Python 3 色情圖片識別

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，使用它來安裝 Python2 的模塊非常簡便，而?pip3?則是對應于 Python3 的版本

$ sudo apt-get install python3-pip

最后安裝 Pillow：

$ sudo pip3 install Pillow

2.2. 程序原理

本程序根據顏色（膚色）找出圖片中皮膚的區域，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域，得到若干個皮膚區域

剔除像素數量極少的皮膚區域

我們定義非色情圖片的判定規則如下（滿足任意一個判定為真）：

皮膚區域的個數小于 3 個

皮膚區域的像素與圖像所有像素的比值小于 15%

最大皮膚區域小于總皮膚面積的 45%

皮膚區域數量超過60個

這些規則你可以嘗試更改，直到程序效果讓你滿意為止

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

你可以用自己找到的公式，在程序完成后慢慢調試

• RGB 顏色模式

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

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

• HSV 顏色模式

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

• YCbCr 顏色模式

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

一幅圖像有零個到多個的皮膚區域，程序按發現順序給它們編號，第一個發現的區域編號為 0，第 n 個發現的區域編號為 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），皮膚區域號（region），橫坐標（x），縱坐標（y）

遍歷所有像素時，我們為每個像素創建一個與之對應的?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域編號，創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個像素創建對應的 Skin 對象

接下來實現細節部分

2.3. 實現腳本

導入所需要的模塊

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

我們將設計一個?Nude?類:

class Nude(object):

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

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

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

然后定義?Nude?類的初始化方法

def __init__(self, path_or_image):# 若 path_or_image 為 Image.Image 類型的實例，直接賦值if isinstance(path_or_image, Image.Image):self.image = path_or_image# 若 path_or_image 為 str 類型的實例，打開圖片elif isinstance(path_or_image, str):self.image = Image.open(path_or_image)# 獲得圖片所有顏色通道bands = self.image.getbands()# 判斷是否為單通道圖片（也即灰度圖），是則將灰度圖轉換為 RGB 圖if len(bands) == 1:# 新建相同大小的 RGB 圖像new_img = Image.new("RGB", self.image.size)# 拷貝灰度圖 self.image 到 RGB圖 new_img.paste （PIL 自動進行顏色通道轉換）new_img.paste(self.image)f = self.image.filename# 替換 self.imageself.image = new_imgself.image.filename = f# 存儲對應圖像所有像素的全部 Skin 對象self.skin_map = []# 檢測到的皮膚區域，元素的索引即為皮膚區域號，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（區域號）的列表# 這些元素中的區域號代表的區域都是待合并的區域self.merge_regions = []# 整合后的皮膚區域，元素的索引即為皮膚區域號，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域的區域號，初始化為 -1self.last_from, self.last_to = -1, -1# 色情圖像判斷結果self.result = None# 處理得到的信息self.message = None# 圖像寬高self.width, self.height = self.image.size# 圖像總像素self.total_pixels = self.width * self.height

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

• isinstane(object, classinfo)?如果參數?object?是參數?classinfo?的實例，返回真，否則假；參數?classinfo可以是一個包含若干?type?對象的元祖，如果參數?object?是其中任意一個類型的實例，返回真，否則假

涉及到效率問題，越大的圖片所需要消耗的資源與時間越大，因此有時候可能需要對圖片進行縮小

所以需要有圖片縮小方法

def resize(self, maxwidth=1000, maxheight=1000):"""基于最大寬高按比例重設圖片大小，注意：這可能影響檢測算法的結果如果沒有變化返回 0原寬度大于 maxwidth 返回 1原高度大于 maxheight 返回 2原寬高大于 maxwidth, maxheight 返回 3maxwidth - 圖片最大寬度maxheight - 圖片最大高度傳遞參數時都可以設置為 False 來忽略"""# 存儲返回值ret = 0if 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 = fnameself.width, self.height = self.image.sizeself.total_pixels = self.width * self.heightret += 1if maxheight:if self.height > maxheight:hpercent = (maxheight / float(self.height))wsize = int((float(self.width) * float(hpercent)))fname = self.image.filenameself.image = self.image.resize((wsize, maxheight), Image.LANCZOS)self.image.filename = fnameself.width, self.height = self.image.sizeself.total_pixels = self.width * self.heightret += 2return ret

• Image.resize(size, resample=0)

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

  返回?Image?對象

然后便是最關鍵之一的解析方法了

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

接著，遍歷每個像素，為每個像素創建對應的?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] # redg = pixels[x, y][1] # greenb = 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，繼續遍歷

