一、實(shí)驗(yàn)簡(jiǎn)介
本實(shí)驗(yàn)將使用 Python3 去識(shí)別圖片是否為色情圖片，我們會(huì)使用到 PIL 這個(gè)圖像處理庫(kù)，會(huì)編寫算法來(lái)劃分圖像的皮膚區(qū)域
1.1. 知識(shí)點(diǎn)
Python 3 的模塊的安裝
Python 3 基礎(chǔ)知識(shí)
膚色像素檢測(cè)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(duì) 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 python/286648.html">python/267557.html">python3 命令使用的 python 版本為 3.5，但源中卻沒有 python3.5-dev，這會(huì)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(lái)安裝 Python2 的模塊非常簡(jiǎn)便，而 pip3 則是對(duì)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(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，檢測(cè)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(guò)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(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
我們用一種類型來(lái)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(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)，像素的 id 值按像素坐標(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(duì)應(yīng)的 Skin 對(duì)象
接下來(lái)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 sysimport osimport _iofrom collections import namedtuplefrom 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(huì)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(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(duì)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(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，代碼見下
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(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?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(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。樞蚋淖冇杏绊? # 注意 _id 是從 1 開始的，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
說(shuō)起來(lái)復(fù)雜，其實(shí)看上面代碼并不復(fù)雜，說(shuō)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(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
現(xiàn)在編寫我們還沒寫過(guò)的調(diào)用過(guò)的 Nude 類的方法
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, crdef _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)域
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，見代碼
def _add_merge(self, _from, _to): # 兩個(gè)區(qū)域號(hào)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(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
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(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(huì)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(qǐng)查看argparse的 官方文檔，這里就不多說(shuō)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(cè)試效果
使用 wget 把這兩個(gè)測(cè)試用圖片下載下來(lái)
$ 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(lái)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(cè)的原理，整個(gè)實(shí)驗(yàn)難點(diǎn)是在皮膚區(qū)域的檢測(cè)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(huì)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(guò)程記錄下來(lái)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(cè)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(lái)
$ wget http://labfile.oss.aliyuncs.com/courses/589/nude.py
代碼：
import sysimport osimport _iofrom collections import namedtuplefrom PIL import Imageclass 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(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 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 # 分析函數(shù) 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() # 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(jiǎn)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(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)前像素不為膚色像素，跳過(guò)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(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。樞蚋淖冇杏绊? # 注意 _id 是從 1 開始的，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 # 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 # 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]) # 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 # self.merge_regions 的元素都是包含一些 int 對(duì)象（區(qū)域號(hào)）的列表 # self.merge_regions 的元素中的區(qū)域號(hào)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(hào)添加到 self.merge_regions 中 def _add_merge(self, _from, _to): # 兩個(gè)區(qū)域號(hào)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(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 # 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(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) # 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(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 # 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 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] 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(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))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(shí)別的全部?jī)?nèi)容，希望對(duì)大家有所幫助。Python好玩的項(xiàng)目數(shù)不勝數(shù)，以后會(huì)繼續(xù)向大家分享的，感謝朋友們對(duì)本站的支持！
新聞熱點(diǎn)
疑難解答
圖片精選
