欧美bbbwbbbw肥妇,免费乱码人妻系列日韩,一级黄片

python好玩的項目—色情圖片識別代碼分享

 更新時間：2017年11月07日 11:59:05   作者：oxuzhenyi  
這篇文章主要介紹了python好玩的項目—色情圖片識別，具有一定參考價值，需要的朋友可以了解下。

一、實驗簡介

本實驗將使用 Python3 去識別圖片是否為色情圖片，我們會使用到 PIL 這個圖像處理庫，會編寫算法來劃分圖像的皮膚區(qū)域

1.1. 知識點

Python 3 的模塊的安裝
Python 3 基礎知識
膚色像素檢測與皮膚區(qū)域劃分算法
Pillow 模塊的使用
argparse 模塊的使用

1.2. 效果展示

二、實驗步驟

2.1. 安裝包

PIL 2009年之后就沒有更新了，也不支持 Python3 ，于是有了 Alex Clark 領導的公益項目 Pillow，Pillow 是一個對 PIL 友好的分支，支持 Python3，所以我們這里安裝的是 Pillow，其官方文檔

安裝前更新源

$ sudo apt-get update

首先我們需要處理一個問題：當前實驗樓的環(huán)境中 python3 命令使用的 python 版本為 3.5，但源中卻沒有 python3.5-dev，這會導致安裝 Pillow 出錯。所以我們必須將 python3 命令使用的 python 版本切換為 3.4，然后再安裝 python3-dev 和 python3-setuptools。

$ sudo update-alternatives --install /usr/bin/python3 python3 /usr/bin/python3.4 70 --slave /usr/bin/python3m python3m /usr/bin/python3.4m
$ sudo apt-get install python3-dev python3-setuptools

然后安裝 Pillow 依賴包

$ sudo apt-get install libtiff5-dev libjpeg8-dev zlib1g-dev \
 libfreetype6-dev liblcms2-dev libwebp-dev tcl8.6-dev tk8.6-dev python-tk

安裝 pip3，pip 是 Python2 的軟件包管理系統(tǒng)，使用它來安裝 Python2 的模塊非常簡便，而 pip3 則是對應于 Python3 的版本

$ sudo apt-get install python3-pip

最后安裝 Pillow：

$ sudo pip3 install Pillow

2.2. 程序原理

本程序根據顏色（膚色）找出圖片中皮膚的區(qū)域，然后通過一些條件判斷是否為色情圖片

程序的關鍵步驟如下

遍歷每個像素，檢測像素顏色是否為膚色
將相鄰的膚色像素歸為一個皮膚區(qū)域，得到若干個皮膚區(qū)域
剔除像素數量極少的皮膚區(qū)域
我們定義非色情圖片的判定規(guī)則如下（滿足任意一個判定為真）：

皮膚區(qū)域的個數小于 3 個
皮膚區(qū)域的像素與圖像所有像素的比值小于 15%
最大皮膚區(qū)域小于總皮膚面積的 45%
皮膚區(qū)域數量超過60個
這些規(guī)則你可以嘗試更改，直到程序效果讓你滿意為止

關于像素膚色判定這方面，公式可以在網上找到很多，但世界上不可能有正確率 100% 的公式

你可以用自己找到的公式，在程序完成后慢慢調試

RGB 顏色模式

第一種：r > 95 and g > 40 and g < 100 and b > 20 and max([r, g, b]) - min([r, g, b]) > 15 and abs(r - g) > 15 and r > g and r > b

第二種：nr = r / (r + g + b), ng = g / (r + g + b), nb = b / (r +g + b), nr / ng > 1.185 and r * b / (r + g + b) ** 2 > 0.107 and r * g / (r + g + b) ** 2 > 0.112

HSV 顏色模式

h > 0 and h < 35 and s > 0.23 and s < 0.68

YCbCr 顏色模式

97.5 <= cb <= 142.5 and 134 <= cr <= 176

一幅圖像有零個到多個的皮膚區(qū)域，程序按發(fā)現順序給它們編號，第一個發(fā)現的區(qū)域編號為 0，第 n 個發(fā)現的區(qū)域編號為 n-1

我們用一種類型來表示像素，我們給這個類型取名為 Skin，包含了像素的一些信息：唯一的 編號（id），是/否膚色（skin），皮膚區(qū)域號（region），橫坐標（x），縱坐標（y）

遍歷所有像素時，我們?yōu)槊總€像素創(chuàng)建一個與之對應的 Skin 對象，并設置對象的所有屬性

其中 region 屬性即為像素所在的皮膚區(qū)域編號，創(chuàng)建對象時初始化為無意義的 None

關于每個像素的 id 值，左上角為原點，像素的 id 值按像素坐標排布，那么看起來如下圖

其實 id 的順序也即遍歷的順序

遍歷所有像素時，創(chuàng)建 Skin 對象后，如果當前像素為膚色，且相鄰的像素有膚色的，那么我們把這些膚色像素歸到一個皮膚區(qū)域

相鄰像素的定義：通常都能想到是當前像素周圍的 8 個像素，然而實際上只需要定義 4 個就可以了，位置分別在當前像素的左方，左上方，正上方，右上方；因為另外四個像素都在當前像素后面，我們還未給這4個像素創(chuàng)建對應的 Skin 對象

接下來實現細節(jié)部分

2.3. 實現腳本

導入所需要的模塊

import sys
import os
import _io
from collections import namedtuple
from PIL import Image

我們將設計一個 Nude 類:

class Nude(object):

這個類里面我們首先使用 collections.namedtuple() 定義一個 Skin 類型

Skin = namedtuple("Skin", "id skin region x y")

collections.namedtuple() 函數實際上是一個返回Python中標準元組類型子類的一個工廠方法。 你需要傳遞一個類型名和你需要的字段給它，然后它就會返回一個類，你可以初始化這個類，為你定義的字段傳遞值等。 詳情參見官方文檔。

然后定義 Nude 類的初始化方法

def __init__(self, path_or_image):
 # 若 path_or_image 為 Image.Image 類型的實例，直接賦值
 if isinstance(path_or_image, Image.Image):
  self.image = path_or_image
 # 若 path_or_image 為 str 類型的實例，打開圖片
 elif isinstance(path_or_image, str):
  self.image = Image.open(path_or_image)