# 若當前像素不為膚色像素，跳過此次循環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-1check_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域號，初始化為 -1region = -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 andregion != None and region != -1 andself.skin_map[index].region != region andself.last_from != region andself.last_to != self.skin_map[index].region) :# 那么這添加這兩個區域的合并任務self._add_merge(region, self.skin_map[index].region)# 記錄此相鄰像素所在的區域號region = self.skin_map[index].region

self._add_merge()?這個方法接收兩個區域號，它將會把兩個區域號添加到?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 到多個的區域號，區域號代表的區域是連通的，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域號都為有效值且不同，因為兩個區域中的像素相鄰，那么其實這兩個區域是連通的，說明需要合并這兩個區域。記錄下此相鄰膚色像素的區域號，之后便可以將當前像素歸到這個皮膚區域里了。

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：發現了新的皮膚區域

存在區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域創建為新區域self.detected_regions.append([self.skin_map[_id - 1]])# region 不等于 -1 的同時不等于 None，說明有區域號為有效值的相鄰膚色像素elif region != None:# 將此像素的區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# 向這個區域的像素列表中添加此像素self.detected_regions[region].append(self.skin_map[_id - 1])

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

遍歷完所有像素之后，圖片的皮膚區域劃分初步完成了，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

# 完成所有區域合并任務，合并整理后的區域存儲到 self.skin_regionsself._merge(self.detected_regions, self.merge_regions)# 分析皮膚區域，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域的

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

現在編寫我們還沒寫過的調用過的?Nude?類的方法

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

# 基于像素的膚色檢測技術 def _classify_skin(self, r, g, b):# 根據RGB值判定rgb_classifier = r > 95 and \g > 40 and g < 100 and \b > 20 and \max([r, g, b]) - min([r, g, b]) > 15 and \abs(r - g) > 15 and \r > g and \r > b# 根據處理后的 RGB 值判定nr, ng, nb = self._to_normalized(r, g, b)norm_rgb_classifier = nr / ng > 1.185 and \float(r * b) / ((r + g + b) ** 2) > 0.107 and \float(r * g) / ((r + g + b) ** 2) > 0.112# HSV 顏色模式下的判定h, s, v = self._to_hsv(r, g, b)hsv_classifier = h > 0 and \h < 35 and \s > 0.23 and \s < 0.68# YCbCr 顏色模式下的判定y, cb, cr = self._to_ycbcr(r, g, b)ycbcr_classifier = 97.5 <= cb <= 142.5 and 134 <= cr <= 176# 效果不是很好，還需改公式# return rgb_classifier or norm_rgb_classifier or hsv_classifier or ycbcr_classifierreturn ycbcr_classifier

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

def _to_normalized(self, r, g, b):if r == 0:r = 0.0001if g == 0:g = 0.0001if 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-problemsy = .299*r + .587*g + .114*bcb = 128 - 0.168736*r - 0.331364*g + 0.5*bcr = 128 + 0.5*r - 0.418688*g - 0.081312*breturn 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 = 0.0001if _max == r:if diff == 0:h = sys.maxsizeelse:h = (g - b) / diffelif _max == g:h = 2 + ((g - r) / diff)else:h = 4 + ((r - g) / diff)h *= 60if h < 0:h += 360return [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（區域號）的列表，列表中的區域號代表的區域都是待合并的區域

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

這兩個區域號以怎樣的形式添加，要分3種情況處理，

傳入的兩個區域號都存在于?self.merge_regions?中

傳入的兩個區域號有一個區域號存在于?self.merge_regions?中

傳入的兩個區域號都不存在于?self.merge_regions?中

具體的處理方法，見代碼

def _add_merge(self, _from, _to):# 兩個區域號賦值給類屬性self.last_from = _fromself.last_to = _to# 記錄 self.merge_regions 的某個索引值，初始化為 -1from_index = -1# 記錄 self.merge_regions 的某個索引值，初始化為 -1to_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域號for r_index in region:if r_index == _from:from_index = indexif r_index == _to:to_index = index# 若兩個區域號都存在于 self.merge_regions 中if from_index != -1 and to_index != -1:# 如果這兩個區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# 若兩個區域號都不存在于 self.merge_regions 中if from_index == -1 and to_index == -1:# 創建新的區域號列表self.merge_regions.append([_from, _to])return# 若兩個區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 中的那個區域號# 添加到另一個區域號所在的列表self.merge_regions[from_index].append(_to)return# 若兩個待合并的區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 中的那個區域號# 添加到另一個區域號所在的列表self.merge_regions[to_index].append(_from)return

