520,用Python定制你的《本草纲目女孩》
阅读原文时间:2022年05月21日阅读:1

摘要:让我们来用Python定制出心仪的“本草纲目女孩”,敲出魔性的代码舞蹈,520,准备好心仪女孩的舞蹈视频,把这份别出心裁的礼物给TA

本文分享自华为云社区《【云驻共创】华为云AI之用Python定制我的《本草纲目女孩》》,作者:愚公搬代码。

前言

近日,《本草纲目》毽子操的视频刷屏网络。公司里更是多了很多刘畊宏女孩,在520到来之际特意奉献这篇文章给大家。如果有心仪的女孩这篇文章可以帮助你哦。

歌词:抬腿!拍腿!,侧边的肥肉咔咔掉,人鱼线马甲线我都要!刘畊宏的男孩女孩看过来。

让我们来用Python定制出心仪的“本草纲目女孩”,敲出魔性的代码舞蹈,520,准备好心仪女孩的舞蹈视频,把这份别出心裁的礼物给TA️。

一、华为云ModelArts-Notebook介绍

ModelArts集成了基于开源的Jupyter Notebook和JupyterLab,可为您提供在线的交互式开发调试工具。您无需关注安装配置,在ModelArts管理控制台直接使用Notebook,编写和调测模型训练代码,然后基于该代码进行模型的训练。

其中,ModelArts还提供了华为自研的分布式训练加速框架MoXing,您可以在Notebook中使用MoXing编写训练脚本,让您代码编写更加高效、代码更加简洁。

1.1 Jupyter Notebook是什么

Jupyter Notebook是一个可以在浏览器中使用的交互式的计算应用程序,该应用程序的所有可见的内容,以笔记本文档表示,包括计算的输入和输出、解释文本、数学、图像和对象的富媒体等表示。因此,Jupyter Notebook可以实现将代码、文字完美结合起来,非常适合从事机器学习、数据分析等数据科学工作的人员。

Jupyter Notebook相关文档:https://docs.jupyter.org/en/latest/

1.2 JupyterLab是什么

JupyterLab是一个交互式的开发环境,是Jupyter Notebook的下一代产品,可以使用它编写Notebook、操作终端、编辑MarkDown文本、打开交互模式、查看csv文件及图片等功能。

JupyterLab相关文档:https://jupyterlab.readthedocs.io/en/stable/

1.3 什么是Moxing

MoXing是华为云ModelArts团队自研的分布式训练加速框架,它构建于开源的深度学习引擎TensorFlow、MXNet、PyTorch、Keras之上。相对于TensorFlow和MXNet原生API而言,MoXing API让模型代码的编写更加简单,允许用户只需要关心数据输入(input_fn)和模型构建(model_fn)的代码,即可实现任意模型在多GPU和分布式下的高性能运行,降低了TensorFlow和MXNet的使用门槛。另外,MoXing-TensorFlow还将支持自动超参选择和自动模型结构搜索,用户无需关心超参和模型结构,做到模型全自动学习。

Moxing相关文档:https://github.com/huaweicloud/ModelArts-Lab/tree/master/docs/moxing_api_doc

Python由荷兰数学和计算机科学研究学会的吉多·范罗苏姆于1990年代初设计,作为一门叫做ABC语言的替代品。Python提供了高效的高级数据结构,还能简单有效地面向对象编程。Python语法和动态类型,以及解释型语言的本质,使它成为多数平台上写脚本和快速开发应用的编程语言,随着版本的不断更新和语言新功能的添加,逐渐被用于独立的、大型项目的开发。

Python解释器易于扩展,可以使用C语言或C++(或者其他可以通过C调用的语言)扩展新的功能和数据类型。Python也可用于可定制化软件中的扩展程序语言。Python丰富的标准库,提供了适用于各个主要系统平台的源码或机器码。

OpenCV用C++语言编写,它具有C++,Python,Java和MATLAB接口,并支持Windows,Linux,Android和Mac OS,OpenCV主要倾向于实时视觉应用,并在可用时利用MMX和SSE指令,如今也提供对于C#、Ch、Ruby,GO的支持。

opencv-python的github网址:https://pypi.org/project/opencv-python/

OpenCV官网:https://opencv.org/

二、本地案例实现Python定制我的《本草纲目女孩》

众所周知,视频是由一帧帧图像构成,Opencv处理视频图像信息的原理就是将视频转为一帧帧图像,处理完图像后再转换为视频。

用Python实现案例流程如下:

2.1 本机环境

  • vs2022
  • anaconda(已经包括opencv和PIL)
  • python

2.2 安装对应的anaconda包

anaconda这是一个非常常用的python包集成管理工具,其中预安装了很多python库,使得我们不需要去手动安装各种的第三方库,我们知道自己取手动安装的过程中,很容易就会遇到一些报错,解决起来也非常的麻烦。

anaconda官网:https://www.anaconda.com/products/distribution#Downloads

下载完软件包一路点击安装就行了,安装成功后会出现如下界面。

查看是否安装成功命令:conda --version

2.3 安装opencv-python

进入anaconda控制台输入如下命令:

pip install opencv-python

本案例的实现过程主要分为以下几步:

1. 导入数据

  1. 导入库函数
  2. 将视频转化为图像帧
  3. 对图片帧进行ASCII码的转换
  4. 将转换好的图片帧合成视频

3.1 导入数据

视频下载地址:https://cnnorth4-modelhub-datasets-obsfs-sfnua.obs.cn-north-4.myhuaweicloud.com/content/35d24c0e-f337-442b-935f-ef8123062d3e/QzNm9F/dataset/test_demo0510.mp4

3.2 导入库函数

#导入Python库
import cv2
from PIL import Image,ImageFont,ImageDraw
import os
from cv2 import VideoWriter, VideoWriter_fourcc, imread, resize

3.3 将视频转化为图像帧

#将视频转换为图片存入目标文件夹

def video_to_pic(vp):
number = 0

# 判断载入的视频是否可以打开  
if vp.isOpened():

    #r:布尔型 (True 或者False),代表有没有读取到图片,frame:表示截取到的一帧的图片的数据,是个三维数组  
    r,frame = vp.read()

    #判断文件夹是否存在,不存在的话则新建文件夹  
    if not os.path.exists('cache\_pic'):  
        os.mkdir('cache\_pic')  
    os.chdir('cache\_pic')

else:  
    r = False

#遍历视频,并将每一帧图片写入文件夹  
while r:  
    number += 1  
    cv2.imwrite(str(number)+'.jpg',frame)  
    r,frame = vp.read()

print('\\n由视频一共生成了{}张图片!'.format(number))

# 修改当前工作目录至主目录  
os.chdir("..")  
return number

3.4 对图片帧进行ASCII码的转换

#将图片进行批量化处理

def star_to_char(number, save_pic_path):

#判断文件夹是否存在,不存在的话则新建文件夹  
if not os.path.exists('cache\_char'):  
    os.mkdir('cache\_char')

# 生成目标图片文件的路径列表  
img\_path\_list = \[save\_pic\_path + r'/{}.jpg'.format(i) for i in range(1, number + 1)\]  
task = 0

for image\_path in img\_path\_list:

    # 获取图片的分辨率  
    img\_width, img\_height = Image.open(image\_path).size  
    task += 1

    #处理图片,并显示处理进程  
    img\_to\_char(image\_path, img\_width, img\_height, task)

    print('{}/{} is processed.'.format(task, number))

print('=======================')  
print('All pictures were processed!')  
print('=======================')  
return 0

将图片转换为灰度图像后进行ascii_char中的ASCII值输出

函数输入像素RGBA值,输出对应的字符码。其原理是将字符均匀地分布在整个灰度范围内,像素灰度值落在哪个区间就对应哪个字符码。

def get_char(r, g, b, alpha=256):

#ascii\_char就是字符列表,用来将不同灰度的像素进行不同字符体替换的参照。  
ascii\_char = list("#RMNHQODBWGPZ\*@$C&98?32I1>!:-;. ")

#alpha在为0的时候便是完全透明的图片,所以返回空  
if alpha == 0:  
    return ''

length = len(ascii\_char)

#转为灰度图  
#RGBA是代表Red(红色)、Green(绿色)、Blue(蓝色)和Alpha的色彩空间,Alpha通道一般用作不透明度参数  
#如果一个像素的alpha通道数值为0%,那它就是完全透明的,而数值为100%则意味着一个完全不透明的像素

gray = int(0.2126 \* r + 0.7152 \* g + 0.0722 \* b)  
# unit = (256.0 + 1) / len(ascii\_char)  
unit = 256 / len(ascii\_char)  
return ascii\_char\[int(gray / unit)\]  

def img_to_char(image_path, raw_width, raw_height, task):
width = int(raw_width / 6)
height = int(raw_height / 15)