 # 獲得圖片所有顏色通道
 bands = self.image.getbands()
 # 判斷是否為單通道圖片（也即灰度圖），是則將灰度圖轉換為 RGB 圖
 if len(bands) == 1:
  # 新建相同大小的 RGB 圖像
  new_img = Image.new("RGB", self.image.size)
  # 拷貝灰度圖 self.image 到 RGB圖 new_img.paste （PIL 自動進行顏色通道轉換）
  new_img.paste(self.image)
  f = self.image.filename
  # 替換 self.image
  self.image = new_img
  self.image.filename = f

 # 存儲對應圖像所有像素的全部 Skin 對象
 self.skin_map = []
 # 檢測到的皮膚區(qū)域，元素的索引即為皮膚區(qū)域號，元素都是包含一些 Skin 對象的列表
 self.detected_regions = []
 # 元素都是包含一些 int 對象（區(qū)域號）的列表
 # 這些元素中的區(qū)域號代表的區(qū)域都是待合并的區(qū)域
 self.merge_regions = []
 # 整合后的皮膚區(qū)域，元素的索引即為皮膚區(qū)域號，元素都是包含一些 Skin 對象的列表
 self.skin_regions = []
 # 最近合并的兩個皮膚區(qū)域的區(qū)域號，初始化為 -1
 self.last_from, self.last_to = -1, -1
 # 色情圖像判斷結果
 self.result = None
 # 處理得到的信息
 self.message = None
 # 圖像寬高
 self.width, self.height = self.image.size
 # 圖像總像素
 self.total_pixels = self.width * self.height

本實驗代碼中使用到的模塊中的函數均可以在其模塊的文檔中找到，一定要培養(yǎng)查閱文檔的習慣

isinstane(object, classinfo) 如果參數 object 是參數 classinfo 的實例，返回真，否則假；參數 classinfo可以是一個包含若干 type 對象的元祖，如果參數 object 是其中任意一個類型的實例，返回真，否則假
涉及到效率問題，越大的圖片所需要消耗的資源與時間越大，因此有時候可能需要對圖片進行縮小

所以需要有圖片縮小方法

def resize(self, maxwidth=1000, maxheight=1000):
 """
 基于最大寬高按比例重設圖片大小，
 注意：這可能影響檢測算法的結果

 如果沒有變化返回 0
 原寬度大于 maxwidth 返回 1
 原高度大于 maxheight 返回 2
 原寬高大于 maxwidth, maxheight 返回 3

 maxwidth - 圖片最大寬度
 maxheight - 圖片最大高度
 傳遞參數時都可以設置為 False 來忽略
 """
 # 存儲返回值
 ret = 0
 if maxwidth:
  if self.width > maxwidth:
   wpercent = (maxwidth / self.width)
   hsize = int((self.height * wpercent))
   fname = self.image.filename
   # Image.LANCZOS 是重采樣濾波器，用于抗鋸齒
   self.image = self.image.resize((maxwidth, hsize), Image.LANCZOS)
   self.image.filename = fname
   self.width, self.height = self.image.size
   self.total_pixels = self.width * self.height
   ret += 1
 if maxheight:
  if self.height > maxheight:
   hpercent = (maxheight / float(self.height))
   wsize = int((float(self.width) * float(hpercent)))
   fname = self.image.filename
   self.image = self.image.resize((wsize, maxheight), Image.LANCZOS)
   self.image.filename = fname
   self.width, self.height = self.image.size
   self.total_pixels = self.width * self.height
   ret += 2
 return ret

Image.resize(size, resample=0)

size – 包含寬高像素數的元祖 (width, height) resample – 可選的重采樣濾波器

返回 Image 對象

然后便是最關鍵之一的解析方法了

def parse(self):
 # 如果已有結果，返回本對象
 if self.result is not None:
  return self
 # 獲得圖片所有像素數據
 pixels = self.image.load()

接著，遍歷每個像素，為每個像素創(chuàng)建對應的 Skin 對象，代碼見下

其中 self._classify_skin() 這個方法是檢測像素顏色是否為膚色

 for y in range(self.height):
  for x in range(self.width):
   # 得到像素的 RGB 三個通道的值
   # [x, y] 是 [(x,y)] 的簡便寫法
   r = pixels[x, y][0] # red
   g = pixels[x, y][1] # green
   b = pixels[x, y][2] # blue
   # 判斷當前像素是否為膚色像素
   isSkin = True if self._classify_skin(r, g, b) else False
   # 給每個像素分配唯一 id 值（1, 2, 3...height*width）
   # 注意 x, y 的值從零開始
   _id = x + y * self.width + 1
   # 為每個像素創(chuàng)建一個對應的 Skin 對象，并添加到 self.skin_map 中
   self.skin_map.append(self.Skin(_id, isSkin, None, x, y))

若當前像素并不是膚色，那么跳過本次循環(huán)，繼續(xù)遍歷

   # 若當前像素不為膚色像素，跳過此次循環(huán)
   if not isSkin:
    continue

若當前像素是膚色像素，那么就需要處理了，先遍歷其相鄰像素

一定要注意相鄰像素的索引值，因為像素的 id 值是從 1 開始編起的，而索引是從 0 編起的。變量 _id 是存有當前像素的id 值， 所以當前像素在 self.skin_map 中的索引值為 _id - 1，以此類推，那么其左方的相鄰像素在 self.skin_map 中的索引值為 _id - 1 - 1 ，左上方為 _id - 1 - self.width - 1，上方為 _id - 1 - self.width ，右上方為 _id - 1 - self.width + 1

   # 設左上角為原點，相鄰像素為符號 *，當前像素為符號 ^，那么相互位置關系通常如下圖
   # ***
   # *^

   # 存有相鄰像素索引的列表，存放順序為由大到小，順序改變有影響
   # 注意 _id 是從 1 開始的，對應的索引則是 _id-1
   check_indexes = [_id - 2, # 當前像素左方的像素
        _id - self.width - 2, # 當前像素左上方的像素
        _id - self.width - 1, # 當前像素的上方的像素
        _id - self.width] # 當前像素右上方的像素

