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，并且編寫算法來劃分圖像的皮膚區(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進(jìn)行原型開發(fā)。

在 PIL 中，任何一副圖像都是用一個(gè) Image 對象表示，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，最簡單的形式是這樣的：

importImage
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?，F(xiàn)在，我們就可以對 img 進(jìn)行各種操作了，所有對 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 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pip3并安裝Pillow 工具包：

sudoinstall-Upip3
sudoinstallPillow

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)與之對應(yīng)的Skin對象，并設(shè)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(hào)，創(chuàng)建對象時(shí)初始化為無意義的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)建對應(yīng)的Skin對象：

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：

導(dǎo)入所需要的模塊：

importsys
importos
import_io
fromcollectionsimportnamedtuple
fromPILimportImage

我們將設(shè)計(jì)一個(gè)Nude類：

classNude:

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","idskinregionxy")

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
ifisinstance(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
elifisinstance(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
iflen(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)對應(yīng)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(hào)，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(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)候可能需要對圖片進(jìn)行縮小。所以需要有圖片縮小方法：

defresize(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來忽略
"""
#存儲(chǔ)返回值
ret=0
ifmaxwidth:
ifself.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
ifmaxheight:
ifself.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
returnret

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對象

然后便是最關(guān)鍵之一的解析方法了：

defparse(self):
#如果已有結(jié)果，返回本對象
ifself.resultisnotNone:
returnself
#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)建對應(yīng)的Skin對象，其中self._classify_skin()這個(gè)方法是檢測像素顏色是否為膚色：

foryinrange(self.height):

forxinrange(self.width):
#得到像素的RGB三個(gè)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(dāng)前像素是否為膚色像素
isSkin=Trueifself._classify_skin(r,g,b)elseFalse
#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)對應(yīng)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(dāng)前像素并不是膚色，那么跳過本次循環(huán)，繼續(xù)遍歷：

#若當(dāng)前像素不為膚色像素，跳過此次循環(huán)

ifnotisSkin:
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)橄袼氐膇d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?，順序改變有影?#注意_id是從1開始的，對應(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
forindexincheck_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]
exceptIndexError:
break
#相鄰像素若為膚色像素：
ifself.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!=Noneand
region!=Noneandregion!=-1and
self.skin_map[index].region!=regionand
self.last_from!=regionand
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，說明所有相鄰像素都不是膚色像素
ifregion==-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，說明有區(qū)域號(hào)為有效值的相鄰膚色像素
elifregion!=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()
returnself

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(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?，F(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(gè)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(shí)候了：

#基于像素的膚色檢測技術(shù)
def_classify_skin(self,r,g,b):
#根據(jù)RGB值判定
rgb_classifier=r>95and
g>40andg20and
max([r,g,b])-min([r,g,b])>15and
abs(r-g)>15and
r>gand
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>1.185and
float(r*b)/((r+g+b)**2)>0.107and
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>0and
h0.23and
s

	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，這里我們直接拿來用就行：
def_to_normalized(self,r,g,b):
ifr==0:
r=0.0001
ifg==0:
g=0.0001
ifb==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
returny,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:
ifdiff==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
ifh

	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(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
forindex,regioninenumerate(self.merge_regions):
#遍歷元素中的每個(gè)區(qū)域號(hào)
forr_indexinregion:
ifr_index==_from:
from_index=index
ifr_index==_to:
to_index=index

#若兩個(gè)區(qū)域號(hào)都存在于self.merge_regions中
iffrom_index!=-1andto_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
iffrom_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
iffrom_index==-1andto_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
iffrom_index!=-1andto_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
iffrom_index==-1andto_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
forindex,regioninenumerate(merge_regions):
try:
new_detected_regions[index]
exceptIndexError:
new_detected_regions.append([])
forr_indexinregion:
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
forregionindetected_regions:
iflen(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
forregionindetected_regions:
iflen(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):
forregionindetected_regions:
iflen(region)>30:
self.skin_regions.append(region)


	self._analyse_regions()是很簡單的，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
iflen(self.skin_regions)60:
self.message="Morethan60skinregions({})".format(len(self.skin_regions))
self.result=False
returnself.result

#其它情況為色情圖片
self.message="Nude!!"
self.result=True
returnself.result


	然后可以組織下分析得出的信息：
definspect(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，還是很簡單的，不過注意設(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
defshowSkinRegions(self):
#未得出結(jié)果時(shí)方法返回
ifself.resultisNone:
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
forsrinself.skin_regions:
forpixelinsr:
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
forpixelinself.skin_map:
ifpixel.idnotinskinIdSet:
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(kuò)展名
fileName,fileExtName=os.path.splitext(fileFullName)
#保存圖片
simage.save('{}{}_{}{}'.format(fileDirectory,fileName,'Nude'ifself.resultelse'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。

	具體使用方法請查看argparse的官方文檔
if__name__=="__main__":
importargparse

parser=argparse.ArgumentParser(description='Detectnudityinimages.')
parser.add_argument('files',metavar='image',nargs='+',
help='Imagesyouwishtotest')
parser.add_argument('-r','--resize',action='store_true',
help='Reduceimagesizetoincreasespeedofscanning')
parser.add_argument('-v','--visualization',action='store_true',
help='Generatingareasofskinimage')

args=parser.parse_args()

forfnameinargs.files:
ifos.path.isfile(fname):
n=Nude(fname)
ifargs.resize:
n.resize(maxheight=800,maxwidth=600)
n.parse()
ifargs.visualization:
n.showSkinRegions()
print(n.result,n.inspect())
else:
print(fname,"isnotafile")


	測試效果

	先來一張很正經(jīng)的測試圖片：

	

	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：

	python3nude.py-v1.jpg

	運(yùn)行截圖：

	

	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，比如膚色檢測公式，色情判定條件，還有性能問題，我得去學(xué)習(xí)一下用多線程或多進(jìn)程提高性能。

	編輯：黃飛