python好玩的項(xiàng)目—色情圖片識別代碼分享

更新時(shí)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(xiàng)目—色情圖片識別，具有一定參考價(jià)值，需要的朋友可以了解下。

一、實(shí)驗(yàn)簡介

本實(shí)驗(yàn)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(gè)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(diǎn)

Python 3 的模塊的安裝
Python 3 基礎(chǔ)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(shí)驗(yàn)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(lǐng)導(dǎo)的公益項(xiàng)目 Pillow，Pillow 是一個(gè)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(gè)問題：當(dāng)前實(shí)驗(yàn)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(dǎo)致安裝 Pillow 出錯(cuò)。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(yīng)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(jù)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(guān)鍵步驟如下

遍歷每個(gè)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(gè)皮膚區(qū)域，得到若干個(gè)皮膚區(qū)域
剔除像素?cái)?shù)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(gè)判定為真）：

皮膚區(qū)域的個(gè)數(shù)小于 3 個(gè)
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(shù)量超過60個(gè)
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(guān)于像素膚色判定這方面，公式可以在網(wǎng)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(diào)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(gè)到多個(gè)的皮膚區(qū)域，程序按發(fā)現(xiàn)順序給它們編號，第一個(gè)發(fā)現(xiàn)的區(qū)域編號為 0，第 n 個(gè)發(fā)現(xiàn)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(gè)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(biāo)（x），縱坐標(biāo)（y）

遍歷所有像素時(shí)，我們?yōu)槊總€(gè)像素創(chuàng)建一個(gè)與之對應(yīng)的 Skin 對象，并設(shè)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(shí)初始化為無意義的 None

關(guān)于每個(gè)像素的 id 值，左上角為原點(diǎn)，像素的 id 值按像素坐標(biāo)排布，那么看起來如下圖

其實(shí) id 的順序也即遍歷的順序

遍歷所有像素時(shí)，創(chuàng)建 Skin 對象后，如果當(dāng)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(gè)皮膚區(qū)域

相鄰像素的定義：通常都能想到是當(dāng)前像素周圍的 8 個(gè)像素，然而實(shí)際上只需要定義 4 個(gè)就可以了，位置分別在當(dāng)前像素的左方，左上方，正上方，右上方；因?yàn)榱硗馑膫€(gè)像素都在當(dāng)前像素后面，我們還未給這4個(gè)像素創(chuàng)建對應(yīng)的 Skin 對象

接下來實(shí)現(xiàn)細(xì)節(jié)部分

2.3. 實(shí)現(xiàn)腳本

導(dǎo)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(shè)計(jì)一個(gè) Nude 類:

class Nude(object):

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

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

collections.namedtuple() 函數(shù)實(shí)際上是一個(gè)返回Python中標(biāo)準(zhǔn)元組類型子類的一個(gè)工廠方法。你需要傳遞一個(gè)類型名和你需要的字段給它，然后它就會返回一個(gè)類，你可以初始化這個(gè)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(shí)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(shí)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(zhuǎn)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(dòng)進(jìn)行顏色通道轉(zhuǎn)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(yīng)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(gè)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(jié)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(shí)驗(yàn)代碼中使用到的模塊中的函數(shù)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(xí)慣

isinstane(object, classinfo) 如果參數(shù) object 是參數(shù) classinfo 的實(shí)例，返回真，否則假；參數(shù) classinfo可以是一個(gè)包含若干 type 對象的元祖，如果參數(shù) object 是其中任意一個(gè)類型的實(shí)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(shí)間越大，因此有時(shí)候可能需要對圖片進(jìn)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(shè)圖片大小，
 注意：這可能影響檢測算法的結(jié)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(shù)時(shí)都可以設(shè)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?cái)?shù)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(guān)鍵之一的解析方法了

def parse(self):
 # 如果已有結(jié)果，返回本對象
 if self.result is not None:
  return self
 # 獲得圖片所有像素?cái)?shù)據(jù)
 pixels = self.image.load()

接著，遍歷每個(gè)像素，為每個(gè)像素創(chuàng)建對應(yīng)的 Skin 對象，代碼見下

其中 self._classify_skin() 這個(gè)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(gè)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(dāng)前像素是否為膚色像素
   isSkin = True if self._classify_skin(r, g, b) else False
   # 給每個(gè)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(gè)像素創(chuàng)建一個(gè)對應(yīng)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(dāng)前像素并不是膚色，那么跳過本次循環(huán)，繼續(xù)遍歷

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

若當(dāng)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?yàn)橄袼氐?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(dāng)前像素的id 值，所以當(dāng)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(shè)左上角為原點(diǎn)，相鄰像素為符號 *，當(dāng)前像素為符號 ^，那么相互位置關(guān)系通常如下圖
   # ***
   # *^

