做了個(gè)圖片識(shí)別系統(tǒng)，含檢測(cè)正經(jīng)圖片的源碼

當(dāng)前位置：點(diǎn)晴教程→知識(shí)管理交流 →『技術(shù)文檔交流』

admin

2023年3月11日 10:3 本文熱度 611

項(xiàng)目介紹

本項(xiàng)目將使用python3去識(shí)別圖片是否為色情圖片，會(huì)使用到PIL這個(gè)圖像處理庫(kù)，并且編寫(xiě)算法來(lái)劃分圖像的皮膚區(qū)域

介紹一下PIL：

PIL（Python Image Library）是一種免費(fèi)的圖像處理工具包，這個(gè)軟件包提供了基本的圖像處理功能，如：改變圖像大小，旋轉(zhuǎn)圖像，圖像格式轉(zhuǎn)化，色場(chǎng)空間轉(zhuǎn)換（這個(gè)我不太懂），圖像增強(qiáng)（就是改善清晰度，突出圖像有用信息），直方圖處理，插值（利用已知鄰近像素點(diǎn)的灰度值來(lái)產(chǎn)生未知像素點(diǎn)的灰度值）和濾波等等。

雖然這個(gè)軟件包要實(shí)現(xiàn)復(fù)雜的圖像處理算法并不太適合，但是python的快速開(kāi)發(fā)能力以及面向?qū)ο蟮鹊戎T多特點(diǎn)使得它非常適合用來(lái)進(jìn)行原型開(kāi)發(fā)。

在 PIL 中，任何一副圖像都是用一個(gè) Image 對(duì)象表示，而這個(gè)類(lèi)由和它同名的模塊導(dǎo)出，因此，要加載一副圖像，最簡(jiǎn)單的形式是這樣的：

import Image
img = Image.open(“dip.jpg”)

注意：==第一行的 Image 是模塊名；第二行的 img 是一個(gè) Image 對(duì)象；== Image 類(lèi)是在 Image 模塊中定義的。關(guān)于 Image 模塊和 Image 類(lèi)，切記不要混淆了?，F(xiàn)在，我們就可以對(duì) img 進(jìn)行各種操作了，所有對(duì) img 的操作最終都會(huì)反映到到 dip.img 圖像上

環(huán)境準(zhǔn)備

PIL 2009 年之后就沒(méi)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(duì) PIL 友好的分支，支持 Python3，所以我們這里安裝的是 Pillow，這是它的官方文檔。

默認(rèn)已經(jīng)有python3.0以上和包管理工具pip3。那要執(zhí)行如下命令升級(jí)pip3并安裝Pillow 工具包：

sudo install -U pip3
sudo install Pillow

程序原理

根據(jù)顏色（膚色）找出圖片中皮膚的區(qū)域，然后通過(guò)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，檢查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(mǎn)足任意一個(gè)判斷為真）：

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(guò)60個(gè)

這些規(guī)則你可以嘗試更改，直到程序效果讓自己滿(mǎn)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，但是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(hào)，第一個(gè)發(fā)現(xiàn)的區(qū)域編號(hào)為0，第n個(gè)發(fā)現(xiàn)的區(qū)域編號(hào)為n-1

用一種類(lèi)型來(lái)表示像素，我們給這個(gè)類(lèi)型取名為Skin，包含了像素的一些信息：唯一的編號(hào)id、是/否膚色skin、皮膚區(qū)域號(hào)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(duì)應(yīng)的Skin對(duì)象，并設(shè)置對(duì)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(hào)，創(chuàng)建對(duì)象時(shí)初始化為無(wú)意義的None。關(guān)于每個(gè)像素的id值，左上角為原點(diǎn)，像素id值按照像素坐標(biāo)排布，那么看起來(lái)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(duì)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?chē)?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(duì)應(yīng)的Skin對(duì)象：

實(shí)現(xiàn)腳本

直接在python中新建nude.py文件，在這個(gè)文件進(jìn)行代碼編寫(xiě)：

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(lèi)：

class Nude:

