做了個(gè)圖片識(shí)別系統(tǒng)，含檢測(cè)正經(jīng)圖片的源碼
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 類是在 Image 模塊中定義的。關(guān)于 Image 模塊和 Image 類，切記不要混淆了。現(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id值按照像素坐標(biāo)排布，那么看起來(lái)如下圖：
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：
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：
class Nude: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(jiàn)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(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?/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].regionself._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(xiě)我們還沒(méi)寫(xiě)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, 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(xiě)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
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
（版權(quán)歸原作者所有，侵刪）
