

labelmap = base64.b64decode(res['labelmap'])    # res为通过接口获取的返回json

nparr = np.fromstring(labelmap, np.uint8)

labelimg = cv2.imdecode(nparr, 1)

labelimg = cv2.resize(labelimg, (width,height), interpolation=cv2.INTER_NEAREST)

#获得模板

im_new = np.where(labelimg==1, 255, labelimg)

mask = cv2.cvtColor(im_new,cv2.COLOR_BGR2GRAY)

mask = cv2.blur(mask,(3,3))

#分割前景

forground = cv2.copyTo(mat,mask)

cv2.imshow('forground',forground)

#获得处理背景

mask = cv2.bitwise_not(mask)

background = cv2.copyTo(mat,mask)

background = cv2.cvtColor(background,cv2.COLOR_BGR2GRAY)

background = cv2.cvtColor(background,cv2.COLOR_GRAY2BGR)

cv2.imshow('background',background)

#合并获得最后结果

dst = background + forground

cv2.imshow('dst',dst)

cv2.waitKey(0)

初步小结：

1、easyDL提供的丰富功能能够极大地增强图像处理的领域，是未来的道路；

2、python版本的OpenCV语法很不一样；

3、python版本的OpenCV是有效融合easyDL的天然方法，所以改变是必经之路。

参考资料：

1、官方材料：https://ai.baidu.com/ai-doc/BODY/Fk3cpyxua

2、一个成功的例子：https://blog.csdn.net/echo_1994/article/details/84317833

来自为知笔记(Wiz)