說起來復雜，其實看上面代碼并不復雜，說這么多是怕同學搞混，你要是覺得有點繞的話，你也可以把 id 值從 0 編起

   # 用來記錄相鄰像素中膚色像素所在的區(qū)域號，初始化為 -1
   region = -1
   # 遍歷每一個相鄰像素的索引
   for index in check_indexes:
    # 嘗試索引相鄰像素的 Skin 對象，沒有則跳出循環(huán)
    try:
     self.skin_map[index]
    except IndexError:
     break
    # 相鄰像素若為膚色像素：
    if self.skin_map[index].skin:
     # 若相鄰像素與當前像素的 region 均為有效值，且二者不同，且尚未添加相同的合并任務
     if (self.skin_map[index].region != None and
       region != None and region != -1 and
       self.skin_map[index].region != region and
       self.last_from != region and
       self.last_to != self.skin_map[index].region) :
      # 那么這添加這兩個區(qū)域的合并任務
      self._add_merge(region, self.skin_map[index].region)
     # 記錄此相鄰像素所在的區(qū)域號
     region = self.skin_map[index].region

self._add_merge() 這個方法接收兩個區(qū)域號，它將會把兩個區(qū)域號添加到 self.merge_regions 中的元素中，self.merge_regions 的每一個元素都是一個列表，這些列表中存放了 1 到多個的區(qū)域號，區(qū)域號代表的區(qū)域是連通的，需要合并

檢測的圖像里，有些前幾行的像素的相鄰像素并沒有 4 個，所以需要用 try “試錯”

然后相鄰像素的若是膚色像素，如果兩個像素的皮膚區(qū)域號都為有效值且不同，因為兩個區(qū)域中的像素相鄰，那么其實這兩個區(qū)域是連通的，說明需要合并這兩個區(qū)域。記錄下此相鄰膚色像素的區(qū)域號，之后便可以將當前像素歸到這個皮膚區(qū)域里了。

遍歷完所有相鄰像素后，分兩種情況處理

所有相鄰像素都不是膚色像素：發(fā)現了新的皮膚區(qū)域
存在區(qū)域號為有效值的相鄰膚色像素：region 的中存儲的值有用了，把當前像素歸到這個相鄰像素所在的區(qū)域

   # 遍歷完所有相鄰像素后，若 region 仍等于 -1，說明所有相鄰像素都不是膚色像素
   if region == -1:
    # 更改屬性為新的區(qū)域號，注意元祖是不可變類型，不能直接更改屬性
    _skin = self.skin_map[_id - 1]._replace(region=len(self.detected_regions))
    self.skin_map[_id - 1] = _skin
    # 將此膚色像素所在區(qū)域創(chuàng)建為新區(qū)域
    self.detected_regions.append([self.skin_map[_id - 1]])
   # region 不等于 -1 的同時不等于 None，說明有區(qū)域號為有效值的相鄰膚色像素
   elif region != None:
    # 將此像素的區(qū)域號更改為與相鄰像素相同
    _skin = self.skin_map[_id - 1]._replace(region=region)
    self.skin_map[_id - 1] = _skin
    # 向這個區(qū)域的像素列表中添加此像素
    self.detected_regions[region].append(self.skin_map[_id - 1])

somenamedtuple._replace(kwargs) 返回一個替換指定字段的值為參數的 namedtuple 實例

遍歷完所有像素之后，圖片的皮膚區(qū)域劃分初步完成了，只是在變量 self.merge_regions 中還有一些連通的皮膚區(qū)域號，它們需要合并，合并之后就可以進行色情圖片判定了

 # 完成所有區(qū)域合并任務，合并整理后的區(qū)域存儲到 self.skin_regions
 self._merge(self.detected_regions, self.merge_regions)
 # 分析皮膚區(qū)域，得到判定結果
 self._analyse_regions()
 return self

方法 self._merge() 便是用來合并這些連通的皮膚區(qū)域的

方法 self._analyse_regions()，運用之前在程序原理一節(jié)定義的非色情圖像判定規(guī)則，從而得到判定結果

現在編寫我們還沒寫過的調用過的 Nude 類的方法

首先是 self._classify_skin() 方法，這個方法是檢測像素顏色是否為膚色，之前在程序原理一節(jié)已經把膚色判定該公式列舉了出來，現在是用的時候了

# 基于像素的膚色檢測技術
def _classify_skin(self, r, g, b):
 # 根據RGB值判定
 rgb_classifier = r > 95 and \
  g > 40 and g < 100 and \
  b > 20 and \
  max([r, g, b]) - min([r, g, b]) > 15 and \
  abs(r - g) > 15 and \
  r > g and \
  r > b
 # 根據處理后的 RGB 值判定
 nr, ng, nb = self._to_normalized(r, g, b)
 norm_rgb_classifier = nr / ng > 1.185 and \
  float(r * b) / ((r + g + b) ** 2) > 0.107 and \
  float(r * g) / ((r + g + b) ** 2) > 0.112

 # HSV 顏色模式下的判定
 h, s, v = self._to_hsv(r, g, b)
 hsv_classifier = h > 0 and \
  h < 35 and \
  s > 0.23 and \
  s < 0.68

 # YCbCr 顏色模式下的判定
 y, cb, cr = self._to_ycbcr(r, g, b)
 ycbcr_classifier = 97.5 <= cb <= 142.5 and 134 <= cr <= 176

 # 效果不是很好，還需改公式
 # return rgb_classifier or norm_rgb_classifier or hsv_classifier or ycbcr_classifier
 return ycbcr_classifier

顏色模式的轉換并不是本實驗的重點，轉換公式可以在網上找到，這里我們直接拿來用就行

def _to_normalized(self, r, g, b):
 if r == 0:
  r = 0.0001
 if g == 0:
  g = 0.0001
 if b == 0:
  b = 0.0001
 _sum = float(r + g + b)
 return [r / _sum, g / _sum, b / _sum]

def _to_ycbcr(self, r, g, b):
 # 公式來源：
 # http://stackoverflow.com/questions/19459831/rgb-to-ycbcr-conversion-problems
 y = .299*r + .587*g + .114*b
 cb = 128 - 0.168736*r - 0.331364*g + 0.5*b
 cr = 128 + 0.5*r - 0.418688*g - 0.081312*b
 return y, cb, cr

def _to_hsv(self, r, g, b):
 h = 0
 _sum = float(r + g + b)
 _max = float(max([r, g, b]))
 _min = float(min([r, g, b]))
 diff = float(_max - _min)
 if _sum == 0:
  _sum = 0.0001

 if _max == r:
  if diff == 0:
   h = sys.maxsize
  else:
   h = (g - b) / diff
 elif _max == g:
  h = 2 + ((g - r) / diff)
 else:
  h = 4 + ((r - g) / diff)