# 以RGB模式打开  
im = Image.open(image\_path).convert('RGB')  
im = im.resize((width, height), Image.NEAREST)

txt = ''  
color = \[\]

#遍历图片的每个像素  
for i in range(height):  
    for j in range(width):  
        pixel = im.getpixel((j, i))

        # 将颜色加入进行索引  
        color.append((pixel\[0\], pixel\[1\], pixel\[2\]))  
        if len(pixel) == 4:  
            txt += get\_char(pixel\[0\], pixel\[1\], pixel\[2\], pixel\[3\])  
        else:  
            txt += get\_char(pixel\[0\], pixel\[1\], pixel\[2\])  
    txt += '\\n'  
    color.append((255, 255, 255))

im\_txt = Image.new("RGB", (raw\_width, raw\_height), (255, 255, 255))  
dr = ImageDraw.Draw(im\_txt)  
font = ImageFont.load\_default().font  
x, y = 0, 0  
font\_w, font\_h = font.getsize(txt\[1\])  
font\_h \*= 1.37  # 调整字体大小  
for i in range(len(txt)):  
    if (txt\[i\] == '\\n'):  
        x += font\_h  
        y = -font\_w  
    dr.text((y, x), txt\[i\], fill=color\[i\])  
    y += font\_w

#存储处理后的图片至文件夹  
os.chdir('cache\_char')  
im\_txt.save(str(task) + '.jpg')

#直接进入新创建的文件夹将生成的图片直接存入文件夹中  
os.chdir("..")  
return 0

3.5 将转换好的图片帧合成视频

# 进度条显示
def process_bar(percent, start_str='', end_str='', total_length=0):
bar = ''.join("■ " * int(percent * total_length)) + ''
bar = '\r' + start_str + bar.ljust(total_length) + ' {:0>4.1f}%|'.format(percent * 100) + end_str
print(bar, end='', flush=True)

#图片帧合成视频

def jpg_to_video(char_image_path, FPS):

# 设置视频编码器,这里使用MP42编码器  
video\_fourcc = VideoWriter\_fourcc(\*"MP42")

# 生成目标字符图片文件的路径列表  
char\_img\_path\_list = \[char\_image\_path + r'/{}.jpg'.format(i) for i in range(1, number + 1)\]

# 获取图片的分辨率  
char\_img\_test = Image.open(char\_img\_path\_list\[1\]).size  
if not os.path.exists('video'):  
    os.mkdir('video')  
video\_writter = VideoWriter('video/output.avi', video\_fourcc, FPS, char\_img\_test)  
sum = len(char\_img\_path\_list)  
count = 0  
for image\_path in char\_img\_path\_list:  
    img = cv2.imread(image\_path)  
    video\_writter.write(img)  
    end\_str = '100%'  
    count = count + 1  
    process\_bar(count / sum, start\_str='', end\_str=end\_str, total\_length=15)

video\_writter.release()  
print('\\n')  
print('=======================')  
print('The video is finished!')  
print('=======================')

3.6 主函数

if __name__ == "__main__":
#初始视频路径
video_path = 'test_demo0510.mp4'

#原始视频转为图片的图片保存路径  
save\_pic\_path = 'cache\_pic'

#图片经处理后的图片保存路径  
save\_charpic\_path = 'cache\_char'

# 读取视频  
vp = cv2.VideoCapture(video\_path)

# 将视频转换为图片 并进行计数,返回总共生成了多少张图片  
number = video\_to\_pic(vp)

# 计算视频帧数  
FPS = vp.get(cv2.CAP\_PROP\_FPS)

# 将图像进行字符串处理后  
star\_to\_char(number, save\_pic\_path)

vp.release()

# 将图片合成为视频  
jpg\_to\_video(save\_charpic\_path, FPS)

3.7 运行结果

运行后一共生成了382张图片,和视频文件,保存在如下文件夹下。

import cv2
from IPython.display import clear_output, Image, display

def show_video(video_path, show_text):
video = cv2.VideoCapture(video_path)

while True:  
    try:  
        clear\_output(wait=True)  
        # 读取视频  
        ret, frame = video.read()  
        if not ret:  
            break  
        height, width, \_ = frame.shape  
        cv2.putText(frame, show\_text, (0, 100), cv2.FONT\_HERSHEY\_TRIPLEX, 3.65, (255, 0, 0), 2)  
        frame = cv2.resize(frame, (int(width / 2), int(height / 2)))  
        \_, ret = cv2.imencode('.jpg', frame)

        display(Image(data=ret))

    except KeyboardInterrupt:  
        video.release()

#视频循环播放
i=1
while i>0:
show_video('video/output.avi',str(i))
i=i+1

三、华为云AI实现Python定制我的《本草纲目女孩》

"本草纲目"健身操字符串视频操作实例的案例页面如下:https://developer.huaweicloud.com/develop/aigallery/Notebook/detail?id=c81526e5-cc88-497f-8a21-41a5632e014e

点击Run in ModelArts,进入JupyterLab页面。

配置当前运行环境,切换规格,并选择免费的就好了。

选择下方代码,点击运行。

运行完成后如下:

选择下方代码,点击运行安装opencv包

pip install opencv_python

#导入Python库
import cv2
from PIL import Image,ImageFont,ImageDraw
import os
from cv2 import VideoWriter, VideoWriter_fourcc, imread, resize

#将视频转换为图片存入目标文件夹

def video_to_pic(vp):
number = 0

# 判断载入的视频是否可以打开  
if vp.isOpened():

    #r:布尔型 (True 或者False),代表有没有读取到图片,frame:表示截取到的一帧的图片的数据,是个三维数组  
    r,frame = vp.read()

    #判断文件夹是否存在,不存在的话则新建文件夹  
    if not os.path.exists('cache\_pic'):  
        os.mkdir('cache\_pic')  
    os.chdir('cache\_pic')

else:  
    r = False

#遍历视频,并将每一帧图片写入文件夹  
while r:  
    number += 1  
    cv2.imwrite(str(number)+'.jpg',frame)  
    r,frame = vp.read()

print('\\n由视频一共生成了{}张图片!'.format(number))

# 修改当前工作目录至主目录  
os.chdir("..")  
return number

#将图片进行批量化处理

def star_to_char(number, save_pic_path):

#判断文件夹是否存在,不存在的话则新建文件夹  
if not os.path.exists('cache\_char'):  
    os.mkdir('cache\_char')

# 生成目标图片文件的路径列表  
img\_path\_list = \[save\_pic\_path + r'/{}.jpg'.format(i) for i in range(1, number + 1)\]  
task = 0

for image\_path in img\_path\_list:

    # 获取图片的分辨率  
    img\_width, img\_height = Image.open(image\_path).size  
    task += 1

    #处理图片,并显示处理进程  
    img\_to\_char(image\_path, img\_width, img\_height, task)

    print('{}/{} is processed.'.format(task, number))

print('=======================')  
print('All pictures were processed!')  
print('=======================')  
return 0

将图片转换为灰度图像后进行ascii_char中的ASCII值输出

函数输入像素RGBA值,输出对应的字符码。其原理是将字符均匀地分布在整个灰度范围内,像素灰度值落在哪个区间就对应哪个字符码。

def get_char(r, g, b, alpha=256):

#ascii\_char就是字符列表,用来将不同灰度的像素进行不同字符体替换的参照。  
ascii\_char = list("#RMNHQODBWGPZ\*@$C&98?32I1>!:-;. ")

#alpha在为0的时候便是完全透明的图片,所以返回空  
if alpha == 0:  
    return ''

length = len(ascii\_char)

#转为灰度图  
#RGBA是代表Red(红色)、Green(绿色)、Blue(蓝色)和Alpha的色彩空间,Alpha通道一般用作不透明度参数  
#如果一个像素的alpha通道数值为0%,那它就是完全透明的,而数值为100%则意味着一个完全不透明的像素

gray = int(0.2126 \* r + 0.7152 \* g + 0.0722 \* b)  
# unit = (256.0 + 1) / len(ascii\_char)  
unit = 256 / len(ascii\_char)  
return ascii\_char\[int(gray / unit)\]  

def img_to_char(image_path, raw_width, raw_height, task):
width = int(raw_width / 6)
height = int(raw_height / 15)

# 以RGB模式打开  
im = Image.open(image\_path).convert('RGB')  
im = im.resize((width, height), Image.NEAREST)

txt = ''  
color = \[\]

