大数据文摘出品
作者：曹培信、宁静
一年一度的大学开学季，一年一度的军训季。
在六月中旬高考结束之后，万千学子迎来了他们人生中最长也是最无忧无虑的假期，到了八月底九月初，他们将踏上人生的一段重要旅程——大学。
然而等待他们的第一课，便是军训。
每所高校对军训的要求不同，从时间来看，短的只有5天，长的多达一个月，根据网上一份军训时间排行榜，比如清华大学，以34天稳居第二。(警校排第一也是无可厚非了，不过吉林的院校确实热衷军训，前十中两所吉林的院校上榜)
除了一些开始又晚、时间又长的院校(比如重庆大学)，大部分院校的军训应该已经结束了，然而经历了军姿、齐步、正步、阅兵甚至拉练的“摧残”后，军训岁月在身上留下的最深的痕迹便是——晒!黑!了!
图片来自网络
军训前和军训后，就是“白古”和“黑古”的差别啊!想知道自己军训后究竟晒黑了多少么?下面文摘菌就带你用Python看看，自己究竟军训后黑了几个度。
基于RGB和YCbCr颜色空间的混合肤色检测
想知道自己的皮肤颜色，首先要将皮肤检测出来。
肤色检测有很多方法，比如：
- 基于RGB的颜色空间模型;
- 基于椭圆皮肤模型的皮肤检测;
- YCrCb颜色空间Cr分量+Otsu法阈值分割;
- 基于YCrCb颜色空间Cr,Cb范围筛选法;
- HSV颜色空间H范围筛选法;
- opencv自带肤色检测类AdaptiveSkinDetector;
相关链接：https://blog.csdn.net/qq_22527639/article/details/81501565
2004年，Georgy Kukharev和Adam Nowosielski为了提高模型的稳定性，将多个颜色空间结合，提出RGB颜色空间和YCbCr颜色空间的混合肤色检测器。像素值满足如下条件：
实现的代码也很简单，首先引入必要的包：
- import cv2
- import numpy as np
- from matplotlib import pyplot as plt
然而操纵图像，将RGB颜色空间3通道的值和YCbCr颜色空间3通道的值结合起来，然后根据判别条件进行肤色检测：
- def skin_color(imgFile):
- # load an original image
- img = cv2.imread(imgFile)
- rows,cols,channels = img.shape
- # convert color space from rgb to ycbcr
- imgYcc = cv2.cvtColor(img, cv2.COLOR_BGR2YCR_CB)
- # convert color space from bgr to rgb
- img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
- # prepare an empty image space
- imgSkin = np.zeros(img.shape, np.uint8)
- # copy original image
- imgimgSkin = img.copy()
- s=0
- sum_R=sum_G=sum_B=0
- for r in range(rows):
- for c in range(cols):
- # non-skin area if skin equals 0, skin area otherwise
- skin = 0
- # get values from rgb color space
- R = img.item(r,c,0)
- G = img.item(r,c,1)
- B = img.item(r,c,2)
- # get values from ycbcr color space
- Y = imgYcc.item(r,c,0)
- Cr = imgYcc.item(r,c,1)
- Cb = imgYcc.item(r,c,2)
- # skin color detection
- if R > G and R > B:
- if (G >= B and 5 * R - 12 * G + 7 * B >= 0) or (G < B and 5 * R + 7 * G - 12 * B >= 0):
- if Cr > 135 and Cr < 180 and Cb > 85 and Cb < 135 and Y > 80:
- # print 'Skin detected!'
参考链接：https://blog.csdn.net/shadow_guo/article/details/43635181
对比色卡，看看你黑了几度
检测出了皮肤的区域，我们就需要将皮肤区域的颜色RGB值计算出来，然后与色卡进行对比。
说到色卡，不得不提到Pantone(潘通)——一家专注于研究颜色的公司，以其Pantone颜色匹配系统(PMS)而闻名，该系统被广泛用于各种行业，特别是平面设计，时装设计，产品设计，印刷和制造，并支持从设计到生产的色彩管理。
2013年，潘通发布了一款彩通肤色指南(PANTONE SkinTone Guide)，这个指南根据科学测量各种人类皮肤类型中数千种实际肤色而建立，为再现实体肤色而配制，被称为人类肤色的完整视觉参考。
110种人类肤色被从1Y01 SP至4R15 SP编号，适用于各个人种。
文摘菌从中选取了比符合中国人肤色的1Y01-1Y13作为对比色卡。
从左至右依次为0-12度
然后将肤色颜色RGB与色卡的RGB数值进行对比，因为人眼对于R、G、B的敏感程度不同，在转换的时候需要给予不同的权重。
人类视觉对绿色最敏感，因此它具有最大的系数值(0.7152)，对蓝色最不敏感，因此具有最小的系数(0.0722)。
- def Compare(list,color):
- min=100
- count=len(list)
- for i in range(count):
- value=list[i]
- error=abs(color[0]-value[0])*0.2126+abs(color[1]-value[1])*0.7152+abs(color[2]-value[2])*0.0722
- if(error<min):
- min=error
- iindex=i
- return index+1
最后我们输入“白古”和“黑古”的图片，与比色卡的RGB数值进行对比，输出结果：
- if __name__ == '__main__':
- img_before= 'images/before1.jpg'
- img_after='images/after.jpg'
- color_before=skin_color(img_before)
- color_after=skin_color(img_after)
- print("before:the extracted RGB value of the skin color is {0}".format(color_before))
- print("after:the extracted RGB value of the color is {0}".format(color_after))
- list=[(200, 172, 153), (200, 169, 149), (197, 166, 145), (194, 163, 142), (190, 157, 134), (187, 152, 129), (182, 146, 121), (177, 136, 108), (168, 127, 100), (160, 118, 90), (148, 108, 81), (135, 98, 73), (119, 87, 65)]
- #color_dir="skin_color"
- #skincolor.load_color(color_dir,list)
- #print(list)
- #print(list)
- degree_before=Compare(list,color_before)
- degree_after=Compare(list,color_after)
- print("before:the degree of the skin color is {0}".format(degree_before))
- print("after:the degree of the skin color is {0}".format(degree_after))
输出的结果如下图所示：
也就是说，“黑古”比“白古”整整黑了5个度，虽然文摘菌认为结果可能还有偏差，因为12是比色表的最高值，“黑古”很可能已经爆表了。
军训结束，写代码的日子开始了
也许当你拍下自己军训后的照片，用文摘菌的代码和自己一个月前的自拍对比了一下，然后留下了伤心的眼泪。
文摘菌想告诉你：你不是一个人在战斗!
今年参加军训的大学新生有数百万，短则5天，长则一个月的军训，风吹日晒，大家的皮肤变黑在所难免，然而，就算是1个月的军训，也并不能真正掌握多少军事技能，其实重要的还是原本初次见面还陌生的同班同学，通过军训开始熟络起来;原本还陌生的校园，也齐步走了几个来回。
可以说，军训是大学的预科班，结束了军训，就正式开始了大学生活。
文摘菌本着行业内人士的身份，自然要对那些报读计算机相关专业的新生们说一句：军训结束，你们写代码的日子就要开始了!
也许在某个深夜，当你停下敲击键盘的双手，抚摸着额前稀疏的头发，你可能会意识到，原来军训并不是大学最痛苦的时候。
【本文是51CTO专栏机构大数据文摘的原创译文，微信公众号“大数据文摘（ id: BigDataDigest）”】