 h *= 60
 if h < 0:
  h += 360

 return [h, 1.0 - (3.0 * (_min / _sum)), (1.0 / 3.0) * _max]

self._add_merge() 方法主要是對 self.merge_regions 操作，而self.merge_regions 的元素都是包含一些 int 對象（區(qū)域號）的列表，列表中的區(qū)域號代表的區(qū)域都是待合并的區(qū)域

self._add_merge() 方法接收兩個區(qū)域號，將之添加到 self.merge_regions 中

這兩個區(qū)域號以怎樣的形式添加，要分3種情況處理，

傳入的兩個區(qū)域號都存在于 self.merge_regions 中
傳入的兩個區(qū)域號有一個區(qū)域號存在于 self.merge_regions 中
傳入的兩個區(qū)域號都不存在于 self.merge_regions 中
具體的處理方法，見代碼

def _add_merge(self, _from, _to):
 # 兩個區(qū)域號賦值給類屬性
 self.last_from = _from
 self.last_to = _to

 # 記錄 self.merge_regions 的某個索引值，初始化為 -1
 from_index = -1
 # 記錄 self.merge_regions 的某個索引值，初始化為 -1
 to_index = -1


 # 遍歷每個 self.merge_regions 的元素
 for index, region in enumerate(self.merge_regions):
  # 遍歷元素中的每個區(qū)域號
  for r_index in region:
   if r_index == _from:
    from_index = index
   if r_index == _to:
    to_index = index

 # 若兩個區(qū)域號都存在于 self.merge_regions 中
 if from_index != -1 and to_index != -1:
  # 如果這兩個區(qū)域號分別存在于兩個列表中
  # 那么合并這兩個列表
  if from_index != to_index:
   self.merge_regions[from_index].extend(self.merge_regions[to_index])
   del(self.merge_regions[to_index])
  return

 # 若兩個區(qū)域號都不存在于 self.merge_regions 中
 if from_index == -1 and to_index == -1:
  # 創(chuàng)建新的區(qū)域號列表
  self.merge_regions.append([_from, _to])
  return
 # 若兩個區(qū)域號中有一個存在于 self.merge_regions 中
 if from_index != -1 and to_index == -1:
  # 將不存在于 self.merge_regions 中的那個區(qū)域號
  # 添加到另一個區(qū)域號所在的列表
  self.merge_regions[from_index].append(_to)
  return
 # 若兩個待合并的區(qū)域號中有一個存在于 self.merge_regions 中
 if from_index == -1 and to_index != -1:
  # 將不存在于 self.merge_regions 中的那個區(qū)域號
  # 添加到另一個區(qū)域號所在的列表
  self.merge_regions[to_index].append(_from)
  return

在序列中循環(huán)時，索引位置和對應值可以使用 enumerate() 函數同時得到，在上面的代碼中，索引位置即為 index ，對應值即為region

self._merge() 方法則是將 self.merge_regions 中的元素中的區(qū)域號所代表的區(qū)域合并，得到新的皮膚區(qū)域列表

def _merge(self, detected_regions, merge_regions):
 # 新建列表 new_detected_regions 
 # 其元素將是包含一些代表像素的 Skin 對象的列表
 # new_detected_regions 的元素即代表皮膚區(qū)域，元素索引為區(qū)域號
 new_detected_regions = []

 # 將 merge_regions 中的元素中的區(qū)域號代表的所有區(qū)域合并
 for index, region in enumerate(merge_regions):
  try:
   new_detected_regions[index]
  except IndexError:
   new_detected_regions.append([])
  for r_index in region:
   new_detected_regions[index].extend(detected_regions[r_index])
   detected_regions[r_index] = []

 # 添加剩下的其余皮膚區(qū)域到 new_detected_regions
 for region in detected_regions:
  if len(region) > 0:
   new_detected_regions.append(region)

 # 清理 new_detected_regions
 self._clear_regions(new_detected_regions)

  # 添加剩下的其余皮膚區(qū)域到 new_detected_regions
  for region in detected_regions:
   if len(region) > 0:
    new_detected_regions.append(region)

  # 清理 new_detected_regions
  self._clear_regions(new_detected_regions)

self._clear_regions() 方法只將像素數大于指定數量的皮膚區(qū)域保留到 self.skin_regions

# 皮膚區(qū)域清理函數
# 只保存像素數大于指定數量的皮膚區(qū)域
def _clear_regions(self, detected_regions):
 for region in detected_regions:
  if len(region) > 30:
   self.skin_regions.append(region)

self._analyse_regions() 是很簡單的，它的工作只是進行一系列判斷，得出圖片是否色情的結論

# 分析區(qū)域
def _analyse_regions(self):
 # 如果皮膚區(qū)域小于 3 個，不是色情
 if len(self.skin_regions) < 3:
  self.message = "Less than 3 skin regions ({_skin_regions_size})".format(
   _skin_regions_size=len(self.skin_regions))
  self.result = False
  return self.result

 # 為皮膚區(qū)域排序
 self.skin_regions = sorted(self.skin_regions, key=lambda s: len(s),
        reverse=True)

 # 計算皮膚總像素數
 total_skin = float(sum([len(skin_region) for skin_region in self.skin_regions]))

 # 如果皮膚區(qū)域與整個圖像的比值小于 15%，那么不是色情圖片
 if total_skin / self.total_pixels * 100 < 15:
  self.message = "Total skin percentage lower than 15 ({:.2f})".format(total_skin / self.total_pixels * 100)
  self.result = False
  return self.result

 # 如果最大皮膚區(qū)域小于總皮膚面積的 45%，不是色情圖片
 if len(self.skin_regions[0]) / total_skin * 100 < 45:
  self.message = "The biggest region contains less than 45 ({:.2f})".format(len(self.skin_regions[0]) / total_skin * 100)
  self.result = False
  return self.result

 # 皮膚區(qū)域數量超過 60個，不是色情圖片
 if len(self.skin_regions) > 60:
  self.message = "More than 60 skin regions ({})".format(len(self.skin_regions))
  self.result = False
  return self.result

 # 其它情況為色情圖片
 self.message = "Nude!!"
 self.result = True
 return self.result

然后可以組織下分析得出的信息

def inspect(self):
 _image = '{} {} {}×{}'.format(self.image.filename, self.image.format, self.width, self.height)
 return "{_image}: result={_result} message='{_message}'".format(_image=_image, _result=self.result, _message=self.message)