   # 存有相鄰像素索引的列表，存放順序?yàn)橛纱蟮叫?，順序改變有影?
   # 注意 _id 是從 1 開始的，對應(yīng)的索引則是 _id-1
   check_indexes = [_id - 2, # 當(dāng)前像素左方的像素
        _id - self.width - 2, # 當(dāng)前像素左上方的像素
        _id - self.width - 1, # 當(dāng)前像素的上方的像素
        _id - self.width] # 當(dāng)前像素右上方的像素

說起來復(fù)雜，其實(shí)看上面代碼并不復(fù)雜，說這么多是怕同學(xué)搞混，你要是覺得有點(diǎn)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(gè)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(dāng)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(wù)
     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(gè)區(qū)域的合并任務(wù)
      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(gè)方法接收兩個(gè)區(qū)域號，它將會把兩個(gè)區(qū)域號添加到 self.merge_regions 中的元素中，self.merge_regions 的每一個(gè)元素都是一個(gè)列表，這些列表中存放了 1 到多個(gè)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(gè)，所以需要用 try “試錯(cuò)”

然后相鄰像素的若是膚色像素，如果兩個(gè)像素的皮膚區(qū)域號都為有效值且不同，因?yàn)閮蓚€(gè)區(qū)域中的像素相鄰，那么其實(shí)這兩個(gè)區(qū)域是連通的，說明需要合并這兩個(gè)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(dāng)前像素歸到這個(gè)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(xiàn)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(dāng)前像素歸到這個(gè)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(shí)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(gè)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(gè)替換指定字段的值為參數(shù)的 namedtuple 實(shí)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(jìn)行色情圖片判定了

 # 完成所有區(qū)域合并任務(wù)，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(jié)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(yùn)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(jié)果

現(xiàn)在編寫我們還沒寫過的調(diào)用過的 Nude 類的方法

首先是 self._classify_skin() 方法，這個(gè)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(jīng)把膚色判定該公式列舉了出來，現(xiàn)在是用的時(shí)候了

# 基于像素的膚色檢測技術(shù)
def _classify_skin(self, r, g, b):
 # 根據(jù)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(jù)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(zhuǎn)換并不是本實(shí)驗(yàn)的重點(diǎn)，轉(zhuǎn)換公式可以在網(wǎng)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(gè)區(qū)域號，將之添加到 self.merge_regions 中

這兩個(gè)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(gè)區(qū)域號都存在于 self.merge_regions 中
傳入的兩個(gè)區(qū)域號有一個(gè)區(qū)域號存在于 self.merge_regions 中
傳入的兩個(gè)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(gè)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(gè)索引值，初始化為 -1
 from_index = -1
 # 記錄 self.merge_regions 的某個(gè)索引值，初始化為 -1
 to_index = -1


 # 遍歷每個(gè) self.merge_regions 的元素
 for index, region in enumerate(self.merge_regions):
  # 遍歷元素中的每個(gè)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(gè)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(gè)區(qū)域號分別存在于兩個(gè)列表中
  # 那么合并這兩個(gè)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(gè)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(gè)區(qū)域號中有一個(gè)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(gè)區(qū)域號
  # 添加到另一個(gè)區(qū)域號所在的列表
  self.merge_regions[from_index].append(_to)
  return
 # 若兩個(gè)待合并的區(qū)域號中有一個(gè)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(gè)區(qū)域號
  # 添加到另一個(gè)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(shí)，索引位置和對應(yīng)值可以使用 enumerate() 函數(shù)同時(shí)得到，在上面的代碼中，索引位置即為 index ，對應(yīng)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?cái)?shù)大于指定數(shù)量的皮膚區(qū)域保留到 self.skin_regions

# 皮膚區(qū)域清理函數(shù)
# 只保存像素?cái)?shù)大于指定數(shù)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(jìn)行一系列判斷，得出圖片是否色情的結(jié)論

# 分析區(qū)域
def _analyse_regions(self):
 # 如果皮膚區(qū)域小于 3 個(gè)，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(jì)算皮膚總像素?cái)?shù)
 total_skin = float(sum([len(skin_region) for skin_region in self.skin_regions]))

 # 如果皮膚區(qū)域與整個(gè)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(shù)量超過 60個(gè)，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(yùn)行腳本時(shí)只能得到一些真或假的結(jié)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?jiān)瓐D的副本，不過這個(gè)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(shè)置像素的 RGB 值也就是其逆操作，還是很簡單的，不過注意設(shè)置像素的 RGB 值時(shí)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(jié)果時(shí)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(shù)據(jù)
 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(shè)為白色，其余設(shè)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(kuò)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(shí)現(xiàn)的，查詢效率很高