#遍历图片的每个像素  
for i in range(height):  
    for j in range(width):  
        pixel = im.getpixel((j, i))

        # 将颜色加入进行索引  
        color.append((pixel\[0\], pixel\[1\], pixel\[2\]))  
        if len(pixel) == 4:  
            txt += get\_char(pixel\[0\], pixel\[1\], pixel\[2\], pixel\[3\])  
        else:  
            txt += get\_char(pixel\[0\], pixel\[1\], pixel\[2\])  
    txt += '\\n'  
    color.append((255, 255, 255))

im\_txt = Image.new("RGB", (raw\_width, raw\_height), (255, 255, 255))  
dr = ImageDraw.Draw(im\_txt)  
font = ImageFont.load\_default().font  
x, y = 0, 0  
font\_w, font\_h = font.getsize(txt\[1\])  
font\_h \*= 1.37  # 调整字体大小  
for i in range(len(txt)):  
    if (txt\[i\] == '\\n'):  
        x += font\_h  
        y = -font\_w  
    dr.text((y, x), txt\[i\], fill=color\[i\])  
    y += font\_w

#存储处理后的图片至文件夹  
os.chdir('cache\_char')  
im\_txt.save(str(task) + '.jpg')

#直接进入新创建的文件夹将生成的图片直接存入文件夹中  
os.chdir("..")  
return 0

# 进度条显示
def process_bar(percent, start_str='', end_str='', total_length=0):
bar = ''.join("■ " * int(percent * total_length)) + ''
bar = '\r' + start_str + bar.ljust(total_length) + ' {:0>4.1f}%|'.format(percent * 100) + end_str
print(bar, end='', flush=True)

#图片帧合成视频

def jpg_to_video(char_image_path, FPS):

# 设置视频编码器,这里使用MP42编码器  
video\_fourcc = VideoWriter\_fourcc(\*"MP42")

# 生成目标字符图片文件的路径列表  
char\_img\_path\_list = \[char\_image\_path + r'/{}.jpg'.format(i) for i in range(1, number + 1)\]

# 获取图片的分辨率  
char\_img\_test = Image.open(char\_img\_path\_list\[1\]).size  
if not os.path.exists('video'):  
    os.mkdir('video')  
video\_writter = VideoWriter('video/output.avi', video\_fourcc, FPS, char\_img\_test)  
sum = len(char\_img\_path\_list)  
count = 0  
for image\_path in char\_img\_path\_list:  
    img = cv2.imread(image\_path)  
    video\_writter.write(img)  
    end\_str = '100%'  
    count = count + 1  
    process\_bar(count / sum, start\_str='', end\_str=end\_str, total\_length=15)

video\_writter.release()  
print('\\n')  
print('=======================')  
print('The video is finished!')  
print('=======================')

if __name__ == "__main__":
#初始视频路径
video_path = 'test_demo0510.mp4'

#原始视频转为图片的图片保存路径  
save\_pic\_path = 'cache\_pic'

#图片经处理后的图片保存路径  
save\_charpic\_path = 'cache\_char'

# 读取视频  
vp = cv2.VideoCapture(video\_path)

# 将视频转换为图片 并进行计数,返回总共生成了多少张图片  
number = video\_to\_pic(vp)

# 计算视频帧数  
FPS = vp.get(cv2.CAP\_PROP\_FPS)

# 将图像进行字符串处理后  
star\_to\_char(number, save\_pic\_path)

vp.release()

# 将图片合成为视频  
jpg\_to\_video(save\_charpic\_path, FPS)

等待主函数执行完成,后会生成如下三个文件夹:

总结

本文主要介绍了本地开发和华为云ModelArts开发两种形式,从开发流程中大家也明白那种形式开发更简单。

ModelArts是面向开发者的一站式AI开发平台,为机器学习与深度学习提供海量数据预处理及半自动化标注、大规模分布式Training、自动化模型生成,及端-边-云模型按需部署能力,帮助用户快速创建和部署模型,管理全周期AI工作流。

华为云ModelArts-Notebook云开发的优势不需要本地进行安装资源包,在ModelArts-Notebook环境就已经集成了这些环境,减少了人为部署压力,更易于上手、更高性能、一站式服务、支持多种主流框架。


本文整理自华为云社区【内容共创】活动第16期。查看活动详情:https://bbs.huaweicloud.com/blogs/352652

点击关注,第一时间了解华为云新鲜技术~