Nude 類如果就這樣完成了，最后運行腳本時只能得到一些真或假的結果，我們需要更直觀的感受程序的分析效果，我們可以生成一張原圖的副本，不過這個副本圖片中只有黑白色，白色代表皮膚區(qū)域，那么這樣我們能直觀感受到程序分析的效果了

前面的代碼中我們有獲得圖像的像素的 RGB 值的操作，設置像素的 RGB 值也就是其逆操作，還是很簡單的，不過注意設置像素的 RGB 值時不能在原圖上操作

# 將在源文件目錄生成圖片文件，將皮膚區(qū)域可視化
def showSkinRegions(self):
 # 未得出結果時方法返回
 if self.result is None:
  return
 # 皮膚像素的 ID 的集合
 skinIdSet = set()
 # 將原圖做一份拷貝
 simage = self.image
 # 加載數據
 simageData = simage.load()

 # 將皮膚像素的 id 存入 skinIdSet
 for sr in self.skin_regions:
  for pixel in sr:
   skinIdSet.add(pixel.id)
 # 將圖像中的皮膚像素設為白色，其余設為黑色
 for pixel in self.skin_map:
  if pixel.id not in skinIdSet:
   simageData[pixel.x, pixel.y] = 0, 0, 0
  else:
   simageData[pixel.x, pixel.y] = 255, 255, 255
 # 源文件絕對路徑
 filePath = os.path.abspath(self.image.filename)
 # 源文件所在目錄
 fileDirectory = os.path.dirname(filePath) + '/'
 # 源文件的完整文件名
 fileFullName = os.path.basename(filePath)
 # 分離源文件的完整文件名得到文件名和擴展名
 fileName, fileExtName = os.path.splitext(fileFullName)
 # 保存圖片
 simage.save('{}{}_{}{}'.format(fileDirectory, fileName,'Nude' if self.result else 'Normal', fileExtName))

變量 skinIdSet 使用集合而不是列表是有性能上的考量的，Python 中的集合是哈希表實現的，查詢效率很高

最后支持一下命令行參數就大功告成啦！我們使用 argparse 這個模塊來實現命令行的支持。argparse 模塊使得編寫用戶友好的命令行接口非常容易。程序只需定義好它要求的參數，然后 argparse 將負責如何從 sys.argv 中解析出這些參數。argparse 模塊還會自動生成幫助和使用信息并且當用戶賦給程序非法的參數時產生錯誤信息

具體使用方法請查看argparse的 官方文檔，這里就不多說了

if __name__ == "__main__":
 import argparse

 parser = argparse.ArgumentParser(description='Detect nudity in images.')
 parser.add_argument('files', metavar='image', nargs='+',
      help='Images you wish to test')
 parser.add_argument('-r', '--resize', action='store_true',
      help='Reduce image size to increase speed of scanning')
 parser.add_argument('-v', '--visualization', action='store_true',
      help='Generating areas of skin image')

 args = parser.parse_args()

 for fname in args.files:
  if os.path.isfile(fname):
   n = Nude(fname)
   if args.resize:
    n.resize(maxheight=800, maxwidth=600)
   n.parse()
   if args.visualization:
    n.showSkinRegions()
   print(n.result, n.inspect())
  else:
   print(fname, "is not a file")

2.4. 測試效果

使用 wget 把這兩個測試用圖片下載下來

$ wget http://labfile.oss.aliyuncs.com/courses/589/0.jpg
$ wget http://labfile.oss.aliyuncs.com/courses/589/1.jpg

假設你的腳本名為 nude.py，運行下面的命令執(zhí)行腳本，注意是 python3 而不是python

$ python3 nude.py -v 0.jpg 1.jpg

現在你可以等待程序結果，結果出來后，你還可以查看 -v 選項生成的效果展示圖片

三、實驗總結

本次實驗熟悉了下 PIL 的使用，了解了色情圖片檢測的原理，整個實驗難點是在皮膚區(qū)域的檢測與整合這一方面，這方面不是很清楚的同學多多閱讀思考，如果有什么疑問或者建議的話可以留言，實驗樓會盡力解答你的問題，建議寫下實驗報告，將自己的思考過程記錄下來是很有好處的

本實驗還有許多可以改進的地方，比如膚色檢測的公式，色情判定條件，還有性能問題，同學可以自己嘗試改進，比如性能問題可以嘗試多線程或多進程

四、完整代碼

代碼也可以下載下來

$ wget http://labfile.oss.aliyuncs.com/courses/589/nude.py

代碼：

import sys
import os
import _io
from collections import namedtuple
from PIL import Image

class Nude(object):

 Skin = namedtuple("Skin", "id skin region x y")

 def __init__(self, path_or_image):
  # 若 path_or_image 為 Image.Image 類型的實例，直接賦值
  if isinstance(path_or_image, Image.Image):
   self.image = path_or_image
  # 若 path_or_image 為 str 類型的實例，打開圖片
  elif isinstance(path_or_image, str):
   self.image = Image.open(path_or_image)

  # 獲得圖片所有顏色通道
  bands = self.image.getbands()
  # 判斷是否為單通道圖片（也即灰度圖），是則將灰度圖轉換為 RGB 圖
  if len(bands) == 1:
   # 新建相同大小的 RGB 圖像
   new_img = Image.new("RGB", self.image.size)
   # 拷貝灰度圖 self.image 到 RGB圖 new_img.paste （PIL 自動進行顏色通道轉換）
   new_img.paste(self.image)
   f = self.image.filename
   # 替換 self.image
   self.image = new_img
   self.image.filename = f

  # 存儲對應圖像所有像素的全部 Skin 對象
  self.skin_map = []
  # 檢測到的皮膚區(qū)域，元素的索引即為皮膚區(qū)域號，元素都是包含一些 Skin 對象的列表
  self.detected_regions = []
  # 元素都是包含一些 int 對象（區(qū)域號）的列表
  # 這些元素中的區(qū)域號代表的區(qū)域都是待合并的區(qū)域
  self.merge_regions = []
  # 整合后的皮膚區(qū)域，元素的索引即為皮膚區(qū)域號，元素都是包含一些 Skin 對象的列表
  self.skin_regions = []
  # 最近合并的兩個皮膚區(qū)域的區(qū)域號，初始化為 -1
  self.last_from, self.last_to = -1, -1
  # 色情圖像判斷結果
  self.result = None
  # 處理得到的信息
  self.message = None
  # 圖像寬高
  self.width, self.height = self.image.size
  # 圖像總像素
  self.total_pixels = self.width * self.height

 def resize(self, maxwidth=1000, maxheight=1000):
  """
  基于最大寬高按比例重設圖片大小，
  注意：這可能影響檢測算法的結果

