python opencv 利用HSV，YUV（YCbCr）实现皮肤检测与抠图，与磨皮美颜

皮肤检测与抠图

皮肤检测的方法很多，这里写的是最简单的方法，感兴趣的同学可以自己加上椭圆检测，膨胀腐蚀等，使得检测与抠图更加精确。github上许多人脸识别的算法，可以多学习那些。

HSV颜色空间

hsv涉及心理学的颜色知识，比rgb检测具有更好的分类效果

python 代码

def get_skin_hsv（img）
	hsv_img = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
	back = np.zeros(img.shape, np.uint8)
	(h, s, v) = cv2.split(hsv_img)
	(x, y) = h.shape
	for i in range(x):
    	for j in range(y):
        	if (h0[i][j] > 0) and (h0[i][j] < 20) and (s0[i][j] > 48) and (s0[i][j] < 255) and (v0[i][j] > 50) and (v0[i][j] < 255):
            back[i][j] = img[i][j]
     return back

效果

本来放图了，后来想想放别人的图都不合适，感兴趣的大佬自己去试吧。

YUV

yuv色彩空间是考虑人眼对亮谙更敏感的特性，在数据存储，传输时的省去部分信息存储的方法。用于皮肤检测效果也挺好。https://www.cnblogs.com/ALittleDust/p/5935983.html这篇博文对yuv的讲解很详细，感兴趣的同学可以去看。

python代码

def get_skin_yuv(img)
	ycrcb_img = cv2.cvtColor(img, cv2.COLOR_BGR2YCrCb)
	(y, cr, cb) = cv2.split(ycrcb_img)
	(x, y) = cr.shape
	back = np.zeros(img.shape, np.uint8)
	for i in range(x):
    	for j in range(y):
        	if (cr[i][j] > 133) and (cr[i][j] < 173) and (cb[i][j] > 77) and (cb[i][j] < 127):
            	back[i][j]=img[i][j]
            	img[i][j]=0      #这样做是为了让原图与滤波后的图合成时更准确
	return back 

效果

感兴趣的大佬自己试吧。

磨皮美颜

磨皮美艳的关键是用什么函数进行滤波，以及参数的设置。如果美图秀秀或者PS开源的话，我想开源社区能把美艳修图发挥到极致。
参考网上大佬的做法，我也选择双边滤波和高斯滤波。
考虑到参数太难调试的问题，我设置了一个滑动条，方便手动调节参数。代码中仅提供了双边滤波的参数设置条，对高斯滤波的参数设置，原理一样。

python滑动条

"""
a,b,c分别接受滑动条位置信息，作为双边滤波的参数d,sigmaColor,sigmaSpace
"""
def noting(x):
    pass
cv2.namedWindow('image')
cv2.createTrackbar('d','image',0,50,noting)
cv2.createTrackbar('sigmaColor', 'image', 0, 255,noting)
cv2.createTrackbar('sigmaSpace', 'image', 0, 255,noting)
a = cv2.getTrackbarPos('d', 'image')
b = cv2.getTrackbarPos('sigmaColor', 'image')
c = cv2.getTrackbarPos('sigmaSpace', 'image')

双边滤波和高斯滤波

"""
对我们的皮肤抠图back0单独滤波，这样可以保证背景不在转换过程中失真。最后要与原图合起来
"""
img0 = np.zeros(img.shape, np.uint8)
infmg_1 = np.zeros(img.shape, np.uint8)
infmg_2 = np.zeros(img.shape, np.uint8)
infmg_3 = np.zeros(img.shape, np.uint8)
infmg_4 = np.zeros(img.shape, np.uint8)
while (1):
    key = cv2.waitKey(1)
    if key > 0:
        break
    a2 = cv2.getTrackbarPos('d', 'image')
    b2 = cv2.getTrackbarPos('sigmaColor', 'image')
    c2 = cv2.getTrackbarPos('sigmaSpace', 'image')
    if a2!=a or b2!=b or c2!=c:
        cv2.bilateralFilter(back0, a, b, c, infmg_1)
        a,b,c=a2,b2,c2
		dst1 = infmg_1 - back0 + 128
		# cv2.imshow("双边滤波", dst1)
		infmg_2 = cv2.GaussianBlur(dst1, (1, 1), 0, 0)
		infmg_3 = back0 + 2 * infmg_2 - 255
		# cv2.imshow("高斯滤波", infmg_3)
		infmg_4 = cv2.addWeighted(back0, 0.2, infmg_3, 0.8, 0)
		img0 = cv2.add(img, infmg_4)     #img是原图，infmg_4是最终滤波的结果        
		cv2.imshow("美颜结果", img0)
		
cv2.imwrite("美颜结果.jpg", img0)
while 1:
    key = cv2.waitKey(1)
    if key > 0:
        break
cv2.destroyAllWindows()

效果

本来放图了，后来想想放别人的图都不合适，感兴趣的大佬自己去试吧。