這個(gè)類(lèi)里面我們首先使用 collections.namedtuple() 定義一個(gè) Skin 類(lèi)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(lèi)型子類(lèi)的一個(gè)工廠方法。你需要傳遞一個(gè)類(lèi)型名和你需要的字段給它，然后它就會(huì)返回一個(gè)類(lèi)，你可以初始化這個(gè)類(lèi)，為你定義的字段傳遞值等。詳情參見(jiàn)官方文檔。

然后定義 Nude 類(lèi)的初始化方法：

def __init__(self, path_or_image):
    # 若 path_or_image 為 Image.Image 類(lèi)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(lèi)型的實(shí)例，打開(kāi)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(chǔ)對(duì)應(yīng)圖像所有像素的全部 Skin 對(duì)象
    self.skin_map = []
    # 檢測(cè)到的皮膚區(qū)域，元素的索引即為皮膚區(qū)域號(hào)，元素都是包含一些 Skin 對(duì)象的列表
    self.detected_regions = []
    # 元素都是包含一些 int 對(duì)象（區(qū)域號(hào)）的列表
    # 這些元素中的區(qū)域號(hào)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(hào)，元素都是包含一些 Skin 對(duì)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(hào)，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

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(duì)象的元組，如果參數(shù) object 是其中任意一個(gè)類(lèi)型的實(shí)例，返回真，否則假。

涉及到效率問(wèn)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(duì)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(cè)算法的結(jié)果

    如果沒(méi)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(lái)忽略
    """
    # 存儲(chǔ)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(duì)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(duì)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(duì)應(yīng)的 Skin 對(duì)象，其中 self._classify_skin() 這個(gè)方法是檢測(cè)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(jiǎn)便寫(xiě)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(kāi)始
            _id = x + y * self.width + 1
            # 為每個(gè)像素創(chuàng)建一個(gè)對(duì)應(yīng)的 Skin 對(duì)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(guò)本次循環(huán)，繼續(xù)遍歷：

            # 若當(dāng)前像素不為膚色像素，跳過(guò)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?/span> id 值是從 1 開(kāi)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(lèi)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(hào) *，當(dāng)前像素為符號(hào) ^，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?/span>
            # 注意 _id 是從 1 開(kāi)始的，對(duì)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

把id值從0編起：

          # 用來(lái)記錄相鄰像素中膚色像素所在的區(qū)域號(hào)，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(duì)象，沒(méi)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(hào)
                    region = self.skin_map[index].region

self._add_merge() 這個(gè)方法接收兩個(gè)區(qū)域號(hào)，它將會(huì)把兩個(gè)區(qū)域號(hào)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(hào)，區(qū)域號(hào)代表的區(qū)域是連通的，需要合并。

檢測(cè)的圖像里，有些前幾行的像素的相鄰像素并沒(méi)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(hào)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(shuō)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(hào)，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(hào)為有效值的相鄰膚色像素：region 的中存儲(chǔ)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(shuō)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(hào)，注意元祖是不可變類(lèi)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(shuō)明有區(qū)域號(hào)為有效值的相鄰膚色像素
            elif region != None:
                # 將此像素的區(qū)域號(hào)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(hào)，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(chǔ)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(lái)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?，F(xiàn)在編寫(xiě)我們還沒(méi)寫(xiě)過(guò)的調(diào)用過(guò)的 Nude 類(lèi)的方法。

首先是 self._classify_skin() 方法，這個(gè)方法是檢測(cè)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(lái)，現(xiàn)在是用的時(shí)候了：

# 基于像素的膚色檢測(cè)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(lái)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(lái)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(duì) self.merge_regions 操作，而self.merge_regions 的元素都是包含一些 int 對(duì)象（區(qū)域號(hào)）的列表，列表中的區(qū)域號(hào)代表的區(qū)域都是待合并的區(qū)。self._add_merge() 方法接收兩個(gè)區(qū)域號(hào)，將之添加到 self.merge_regions 中。