  如果沒有變化返回 0
  原寬度大于 maxwidth 返回 1
  原高度大于 maxheight 返回 2
  原寬高大于 maxwidth, maxheight 返回 3

  maxwidth - 圖片最大寬度
  maxheight - 圖片最大高度
  傳遞參數時都可以設置為 False 來忽略
  """
  # 存儲返回值
  ret = 0
  if maxwidth:
   if self.width > maxwidth:
    wpercent = (maxwidth / self.width)
    hsize = int((self.height * wpercent))
    fname = self.image.filename
    # Image.LANCZOS 是重采樣濾波器，用于抗鋸齒
    self.image = self.image.resize((maxwidth, hsize), Image.LANCZOS)
    self.image.filename = fname
    self.width, self.height = self.image.size
    self.total_pixels = self.width * self.height
    ret += 1
  if maxheight:
   if self.height > maxheight:
    hpercent = (maxheight / float(self.height))
    wsize = int((float(self.width) * float(hpercent)))
    fname = self.image.filename
    self.image = self.image.resize((wsize, maxheight), Image.LANCZOS)
    self.image.filename = fname
    self.width, self.height = self.image.size
    self.total_pixels = self.width * self.height
    ret += 2
  return ret

 # 分析函數
 def parse(self):
  # 如果已有結果，返回本對象
  if self.result is not None:
   return self
  # 獲得圖片所有像素數據
  pixels = self.image.load()
  # 遍歷每個像素
  for y in range(self.height):
   for x in range(self.width):
    # 得到像素的 RGB 三個通道的值
    # [x, y] 是 [(x,y)] 的簡便寫法
    r = pixels[x, y][0] # red
    g = pixels[x, y][1] # green
    b = pixels[x, y][2] # blue
    # 判斷當前像素是否為膚色像素
    isSkin = True if self._classify_skin(r, g, b) else False
    # 給每個像素分配唯一 id 值（1, 2, 3...height*width）
    # 注意 x, y 的值從零開始
    _id = x + y * self.width + 1
    # 為每個像素創(chuàng)建一個對應的 Skin 對象，并添加到 self.skin_map 中
    self.skin_map.append(self.Skin(_id, isSkin, None, x, y))
    # 若當前像素不為膚色像素，跳過此次循環(huán)
    if not isSkin:
     continue

    # 設左上角為原點，相鄰像素為符號 *，當前像素為符號 ^，那么相互位置關系通常如下圖
    # ***
    # *^

    # 存有相鄰像素索引的列表，存放順序為由大到小，順序改變有影響
    # 注意 _id 是從 1 開始的，對應的索引則是 _id-1
    check_indexes = [_id - 2, # 當前像素左方的像素
         _id - self.width - 2, # 當前像素左上方的像素
         _id - self.width - 1, # 當前像素的上方的像素
         _id - self.width] # 當前像素右上方的像素
    # 用來記錄相鄰像素中膚色像素所在的區(qū)域號，初始化為 -1
    region = -1
    # 遍歷每一個相鄰像素的索引
    for index in check_indexes:
     # 嘗試索引相鄰像素的 Skin 對象，沒有則跳出循環(huán)
     try:
      self.skin_map[index]
     except IndexError:
      break
     # 相鄰像素若為膚色像素：
     if self.skin_map[index].skin:
      # 若相鄰像素與當前像素的 region 均為有效值，且二者不同，且尚未添加相同的合并任務
      if (self.skin_map[index].region != None and
        region != None and region != -1 and
        self.skin_map[index].region != region and
        self.last_from != region and
        self.last_to != self.skin_map[index].region) :
       # 那么這添加這兩個區(qū)域的合并任務
       self._add_merge(region, self.skin_map[index].region)
      # 記錄此相鄰像素所在的區(qū)域號
      region = self.skin_map[index].region
    # 遍歷完所有相鄰像素后，若 region 仍等于 -1，說明所有相鄰像素都不是膚色像素
    if region == -1:
     # 更改屬性為新的區(qū)域號，注意元祖是不可變類型，不能直接更改屬性
     _skin = self.skin_map[_id - 1]._replace(region=len(self.detected_regions))
     self.skin_map[_id - 1] = _skin
     # 將此膚色像素所在區(qū)域創(chuàng)建為新區(qū)域
     self.detected_regions.append([self.skin_map[_id - 1]])
    # region 不等于 -1 的同時不等于 None，說明有區(qū)域號為有效值的相鄰膚色像素
    elif region != None:
     # 將此像素的區(qū)域號更改為與相鄰像素相同
     _skin = self.skin_map[_id - 1]._replace(region=region)
     self.skin_map[_id - 1] = _skin
     # 向這個區(qū)域的像素列表中添加此像素
     self.detected_regions[region].append(self.skin_map[_id - 1])
  # 完成所有區(qū)域合并任務，合并整理后的區(qū)域存儲到 self.skin_regions
  self._merge(self.detected_regions, self.merge_regions)
  # 分析皮膚區(qū)域，得到判定結果
  self._analyse_regions()
  return self


 # self.merge_regions 的元素都是包含一些 int 對象（區(qū)域號）的列表
 # self.merge_regions 的元素中的區(qū)域號代表的區(qū)域都是待合并的區(qū)域
 # 這個方法便是將兩個待合并的區(qū)域號添加到 self.merge_regions 中
 def _add_merge(self, _from, _to):
  # 兩個區(qū)域號賦值給類屬性
  self.last_from = _from
  self.last_to = _to

  # 記錄 self.merge_regions 的某個索引值，初始化為 -1
  from_index = -1
  # 記錄 self.merge_regions 的某個索引值，初始化為 -1
  to_index = -1


  # 遍歷每個 self.merge_regions 的元素
  for index, region in enumerate(self.merge_regions):
   # 遍歷元素中的每個區(qū)域號
   for r_index in region:
    if r_index == _from:
     from_index = index
    if r_index == _to:
     to_index = index

