教程介绍
这个教程由来很好玩，有一次我需要一寸照片电子版，但是手头没有。因此通过小程序，上传了一张照片，就自动生成了证件照，效果还不错。于是我就很好奇这个东西怎么实现的，经过一番探索，终于找到了方案，然后编写代码验证，最终实现的效果还不错。
效果展示
先看效果这是根据模特的照片生成的证件照
这是根据孩子的照片生成的证件照
照片背景纯色，且与衣服颜色区别约明显，头发毛刺越少，效果会越好。
处理流程
涉及到的知识点主要是：
- rembg自动去除照片背景
- docker部署
- flask实现图片上传接口opencv
对于图片的裁剪、粘贴处理流程
流程如下：
Rembg的部署和使用
部署
Rembg的GitHub地址为：https://github.com/danielgatis/rembg部署这里我们使用docker部署，这样会省去很多环境相关的问题，部署起来比较方便。没有Linux服务器的小伙伴可以安装一个linux虚拟机，我就是使用的centos7虚拟机。
下面是镜像在docker hub上的地址：
需要注意，可能镜像不同的版本，容器需要映射的端口会不一样，具体可以点击镜像，看一下制作镜像的命令。例如点击057d666b62f6 ，进入看docker的镜像打包命令，可以看到端口对外暴露7000
docker部署具体指令参考文档。此处不再赘述。
接口使用
直接使用命令行请求如下：
# /data/rembg/test.jpg是图片路径 ，后面跟的是接口地址，-o是去掉背景后的图片输出路径
curl -s -F file=@/data/rembg/test.jpg "http://localhost:7000/api/remove" -o /data/rembg/testout.png也可使用swagge查看接口文档：接口详细使用文档：http://容器所在服务器ip:7000/api ， 端口要改成映射的端口
使用postman调用接口，示例如下：
flask实现图片上传接口
@app.route('/upload', methods=['POST'])
def upload_file():
try:
# 省略校验文件和获取rgb参数代码
......
# 按照RGBA拼接url的背景参数其中%2C是逗号
bg_color_str = f"{red_color}%2C{green_color}%2C{blue_color}%2C255"
# 生成文件名
uuid_time_str = generate_file_name();
png_file_name = uuid_time_str + '.png'
jpg_file_name = uuid_time_str + '.jpg'
if file:
# 保存图片
file.save(jpg_file_name)
# 调用接口去除图片背景
rembg_success = rembg_photo(jpg_file_name, png_file_name, bg_color_str)
# 如果 rembg_success为False,退出
if not rembg_success:
return jsonify({"code": 1002, "msg": "处理图片失败"})
# 将去除背景后的图片扩大20%
expend_photo_background(png_file_name, png_file_name, (red_color, green_color, blue_color, 255))
# 检测人脸并裁剪
crop_success = face_detector_and_crop(png_file_name, jpg_file_name)
if not crop_success:
return jsonify({"code": 1002, "msg": "处理图片失败"})
# 按照4列2排排版生成最终图片
layout(jpg_file_name, jpg_file_name)
return jsonify({"code": 0, "msg": "处理图片成功，会发送到邮箱"})
except Exception as e:
return jsonify({"code": 1003, "msg": str(e)})- 首先我们先通过request实现图片上传，图片的参数名位file
- 其次为图片生成名称，保存到本地。其中.png图片是抠图后的图片；.jpg是抠图前的图片当然也是最后生成的图片，这里中间的处理生成的图片，我们也用同一个文件，不在用不同的文件，启不同的名字。
- 然后调用rembg去背景的接口然后将图片背景扩大20%，这样做的目的是为了裁剪计算时超出原图片的区域
- 然后检测人脸并裁剪
- 最后排版，生成证件照
- 调用Rembg接口去背景
def rembg_photo(photo_path, out_path, bgc=None):
"""
处理原始图片，自动抠图，人像背景透明
:param photo_path: 要抠图的图片
:param out_path: 抠图后人像背景透明的图片
:param bgc: 抠图后背景颜色
:return true 抠图成功，false 抠图失败
"""
# 调用接口处理原始图片
# 替换为你的上传URL,bgc为要设置的背景颜色
upload_url = 'http://192.168.192.11:7000/api/remove'
if bgc is not None:
upload_url = 'http://192.168.192.11:7000/api/remove?bgc=' + bgc
form_data = {
'model': 'u2net', # 使用模型
# 'model': 'isnet-general-use', # 使用模型
'a': 'false',
'af': '240',
'ab': '10',
'ae': '10',
'om': 'false',
'ppm': 'false'
# 添加更多表单参数，如有需要
}
response = upload_image_with_form(photo_path, form_data, upload_url)
if response.status_code == 200:
logging.info('图片上传成功-%s', photo_path)
# 下载处理背景后的图片
with open(out_path, 'wb') as f:
f.write(response.content)
logging.info("图片下载成功-%s", out_path)
return True
else:
logging.info("图片上传失败-%s,status code-%s", photo_path, response.status_code)
return False扩大去掉背景后的图片
这样做的目的是为了根据人脸识别的区域，裁剪计算时超出原图片的区域
def expend_photo_background(photo_path, out_path, background_color):
"""
将图片背景扩大40%
:param photo_path: 背景透明的人像图片路径
:param out_path: 扩大背景后的图片路径
:param background_color: 要设置的纯色背景颜色，rgba模式，长度为4的整形tuple
:return:新的图片路径
"""
# 打开源图片即人像背景透明图片
source_image = Image.open(photo_path)
