大鱼的博客

在网上下载了beyond的mp3文件，发现看起来没问题，一旦加入到音乐软件就会乱码，看起来说因为音乐文件加载到元数据思路参考了这个文章解决Mac电脑音乐显示歌名的乱码问题_音频文件乱码-CSDN博客不过这个只能解决名称乱码，我发现专辑名也会乱码，因此进行了调整from mutagen.id3 import ID3, TIT2,TALBimport osimport glob# 指定你想要遍历的文件夹路径folder_path = '/xxxx/Beyond-MP3' # 替换为

但需要在遇到人机验证的时候，手动点击，这里直接使用百度ai来检测图片是什么，主要是基于removebg的人机检测的图片主要就两种，一种是黄蜂，一种是植物，当然有更好的办法，这个是有专门的工具，我这里使用百度ai就能搞定，就没去折腾了。代码仅供参考，需要的自己进行优化。

仅供参考，这里写的是2个进程，根据自己电脑性能来写合适的数量。

运行就行了，不过前提需要准备好图片的url链接，并且电脑需要安装谷歌浏览器，并且下载对应的chromedriver。removebg虽提供了api，但是一个月就给50张实在是不够用，因此使用了python模拟点击。

【代码】insightface实战：画出嘴巴和眼睛的mask。

因为，有人发现在单通道的时候是depth_to_space和pixel_shuffle结果是一样的，所以拆分出来计算好在合并就行，这样速度基本上没有增加多少，亲测速度也是很快的，比从头开始实现pixel_shuffle是快非常多的。如果使用这样的从头开始实现，转出来的tflite是没法运行在手机上面的，因为tf.transpose的维度太多了，tflite在手机上不支持6个维度的transpose的，因为超过5个维度就会产生flex层，flex层是不被支持的。新建pytorch模型。

这个简单解释一下，right_toplist1屏蔽的是走右侧的热搜，s_main屏蔽的是首页新闻。然后就能在浏览器的扩展，其他浏览器类似的地方，这里使用的360极速浏览器来演示。这样就没有垃圾新闻影响我们的注意力了。

这样打开就不会弹狗币的360首页了，真他吗的流氓，其他的浏览器也是这样设置就行。细心会发现，右键浏览器图标-属性-快捷方式这能看到流氓的360。不管你使用什么浏览器都很容易中招360给你自动设置的首页，目标这个地方会有360的地址，删除就行，这里已经删了。你在浏览器设置新的首页一样无效，比如。完全没有卵用，这流氓的不行，而且。

pdf文件过大，经常会是一个问题，但是市面上基本上都是收费的工具，wps需要开会员才能使用。文件直接小了10倍，打开看也不影响观感，还是比较帮的。

首先得将人像进行皮肤分割，具体最好是使用AI模型，这里就不展开了，本人侧重点是美白算法，所以这里直接使用了一张皮肤分割好的mask图。人像美白在现在的美颜功能里面几乎属于必备的，各家的方案都不太一致，本文主要介绍一种基于肤色分割的人像美白方案。mask图的效果如下图所示，白色区域为皮肤区域，黑色区域为非皮肤区域。我们可以看到，上图的美白效果还是很自然，而且逻辑也非常简单。

【代码】Python图像高光调整。

在gimp里面有曝光的功能。

写的非常棒，我使用python简单的实现了一下，看起来还不错。如果想使用，可以稍微调整一些参数就能达到一个不错的效果了。运行的速度也很快，在pc上面，能到0.15s。

不管是作为影视后期还是航拍和各种单反，是离不开lut的，使用lut来进行调色，就是将原图的rgb的数值映射成自己想要的rgb值，这样就能起到调色的作用。于是在网上找了几个图来计算，这里采样的是16，因此就是16*16*16的尺寸，虽然会比较粗糙一些。讲lut 3d比较清楚，基本上就能知道是怎么回事。

基本上和opencv的结果一致，但是速度快了很多，而且可以自定义sigma，这样就可以根据实际情况选择合适的sigma值了。

在很多图像处理的软件有柔光的效果，，这里就很好奇是怎么实现的，于是就看了一些gimp的源码，然后使用python进行复现了一下，这里会稍微有点差距，因为为了省事就直接使用的cv2的高斯模糊，没有想gimp里面直接分x和y方向单独实现高斯模糊，不过效果基本上还是在的，（3）将原图和（2）的结果进行合并。（2）对（1）的图进行高斯模糊。（1）计算锐化和亮度。

下面我使用python简单的实现一下resize，这里所说的resize都是放大的resize，因为缩小尺寸根本用不到插值，只需要在原图进行采样即可，所以我这里说的resize是针对放大尺寸来说的。不过需要注意的是，python这样运行分辨率较大时会很慢，可以考虑使用numpy的矩阵运算的方式进行运行或者修改成一些加速库，这里只是展示一些原理学习，并不能直接使用在工程项目里面。具体来说，就是使用先计算出Px1和Px2的数值，然后再计算出来Py1和Py2，最终计算出来P的数值。

使用python进行了重新复现，这个算法的效果很不错，比起遍地都是的方法（version1）会好一些，version1方法会明显祛除不干净的。我再放大一些可能会更加明显。

原博客是c++，我这边只是使用python进行翻译了一下。

然后需要做的就是配置一下我们刚才的D盘的路径，不然代码是默认识别的路径是c盘的，我们需要在安装torch的路径下面找到hub.py（D:\xxx\Lib\site-packages\torch）文件，打开进行修改None为你D盘的路径就行了。然后进入到torch\hub\checkpoints，把里面的模型拷贝至如下的路径：D:\cache\torch\hub\checkpoints。然后以后使用torchvision的下载的文件也会在这里了，这样的修改时非常方便的，非常有效。