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

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

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域，元素索引為區域號new_detected_regions = []# 將 merge_regions 中的元素中的區域號代表的所有區域合并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域到 new_detected_regionsfor region in detected_regions:if len(region) > 0:new_detected_regions.append(region)# 清理 new_detected_regionsself._clear_regions(new_detected_regions)# 添加剩下的其余皮膚區域到 new_detected_regionsfor region in detected_regions:if len(region) > 0:new_detected_regions.append(region)# 清理 new_detected_regionsself._clear_regions(new_detected_regions)

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

# 皮膚區域清理函數 # 只保存像素數大于指定數量的皮膚區域 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

# 分析區域 def _analyse_regions(self):# 如果皮膚區域小于 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 = Falsereturn self.result# 為皮膚區域排序self.skin_regions = sorted(self.skin_regions, key=lambda s: len(s),reverse=True)# 計算皮膚總像素數total_skin = float(sum([len(skin_region) for skin_region in self.skin_regions]))# 如果皮膚區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 = Falsereturn self.result# 如果最大皮膚區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 = Falsereturn self.result# 皮膚區域數量超過 60個，不是色情圖片if len(self.skin_regions) > 60:self.message = "More than 60 skin regions ({})".format(len(self.skin_regions))self.result = Falsereturn self.result# 其它情況為色情圖片self.message = "Nude!!"self.result = Truereturn 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，將皮膚區域可視化 def showSkinRegions(self):# 未得出結果時方法返回if self.result is None:return# 皮膚像素的 ID 的集合skinIdSet = set()# 將原圖做一份拷貝simage = self.image# 加載數據simageData = simage.load()# 將皮膚像素的 id 存入 skinIdSetfor 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, 0else:simageData[pixel.x, pixel.y] = 255, 255, 255# 源文件絕對路徑filePath = os.path.abspath(self.image.filename)# 源文件所在目錄fileDirectory = os.path.dirname(filePath) + '/'# 源文件的完整文件名fileFullName = os.path.basename(filePath)# 分離源文件的完整文件名得到文件名和擴展名fileName, fileExtName = os.path.splitext(fileFullName)# 保存圖片simage.save('{}{}_{}{}'.format(fileDirectory, fileName,'Nude' if self.result else 'Normal', fileExtName))

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

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

具體使用方法請查看argparse的?官方文檔，這里就不多說了

if __name__ == "__main__":import argparseparser = 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，運行下面的命令執行腳本，注意是?python3?而不是python