最后支持一下命令行參數(shù)就大功告成啦！我們使用 argparse 這個(gè)模塊來實(shí)現(xiàn)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(shù)，然后 argparse 將負(fù)責(zé)如何從 sys.argv 中解析出這些參數(shù)。argparse 模塊還會自動(dòng)生成幫助和使用信息并且當(dāng)用戶賦給程序非法的參數(shù)時(shí)產(chǎn)生錯(cuò)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(gè)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(shè)你的腳本名為 nude.py，運(yùn)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(xiàn)在你可以等待程序結(jié)果，結(jié)果出來后，你還可以查看 -v 選項(xiàng)生成的效果展示圖片

三、實(shí)驗(yàn)總結(jié)

本次實(shí)驗(yàn)熟悉了下 PIL 的使用，了解了色情圖片檢測的原理，整個(gè)實(shí)驗(yàn)難點(diǎn)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(xué)多多閱讀思考，如果有什么疑問或者建議的話可以留言，實(shí)驗(yàn)樓會盡力解答你的問題，建議寫下實(shí)驗(yàn)報(bào)告，將自己的思考過程記錄下來是很有好處的

本實(shí)驗(yàn)還有許多可以改進(jìn)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(xué)可以自己嘗試改進(jìn)，比如性能問題可以嘗試多線程或多進(jìn)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(shí)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(shí)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(zhuǎn)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(dòng)進(jìn)行顏色通道轉(zhuǎn)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(yīng)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(gè)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(jié)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(shè)圖片大小，
  注意：這可能影響檢測算法的結(jié)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(shù)時(shí)都可以設(shè)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(shù)
 def parse(self):
  # 如果已有結(jié)果，返回本對象
  if self.result is not None:
   return self
  # 獲得圖片所有像素?cái)?shù)據(jù)
  pixels = self.image.load()
  # 遍歷每個(gè)像素
  for y in range(self.height):
   for x in range(self.width):
    # 得到像素的 RGB 三個(gè)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(dāng)前像素是否為膚色像素
    isSkin = True if self._classify_skin(r, g, b) else False
    # 給每個(gè)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(gè)像素創(chuàng)建一個(gè)對應(yīng)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(dāng)前像素不為膚色像素，跳過此次循環(huán)
    if not isSkin:
     continue

    # 設(shè)左上角為原點(diǎn)，相鄰像素為符號 *，當(dāng)前像素為符號 ^，那么相互位置關(guān)系通常如下圖
    # ***
    # *^

    # 存有相鄰像素索引的列表，存放順序?yàn)橛纱蟮叫?，順序改變有影?
    # 注意 _id 是從 1 開始的，對應(yīng)的索引則是 _id-1
    check_indexes = [_id - 2, # 當(dāng)前像素左方的像素
         _id - self.width - 2, # 當(dāng)前像素左上方的像素
         _id - self.width - 1, # 當(dāng)前像素的上方的像素
         _id - self.width] # 當(dāng)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(gè)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(dāng)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(wù)
      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(gè)區(qū)域的合并任務(wù)
       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(shí)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(gè)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(wù)，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(jié)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(gè)方法便是將兩個(gè)待合并的區(qū)域號添加到 self.merge_regions 中
 def _add_merge(self, _from, _to):
  # 兩個(gè)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(gè)索引值，初始化為 -1
  from_index = -1
  # 記錄 self.merge_regions 的某個(gè)索引值，初始化為 -1
  to_index = -1


  # 遍歷每個(gè) self.merge_regions 的元素
  for index, region in enumerate(self.merge_regions):
   # 遍歷元素中的每個(gè)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(gè)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(gè)區(qū)域號分別存在于兩個(gè)列表中
   # 那么合并這兩個(gè)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(gè)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(gè)區(qū)域號中有一個(gè)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(gè)區(qū)域號
   # 添加到另一個(gè)區(qū)域號所在的列表
   self.merge_regions[from_index].append(_to)
   return
  # 若兩個(gè)待合并的區(qū)域號中有一個(gè)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(gè)區(qū)域號
   # 添加到另一個(gè)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(shù)
 # 只保存像素?cái)?shù)大于指定數(shù)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(gè)，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(jì)算皮膚總像素?cái)?shù)
  total_skin = float(sum([len(skin_region) for skin_region in self.skin_regions]))

  # 如果皮膚區(qū)域與整個(gè)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(shù)量超過 60個(gè)，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(shù)
 def _classify_skin(self, r, g, b):
  # 根據(jù)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(jù)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(jié)果時(shí)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(shù)據(jù)
  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(shè)為白色，其余設(shè)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(kuò)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(jié)

以上就是本文關(guān)于python好玩的項(xiàng)目—色情圖片識別的全部內(nèi)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(shí)現(xiàn)一個(gè)簡單的驗(yàn)證碼程序、Python編程django實(shí)現(xiàn)同一個(gè)ip十分鐘內(nèi)只能注冊一次等，Python好玩的項(xiàng)目數(shù)不勝數(shù)，以后會繼續(xù)向大家分享的，感謝朋友們對本站的支持！

您可能感興趣的文章: