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(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(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（滿足任意一個判定為真）：
皮膚區(qū)域的個數(shù)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(shù)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(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
一幅圖像有零個到多個的皮膚區(qū)域，程序按發(fā)現(xiàn)順序給它們編號，第一個發(fā)現(xiàn)的區(qū)域編號為 0，第 n 個發(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(xiàn)細節(jié)部分
2.3. 實現(xiàn)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(shù)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(shù)均可以在其模塊的文檔中找到，一定要培養(yǎng)查閱文檔的習慣
isinstane(object, classinfo) 如果參數(shù) object 是參數(shù) classinfo 的實例，返回真，否則假；參數(shù) classinfo可以是一個包含若干 type 對象的元祖，如果參數(shù) 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(shù)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(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(shù)據(jù) 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(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(shù)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(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)在是用的時候了
# 基于像素的膚色檢測技術 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
顏色模式的轉換并不是本實驗的重點，轉換公式可以在網(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(shù)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(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) # 只保存像素數(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(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，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(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(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 這個模塊來實現(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 將負責如何從 sys.argv 中解析出這些參數(shù)。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(shù)時產(chǎn)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(xiàn)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(shù)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(shù)
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(shù)據(jù)
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(shù)
# 只保存像素數(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，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(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，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(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(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(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實現(xiàn)一個簡單的驗證碼程序、Python編程django實現(xiàn)同一個ip十分鐘內(nèi)只能注冊一次等，Python好玩的項目數(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！
相關文章
天際線（SkyLine）顧名思義就是天空與地面的邊界線,這篇文章主要為大家介紹了如何使用Python實現(xiàn)處理圖片并實現(xiàn)生成天際線,感興趣的可以了解下2024-01-01
這篇文章主要介紹了Python lambda表達式用法,結合實例形式分析了lambda表達式的具體功能、應用場景及相關使用技巧,需要的朋友可以參考下2018-12-12
這篇文章主要介紹了使用Python對微信好友進行數(shù)據(jù)分析的實現(xiàn)代碼，非常不錯，具有一定的參考借鑒價值,需要的朋友可以參考下2018-06-06
python網(wǎng)絡編程：socketserver的基本使用方法實例分析
這篇文章主要介紹了python網(wǎng)絡編程：socketserver的基本使用方法,結合實例形式分析了python網(wǎng)絡編程中socketserver的基本功能、使用方法及操作注意事項,需要的朋友可以參考下2020-04-04
Python學習筆記之函數(shù)的參數(shù)和返回值的使用
這篇文章主要介紹了Python學習筆記之函數(shù)的參數(shù)和返回值的使用，文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值，需要的朋友們下面隨著小編來一起學習學習吧2019-11-11
將一份PPT的每一頁字體、大小、是否加粗都統(tǒng)一,是一個常見需求,本文將使用Python實現(xiàn)批量操作PPT,感興趣的小伙伴可以跟隨小編一起學習一下2025-04-04
在python里創(chuàng)建一個任務(Task)實例
這篇文章主要介紹了在python里創(chuàng)建一個任務(Task)實例，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2020-04-04
曲線擬合是構造曲線或數(shù)學函數(shù)的過程,其具有對一系列數(shù)據(jù)點的最佳擬合,可能受到約束,本文主要介紹了如何使用Python實現(xiàn)指數(shù)和對數(shù)曲線擬合,需要的可以參考下2024-04-04
這篇文章主要介紹了python實現(xiàn)密碼驗證合格程序的思路詳解，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2020-06-06
這篇文章給大家分享了Python3中詳解fabfile的編寫的相關知識點以及重要內(nèi)容，有興趣的朋友跟著學習下。2018-06-06