  # 若兩個區(qū)域號都存在于 self.merge_regions 中
  if from_index != -1 and to_index != -1:
   # 如果這兩個區(qū)域號分別存在于兩個列表中
   # 那么合并這兩個列表
   if from_index != to_index:
    self.merge_regions[from_index].extend(self.merge_regions[to_index])
    del(self.merge_regions[to_index])
   return

  # 若兩個區(qū)域號都不存在于 self.merge_regions 中
  if from_index == -1 and to_index == -1:
   # 創(chuàng)建新的區(qū)域號列表
   self.merge_regions.append([_from, _to])
   return
  # 若兩個區(qū)域號中有一個存在于 self.merge_regions 中
  if from_index != -1 and to_index == -1:
   # 將不存在于 self.merge_regions 中的那個區(qū)域號
   # 添加到另一個區(qū)域號所在的列表
   self.merge_regions[from_index].append(_to)
   return
  # 若兩個待合并的區(qū)域號中有一個存在于 self.merge_regions 中
  if from_index == -1 and to_index != -1:
   # 將不存在于 self.merge_regions 中的那個區(qū)域號
   # 添加到另一個區(qū)域號所在的列表
   self.merge_regions[to_index].append(_from)
   return

 # 合并該合并的皮膚區(qū)域
 def _merge(self, detected_regions, merge_regions):
  # 新建列表 new_detected_regions 
  # 其元素將是包含一些代表像素的 Skin 對象的列表
  # new_detected_regions 的元素即代表皮膚區(qū)域，元素索引為區(qū)域號
  new_detected_regions = []

  # 將 merge_regions 中的元素中的區(qū)域號代表的所有區(qū)域合并
  for index, region in enumerate(merge_regions):
   try:
    new_detected_regions[index]
   except IndexError:
    new_detected_regions.append([])
   for r_index in region:
    new_detected_regions[index].extend(detected_regions[r_index])
    detected_regions[r_index] = []

  # 添加剩下的其余皮膚區(qū)域到 new_detected_regions
  for region in detected_regions:
   if len(region) > 0:
    new_detected_regions.append(region)

  # 清理 new_detected_regions
  self._clear_regions(new_detected_regions)

 # 皮膚區(qū)域清理函數
 # 只保存像素數大于指定數量的皮膚區(qū)域
 def _clear_regions(self, detected_regions):
  for region in detected_regions:
   if len(region) > 30:
    self.skin_regions.append(region)

 # 分析區(qū)域
 def _analyse_regions(self):
  # 如果皮膚區(qū)域小于 3 個，不是色情
  if len(self.skin_regions) < 3:
   self.message = "Less than 3 skin regions ({_skin_regions_size})".format(
    _skin_regions_size=len(self.skin_regions))
   self.result = False
   return self.result

  # 為皮膚區(qū)域排序
  self.skin_regions = sorted(self.skin_regions, key=lambda s: len(s),
         reverse=True)

  # 計算皮膚總像素數
  total_skin = float(sum([len(skin_region) for skin_region in self.skin_regions]))

  # 如果皮膚區(qū)域與整個圖像的比值小于 15%，那么不是色情圖片
  if total_skin / self.total_pixels * 100 < 15:
   self.message = "Total skin percentage lower than 15 ({:.2f})".format(total_skin / self.total_pixels * 100)
   self.result = False
   return self.result

  # 如果最大皮膚區(qū)域小于總皮膚面積的 45%，不是色情圖片
  if len(self.skin_regions[0]) / total_skin * 100 < 45:
   self.message = "The biggest region contains less than 45 ({:.2f})".format(len(self.skin_regions[0]) / total_skin * 100)
   self.result = False
   return self.result

  # 皮膚區(qū)域數量超過 60個，不是色情圖片
  if len(self.skin_regions) > 60:
   self.message = "More than 60 skin regions ({})".format(len(self.skin_regions))
   self.result = False
   return self.result

  # 其它情況為色情圖片
  self.message = "Nude!!"
  self.result = True
  return self.result

 # 基于像素的膚色檢測技術
 def _classify_skin(self, r, g, b):
  # 根據RGB值判定
  rgb_classifier = r > 95 and \
   g > 40 and g < 100 and \
   b > 20 and \
   max([r, g, b]) - min([r, g, b]) > 15 and \
   abs(r - g) > 15 and \
   r > g and \
   r > b
  # 根據處理后的 RGB 值判定
  nr, ng, nb = self._to_normalized(r, g, b)
  norm_rgb_classifier = nr / ng > 1.185 and \
   float(r * b) / ((r + g + b) ** 2) > 0.107 and \
   float(r * g) / ((r + g + b) ** 2) > 0.112

  # HSV 顏色模式下的判定
  h, s, v = self._to_hsv(r, g, b)
  hsv_classifier = h > 0 and \
   h < 35 and \
   s > 0.23 and \
   s < 0.68

  # YCbCr 顏色模式下的判定
  y, cb, cr = self._to_ycbcr(r, g, b)
  ycbcr_classifier = 97.5 <= cb <= 142.5 and 134 <= cr <= 176

  # 效果不是很好，還需改公式
  # return rgb_classifier or norm_rgb_classifier or hsv_classifier or ycbcr_classifier
  return ycbcr_classifier

 def _to_normalized(self, r, g, b):
  if r == 0:
   r = 0.0001
  if g == 0:
   g = 0.0001
  if b == 0:
   b = 0.0001
  _sum = float(r + g + b)
  return [r / _sum, g / _sum, b / _sum]

 def _to_ycbcr(self, r, g, b):
  # 公式來源：
  # http://stackoverflow.com/questions/19459831/rgb-to-ycbcr-conversion-problems
  y = .299*r + .587*g + .114*b
  cb = 128 - 0.168736*r - 0.331364*g + 0.5*b
  cr = 128 + 0.5*r - 0.418688*g - 0.081312*b
  return y, cb, cr

 def _to_hsv(self, r, g, b):
  h = 0
  _sum = float(r + g + b)
  _max = float(max([r, g, b]))
  _min = float(min([r, g, b]))
  diff = float(_max - _min)
  if _sum == 0:
   _sum = 0.0001

  if _max == r:
   if diff == 0:
    h = sys.maxsize
   else:
    h = (g - b) / diff
  elif _max == g:
   h = 2 + ((g - r) / diff)
  else:
   h = 4 + ((r - g) / diff)

  h *= 60
  if h < 0:
   h += 360

  return [h, 1.0 - (3.0 * (_min / _sum)), (1.0 / 3.0) * _max]

 def inspect(self):
  _image = '{} {} {}×{}'.format(self.image.filename, self.image.format, self.width, self.height)
  return "{_image}: result={_result} message='{_message}'".format(_image=_image, _result=self.result, _message=self.message)