# 新建目标图片，新建一个纯色的图片，这里根据上传的图片大小，将目标图片扩大20%
target_image = Image.new('RGBA',
(
int(source_image.size[0] + source_image.size[0] * 0.2),
int(source_image.size[1] + source_image.size[1] * 0.2)
),
background_color)
logging.info("imageSize:%s", target_image.size)
"""
将源图片和成到目标图片上。即新建的纯色目标图片作为背景与源图片和成到一块
第一个参数表示需要粘贴的图像；第二是坐标，是作为背景的目标图片的坐标；
第三个参数是一个是mask，二维数组，用于指定透明区域，将底图显示出来。实现的效果是源图片人像周围透明的背景区域能够显示出目标图片
而不是显示代表透明的灰白的那种方格子。可以去掉这个参数看效果不同
"""
target_image.paste(source_image, (int(target_image.size[0] * 0.1), int(target_image.size[1] * 0.1)), source_image)
# 保存图片
target_image.save(out_path)人脸检测并裁剪对应区域
def face_detector_and_crop(image_path, out_path):
"""
通过图片识别是否有人脸并且根据人脸区域重新裁剪图片大小
:param image_path: 要处理的图片路径
:param out_path: 处理后图片的输出路径
:return: True 处理成功 False 处理失败
"""
image = cv2.imread(image_path)
# 获取图片的宽高，重置图片尺寸
(h, w) = image.shape[:2]
# 设置目标图片的尺寸宽为700
width = 700
# 计算目标
r = width / float(w)
dim = (width, int(h * r))
# 缩放图片大小
image = cv2.resize(image, dim, interpolation=cv2.INTER_AREA)
# 人脸检查
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
detector = dlib.get_frontal_face_detector()
# 可能检测出多个人脸
rects = detector(gray, 1)
# 输出人脸区域的信息
logging.info('检测到的人脸数目: {}'.format(len(rects)))
if len(rects) > 1:
logging.error('检测到不止一个人脸')
return False
for i, d in enumerate(rects):
logging.info(
"人脸所在区域： Left: %s Top: %s Right: {} Bottom: {}".format(i, d.left(), d.top(), d.right(),
d.bottom()))
# 尺寸重新确定，但是大部分都是 h/w = 1.4
for i, d in enumerate(rects):
# 检测出的人脸区域是等宽高的
unit = d.right() - d.left()
offset_top = int(unit * 1)
offset_bottom = unit
offset_width = int(unit * 0.6)
logging.info("offsetTop:%s offsetWidth:%s", offset_top, offset_width)
logging.info("%s:%s %s:%s", d.top() - offset_top, d.bottom() + offset_bottom, d.left() - offset_width,
d.right() + offset_width)
# 裁剪图片
image = image[d.top() - offset_top:d.bottom() + offset_bottom, d.left() - offset_width:d.right() + offset_width]
# 把绘制区域后的图片另存为成新图片
cv2.imwrite(out_path, image)
return True其中：detector = dlib.get_frontal_face_detector() 功能是获取一个人脸检测器rects = detector(gray, 1) 返回人脸检测的矩形框的4个点坐标
排版
def layout(image_path, out_path):
'''
将处理后的图片进行排版
:param image_path:
:param out_path:
:return:
'''
temp_img = Image.open(image_path)
# 设置排版头像图片之间的间隔
offset = 20
# 计算新的排版后图片的宽度和高度，排版后的图片为两行四列，间隔20像素
new_base_width = temp_img.size[0] * 4 + (4 + 1) * offset
new_base_height = temp_img.size[1] * 2 + (2 + 1) * offset
base_img = Image.new('RGB', (new_base_width, new_base_height), (255, 255, 255))
logging.info("排版后图片的尺寸:{}".format(base_img.size))
# 按照2行4列的方式排版粘贴图片
# 第一个参数表示需要粘贴的图像，中间的是坐标，最后是一个是mask图片，用于指定透明区域，将底图显示出来。
for i in range(2):
y_offset = (i + 1) * offset + i * temp_img.size[1]
for j in range(4):
x_offset = (j + 1) * offset + j * temp_img.size[0]
base_img.paste(temp_img, (x_offset, y_offset, x_offset + temp_img.size[0], y_offset + temp_img.size[1]))
# 保存图片
base_img.save(out_path)SpringBoot服务扩展
如果需要配合SpringBoot开发，加入身份认证、限流、参数校验、全局异常处理，以及通过Docker部署。可以参考另一套课程：《OCR文字识别实战教程-零基础，SpringBoot结合PaddleOCR》实现车牌识别、文本识别、身份证识别 地址：https://www.bilibili.com/video/BV1RK411b7DU/?vd_source=b43073...
文档和源码获取
关注B站 牛魔王de
微信扫码，加入星球。可以获取资料，包括OCR文本识别、AI自动生成证件照等等。也可以通过星球问问题，加我微信。
**粗体** _斜体_ [链接](http://example.com) `代码` - 列表 > 引用。你还可以使用@来通知其他用户。