這兩個(gè)區(qū)域號(hào)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(hào)都存在于 self.merge_regions 中
傳入的兩個(gè)區(qū)域號(hào)有一個(gè)區(qū)域號(hào)存在于 self.merge_regions 中
傳入的兩個(gè)區(qū)域號(hào)都不存在于 self.merge_regions 中

具體的處理方法，見(jiàn)代碼：

ef _add_merge(self, _from, _to):
    # 兩個(gè)區(qū)域號(hào)賦值給類(lèi)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(hào)
        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(hào)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(hào)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(hào)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(hào)列表
        self.merge_regions.append([_from, _to])
        return
    # 若兩個(gè)區(qū)域號(hào)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(hào)
        # 添加到另一個(gè)區(qū)域號(hào)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(hào)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(hào)
        # 添加到另一個(gè)區(qū)域號(hào)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(duì)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(duì)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(hào)所代表的區(qū)域合并，得到新的皮膚區(qū)域列表：

ef _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(duì)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(hào)
    new_detected_regions = []

    # 將 merge_regions 中的元素中的區(qū)域號(hào)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(jiǎn)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(guò) 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(lèi)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(guò)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(jiǎn)單的，不過(guò)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(duì)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(xún)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(lái)實(shí)現(xiàn)命令行的支持。argparse 模塊使得編寫(xiě)用戶(hù)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(huì)自動(dòng)生成幫助和使用信息并且當(dāng)用戶(hù)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(qǐng)查看argparse的官方文檔

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")

測(cè)試效果

先來(lái)一張很正經(jīng)的測(cè)試圖片：

在PyCharm中的終端運(yùn)行下面的命令執(zhí)行腳本，注意是python3而不是python：

python3 nude.py -v 1.jpg

運(yùn)行截圖：

這表示1.jpg不是一張色情圖片

總結(jié)

這個(gè)項(xiàng)目就是熟悉了一下PIL的使用，了解了色情圖片檢查的原理。主要實(shí)現(xiàn)難點(diǎn)是在皮膚區(qū)域的檢測(cè)與整合這一方面。項(xiàng)目還有許多可以改進(jìn)的地方，比如膚色檢測(cè)公式，色情判定條件，還有性能問(wèn)題，得去學(xué)習(xí)一下用多線程或多進(jìn)程提高性能。

來(lái)源：碼猴小明

該文章在 2023/3/11 10:03:10 編輯過(guò)

關(guān)鍵字查詢(xún)

相關(guān)文章

正在查詢(xún)...

點(diǎn)晴ERP是一款針對(duì)中小制造業(yè)的專(zhuān)業(yè)生產(chǎn)管理軟件系統(tǒng),系統(tǒng)成熟度和易用性得到了國(guó)內(nèi)大量中小企業(yè)的青睞。

點(diǎn)晴PMS碼頭管理系統(tǒng)主要針對(duì)港口碼頭集裝箱與散貨日常運(yùn)作、調(diào)度、堆場(chǎng)、車(chē)隊(duì)、財(cái)務(wù)費(fèi)用、相關(guān)報(bào)表等業(yè)務(wù)管理，結(jié)合碼頭的業(yè)務(wù)特點(diǎn)，圍繞調(diào)度、堆場(chǎng)作業(yè)而開(kāi)發(fā)的。集技術(shù)的先進(jìn)性、管理的有效性于一體，是物流碼頭及其他港口類(lèi)企業(yè)的高效ERP管理信息系統(tǒng)。

點(diǎn)晴WMS倉(cāng)儲(chǔ)管理系統(tǒng)提供了貨物產(chǎn)品管理,銷(xiāo)售管理,采購(gòu)管理,倉(cāng)儲(chǔ)管理,倉(cāng)庫(kù)管理,保質(zhì)期管理,貨位管理,庫(kù)位管理,生產(chǎn)管理,WMS管理系統(tǒng),標(biāo)簽打印,條形碼,二維碼管理,批號(hào)管理軟件。

點(diǎn)晴免費(fèi)OA是一款軟件和通用服務(wù)都免費(fèi)，不限功能、不限時(shí)間、不限用戶(hù)的免費(fèi)OA協(xié)同辦公管理系統(tǒng)。