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

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

三、實驗總結

本次實驗熟悉了下 PIL 的使用，了解了色情圖片檢測的原理，整個實驗難點是在皮膚區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 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.imageself.image = new_imgself.image.filename = f# 存儲對應圖像所有像素的全部 Skin 對象self.skin_map = []# 檢測到的皮膚區域，元素的索引即為皮膚區域號，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（區域號）的列表# 這些元素中的區域號代表的區域都是待合并的區域self.merge_regions = []# 整合后的皮膚區域，元素的索引即為皮膚區域號，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域的區域號，初始化為 -1self.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.heightdef 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 3maxwidth - 圖片最大寬度maxheight - 圖片最大高度傳遞參數時都可以設置為 False 來忽略"""# 存儲返回值ret = 0if 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 = fnameself.width, self.height = self.image.sizeself.total_pixels = self.width * self.heightret += 1if maxheight:if self.height > maxheight:hpercent = (maxheight / float(self.height))wsize = int((float(self.width) * float(hpercent)))fname = self.image.filenameself.image = self.image.resize((wsize, maxheight), Image.LANCZOS)self.image.filename = fnameself.width, self.height = self.image.sizeself.total_pixels = self.width * self.heightret += 2return ret# 分析函數def parse(self):# 如果已有結果，返回本對象if self.result is not None:return self# 獲得圖片所有像素數據pixels = self.image.load()# 遍歷每個像素for y in range(self.height):for x in range(self.width):# 得到像素的 RGB 三個通道的值# [x, y] 是 [(x,y)] 的簡便寫法r = pixels[x, y][0] # redg = pixels[x, y][1] # greenb = 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-1check_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域號，初始化為 -1region = -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 andregion != None and region != -1 andself.skin_map[index].region != region andself.last_from != region andself.last_to != self.skin_map[index].region) :# 那么這添加這兩個區域的合并任務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域創建為新區域self.detected_regions.append([self.skin_map[_id - 1]])# region 不等于 -1 的同時不等于 None，說明有區域號為有效值的相鄰膚色像素elif region != None:# 將此像素的區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])# 完成所有區域合并任務，合并整理后的區域存儲到 self.skin_regionsself._merge(self.detected_regions, self.merge_regions)# 分析皮膚區域，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（區域號）的列表# self.merge_regions 的元素中的區域號代表的區域都是待合并的區域# 這個方法便是將兩個待合并的區域號添加到 self.merge_regions 中def _add_merge(self, _from, _to):# 兩個區域號賦值給類屬性self.last_from = _fromself.last_to = _to# 記錄 self.merge_regions 的某個索引值，初始化為 -1from_index = -1# 記錄 self.merge_regions 的某個索引值，初始化為 -1to_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域號for r_index in region:if r_index == _from:from_index = indexif r_index == _to:to_index = index# 若兩個區域號都存在于 self.merge_regions 中if from_index != -1 and to_index != -1:# 如果這兩個區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# 若兩個區域號都不存在于 self.merge_regions 中if from_index == -1 and to_index == -1:# 創建新的區域號列表self.merge_regions.append([_from, _to])return# 若兩個區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 中的那個區域號# 添加到另一個區域號所在的列表self.merge_regions[from_index].append(_to)return# 若兩個待合并的區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 中的那個區域號# 添加到另一個區域號所在的列表self.merge_regions[to_index].append(_from)return# 合并該合并的皮膚區域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域，元素索引為區域號new_detected_regions = []# 將 merge_regions 中的元素中的區域號代表的所有區域合并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域到 new_detected_regionsfor region in detected_regions:if len(region) > 0:new_detected_regions.append(region)# 清理 new_detected_regionsself._clear_regions(new_detected_regions)# 皮膚區域清理函數# 只保存像素數大于指定數量的皮膚區域def _clear_regions(self, detected_regions):for region in detected_regions:if len(region) > 30:self.skin_regions.append(region)# 分析區域def _analyse_regions(self):# 如果皮膚區域小于 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 = Falsereturn self.result# 為皮膚區域排序self.skin_regions = sorted(self.skin_regions, key=lambda s: len(s),reverse=True)# 計算皮膚總像素數total_skin = float(sum([len(skin_region) for skin_region in self.skin_regions]))# 如果皮膚區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 = Falsereturn self.result# 如果最大皮膚區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 = Falsereturn self.result# 皮膚區域數量超過 60個，不是色情圖片if len(self.skin_regions) > 60:self.message = "More than 60 skin regions ({})".format(len(self.skin_regions))self.result = Falsereturn self.result# 其它情況為色情圖片self.message = "Nude!!"self.result = Truereturn self.result# 基于像素的膚色檢測技術def _classify_skin(self, r, g, b):# 根據RGB值判定rgb_classifier = r > 95 and \g > 40 and g < 100 and \b > 20 and \max([r, g, b]) - min([r, g, b]) > 15 and \abs(r - g) > 15 and \r > g and \r > b# 根據處理后的 RGB 值判定nr, ng, nb = self._to_normalized(r, g, b)norm_rgb_classifier = nr / ng > 1.185 and \float(r * b) / ((r + g + b) ** 2) > 0.107 and \float(r * g) / ((r + g + b) ** 2) > 0.112# HSV 顏色模式下的判定h, s, v = self._to_hsv(r, g, b)hsv_classifier = h > 0 and \h < 35 and \s > 0.23 and \s < 0.68# YCbCr 顏色模式下的判定y, cb, cr = self._to_ycbcr(r, g, b)ycbcr_classifier = 97.5 <= cb <= 142.5 and 134 <= cr <= 176# 效果不是很好，還需改公式# return rgb_classifier or norm_rgb_classifier or hsv_classifier or ycbcr_classifierreturn ycbcr_classifierdef _to_normalized(self, r, g, b):if r == 0:r = 0.0001if g == 0:g = 0.0001if 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-problemsy = .299*r + .587*g + .114*bcb = 128 - 0.168736*r - 0.331364*g + 0.5*bcr = 128 + 0.5*r - 0.418688*g - 0.081312*breturn 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 = 0.0001if _max == r:if diff == 0:h = sys.maxsizeelse:h = (g - b) / diffelif _max == g:h = 2 + ((g - r) / diff)else:h = 4 + ((r - g) / diff)h *= 60if h < 0:h += 360return [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，將皮膚區域可視化def showSkinRegions(self):# 未得出結果時方法返回if self.result is None:return# 皮膚像素的 ID 的集合skinIdSet = set()# 將原圖做一份拷貝simage = self.image# 加載數據simageData = simage.load()# 將皮膚像素的 id 存入 skinIdSetfor 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, 0else: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 argparseparser = 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

以上是生活随笔為你收集整理的Python3 色情图片识别的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。