 # 將在源文件目錄生成圖片文件，將皮膚區(qū)域可視化
 def showSkinRegions(self):
  # 未得出結果時方法返回
  if self.result is None:
   return
  # 皮膚像素的 ID 的集合
  skinIdSet = set()
  # 將原圖做一份拷貝
  simage = self.image
  # 加載數據
  simageData = simage.load()

  # 將皮膚像素的 id 存入 skinIdSet
  for sr in self.skin_regions:
   for pixel in sr:
    skinIdSet.add(pixel.id)
  # 將圖像中的皮膚像素設為白色，其余設為黑色
  for pixel in self.skin_map:
   if pixel.id not in skinIdSet:
    simageData[pixel.x, pixel.y] = 0, 0, 0
   else:
    simageData[pixel.x, pixel.y] = 255, 255, 255
  # 源文件絕對路徑
  filePath = os.path.abspath(self.image.filename)
  # 源文件所在目錄
  fileDirectory = os.path.dirname(filePath) + '/'
  # 源文件的完整文件名
  fileFullName = os.path.basename(filePath)
  # 分離源文件的完整文件名得到文件名和擴展名
  fileName, fileExtName = os.path.splitext(fileFullName)
  # 保存圖片
  simage.save('{}{}_{}{}'.format(fileDirectory, fileName,'Nude' if self.result else 'Normal', fileExtName))

if __name__ == "__main__":
 import argparse

 parser = argparse.ArgumentParser(description='Detect nudity in images.')
 parser.add_argument('files', metavar='image', nargs='+',
      help='Images you wish to test')
 parser.add_argument('-r', '--resize', action='store_true',
      help='Reduce image size to increase speed of scanning')
 parser.add_argument('-v', '--visualization', action='store_true',
      help='Generating areas of skin image')

 args = parser.parse_args()

 for fname in args.files:
  if os.path.isfile(fname):
   n = Nude(fname)
   if args.resize:
    n.resize(maxheight=800, maxwidth=600)
   n.parse()
   if args.visualization:
    n.showSkinRegions()
   print(n.result, n.inspect())
  else:
   print(fname, "is not a file")

總結

以上就是本文關于python好玩的項目—色情圖片識別的全部內容，希望對大家有所幫助。感興趣的朋友可以繼續(xù)參閱本站：Python實現一個簡單的驗證碼程序、Python編程django實現同一個ip十分鐘內只能注冊一次等，Python好玩的項目數不勝數，以后會繼續(xù)向大家分享的，感謝朋友們對本站的支持！

相關文章

  • 給 TensorFlow 變量進行賦值的方式

    給 TensorFlow 變量進行賦值的方式

    今天小編就為大家分享一篇給 TensorFlow 變量進行賦值的方式，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧
    2020-02-02
  • 使用 tf.nn.dynamic_rnn 展開時間維度方式

    使用 tf.nn.dynamic_rnn 展開時間維度方式

    今天小編就為大家分享一篇使用 tf.nn.dynamic_rnn 展開時間維度方式，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧
    2020-01-01
  • Python函數元數據實現為一個參數指定多個類型

    Python函數元數據實現為一個參數指定多個類型

    這篇文章主要介紹了Python函數元數據實現為一個參數指定多個類型方式,具有很好的參考價值,希望對大家有所幫助,如有錯誤或未考慮完全的地方,望不吝賜教
    2024-02-02
  • Python字典簡介以及用法詳解

    Python字典簡介以及用法詳解

    字典(dictionary)是除列表意外python之中最靈活的內置數據結構類型。列表是有序的對象結合，字典是無序的對象集合。兩者之間的區(qū)別在于：字典當中的元素是通過鍵來存取的，而不是通過偏移存取。
    2016-11-11
  • Python+OpenCV實現鼠標畫瞄準星的方法詳解

    Python+OpenCV實現鼠標畫瞄準星的方法詳解

    所謂瞄準星指的是一個圓圈加一個圓圈內的十字線，就像玩射擊游戲狙擊槍開鏡的樣子一樣。本文將利用Python+OpenCV實現鼠標畫瞄準星，感興趣的可以嘗試一下
    2022-08-08
  • python對DICOM圖像的讀取方法詳解

    python對DICOM圖像的讀取方法詳解

    DICOM（Digital Imaging and Communications in Medicine）即醫(yī)學數字成像和通信，是醫(yī)學圖像和相關信息的國際標準（ISO 12052）。下面這篇文章主要給大家介紹了關于python對DICOM圖像讀取的相關資料，需要的朋友可以參考借鑒，下面來一起看看吧。
    2017-07-07
  • Python 的 vars() 函數功能

    Python 的 vars() 函數功能

    本文將深入探討如何利用 vars() 函數的靈活性和功能,以提高代碼調試的效率和準確性,感興趣的朋友跟隨小編一起看看吧
    2024-06-06
  • 從Pyspark UDF調用另一個自定義Python函數的方法步驟

    從Pyspark UDF調用另一個自定義Python函數的方法步驟

    PySpark,通常稱為Apache Spark的Python API,是為分布式數據處理而創(chuàng)建的,使用UDF,可以擴展和定制 PySpark 的功能以滿足某些需求,在本文中,我們將學習如何從Pyspark UDF調用另一個自定義Python函數,需要的朋友可以參考下
    2023-11-11
  • Python如何解除一個裝飾器

    Python如何解除一個裝飾器

    這篇文章主要介紹了Python如何解除一個裝飾器，幫助大家更好的理解和學習Python裝飾器,感興趣的朋友可以了解下
    2020-08-08
  • 淺析Django 接收所有文件,前端展示文件（包括視頻，文件，圖片）ajax請求

    淺析Django 接收所有文件,前端展示文件（包括視頻，文件，圖片）ajax請求

    這篇文章主要介紹了Django 接收所有文件,前端展示文件（包括視頻，文件，圖片）ajax請求,本文通過實例代碼給大家介紹的非常詳細，對大家的學習或工作具有一定的參考借鑒價值 ,需要的朋友可以參考下
    2020-03-03

最新評論