听说各大网站的色情图片识别都是用的这个程序？Python识别色情图

 

 

 

 

2.2 程序原理

本程序根据颜色（肤色）找出图片中皮肤的区域，然后通过一些条件判断是否为色情图片。

程序的关键步骤如下：

 

• HSV 颜色模式
• h > 0 and h < 35 and s > 0.23 and s < 0.68
• YCbCr 颜色模式
• 97.5 <= cb <= 142.5 and 134 <= cr <= 176

一幅图像有零个到多个的皮肤区域，程序按发现顺序给它们编号，第一个发现的区域编号为 0，第 n 个发现的区域编号为 n-1

我们用一种类型来表示像素，我们给这个类型取名为 Skin ，包含了像素的一些信息：唯一的 编号（ id ），是/否肤色（ skin ），皮肤区域号（ region ），横坐标（ x ），纵坐标（ y）

 

 

接下来实现细节部分

2.3 实现脚本

在 /home/shiyanlou/ 目录下新建 nude.py 文件，我们将在这个文件中进行代码的编写：

导入所需要的模块

import sys
import os
import _io
from collections import namedtuple
from PIL import Image

我们将设计一个 Nude 类:

class Nude(object):

这个类里面我们首先使用 collections.namedtuple() 定义一个 Skin 类型

Skin = namedtuple("Skin", "id skin region x y")

 

def __init__(self, path_or_image):
 # 若 path_or_image 为 Image.Image 类型的实例，直接赋值
 if isinstance(path_or_image, Image.Image):
 self.image = path_or_image
 # 若 path_or_image 为 str 类型的实例，打开图片
 elif isinstance(path_or_image, str):
 self.image = Image.open(path_or_image)

 # 获得图片所有颜色通道
 bands = self.image.getbands()
 # 判断是否为单通道图片（也即灰度图），是则将灰度图转换为 RGB 图
 if len(bands) == 1:
 # 新建相同大小的 RGB 图像
 new_img = Image.new("RGB", self.image.size)
 # 拷贝灰度图 self.image 到 RGB图 new_img.paste （PIL 自动进行颜色通道转换）
 new_img.paste(self.image)
 f = self.image.filename
 # 替换 self.image
 self.image = new_img
 self.image.filename = f

 # 存储对应图像所有像素的全部 Skin 对象
 self.skin_map = []
 # 检测到的皮肤区域，元素的索引即为皮肤区域号，元素都是包含一些 Skin 对象的列表
 self.detected_regions = []
 # 元素都是包含一些 int 对象（区域号）的列表
 # 这些元素中的区域号代表的区域都是待合并的区域
 self.merge_regions = []
 # 整合后的皮肤区域，元素的索引即为皮肤区域号，元素都是包含一些 Skin 对象的列表
 self.skin_regions = []
 # 最近合并的两个皮肤区域的区域号，初始化为 -1
 self.last_from, self.last_to = -1, -1
 # 色情图像判断结果
 self.result = None
 # 处理得到的信息
 self.message = None
 # 图像宽高
 self.width, self.height = self.image.size
 # 图像总像素
 self.total_pixels = self.width * self.height

本实验代码中使用到的模块中的函数均可以在其模块的文档中找到，一定要培养查阅文档的习惯

• isinstane(object, classinfo)
• 如果参数 object 是参数 classinfo 的实例，返回真，否则假；参数 classinfo 可以是一个包含若干 type 对象的元祖，如果参数 object 是其中任意一个类型的实例，返回真，否则假

涉及到效率问题，越大的图片所需要消耗的资源与时间越大，因此有时候可能需要对图片进行缩小

所以需要有图片缩小方法

 

 

若当前像素并不是肤色，那么跳过本次循环，继续遍历

# 若当前像素不为肤色像素，跳过此次循环
 if not isSkin:
 continue

若当前像素是肤色像素，那么就需要处理了，先遍历其相邻像素

 

 

检测的图像里，有些前几行的像素的相邻像素并没有 4 个，所以需要用 try “试错”

然后相邻像素的若是肤色像素，如果两个像素的皮肤区域号都为有效值且不同，因为两个区域中的像素相邻，那么其实这两个区域是连通的，说明需要合并这两个区域。记录下此相邻肤色像素的区域号，之后便可以将当前像素归到这个皮肤区域里了。

遍历完所有相邻像素后，分两种情况处理

 

方法 self._merge() 便是用来合并这些连通的皮肤区域的

方法 self._analyse_regions() ，运用之前在程序原理一节定义的非色情图像判定规则，从而得到判定结果

现在编写我们还没写过的调用过的 Nude 类的方法

首先是 self._classify_skin() 方法，这个方法是检测像素颜色是否为肤色，之前在程序原理一节已经把肤色判定该公式列举了出来，现在是用的时候了

 

颜色模式的转换并不是本实验的重点，转换公式可以在网上找到，这里我们直接拿来用就行

def _to_normalized(self, r, g, b):
 if r == 0:
 r = 0.0001
 if g == 0:
 g = 0.0001
 if b == 0:
 b = 0.0001
 _sum = float(r + g + b)
 return [r / _sum, g / _sum, b / _sum]

def _to_ycbcr(self, r, g, b):
 # 公式来源：
 # 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
 return y, 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:
 if diff == 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
 if h < 0:
 h += 360

 return [h, 1.0 - (3.0 * (_min / _sum)), (1.0 / 3.0) * _max]

 

def _add_merge(self, _from, _to):
 # 两个区域号赋值给类属性
 self.last_from = _from
 self.last_to = _to

 # 记录 self.merge_regions 的某个索引值，初始化为 -1
 from_index = -1
 # 记录 self.merge_regions 的某个索引值，初始化为 -1
 to_index = -1


 # 遍历每个 self.merge_regions 的元素
 for index, region in enumerate(self.merge_regions):
 # 遍历元素中的每个区域号
 for r_index in region:
 if r_index == _from:
 from_index = index
 if r_index == _to:
 to_index = index

 # 若两个区域号都存在于 self.merge_regions 中
 if from_index != -1 and to_index != -1:
 # 如果这两个区域号分别存在于两个列表中
 # 那么合并这两个列表
 if from_index != to_index:
 self.merge_regions[from_index].extend(self.merge_regions[to_index])
 del(self.merge_regions[to_index])
 return

 # 若两个区域号都不存在于 self.merge_regions 中
 if from_index == -1 and to_index == -1:
 # 创建新的区域号列表
 self.merge_regions.append([_from, _to])
 return
 # 若两个区域号中有一个存在于 self.merge_regions 中
 if from_index != -1 and to_index == -1:
 # 将不存在于 self.merge_regions 中的那个区域号
 # 添加到另一个区域号所在的列表
 self.merge_regions[from_index].append(_to)
 return
 # 若两个待合并的区域号中有一个存在于 self.merge_regions 中
 if from_index == -1 and to_index != -1:
 # 将不存在于 self.merge_regions 中的那个区域号
 # 添加到另一个区域号所在的列表
 self.merge_regions[to_index].append(_from)
 return

 

def _merge(self, detected_regions, merge_regions):
 # 新建列表 new_detected_regions 
 # 其元素将是包含一些代表像素的 Skin 对象的列表
 # new_detected_regions 的元素即代表皮肤区域，元素索引为区域号
 new_detected_regions = []

 # 将 merge_regions 中的元素中的区域号代表的所有区域合并
 for index, region in enumerate(merge_regions):
 try:
 new_detected_regions[index]
 except IndexError:
 new_detected_regions.append([])
 for r_index in region:
 new_detected_regions[index].extend(detected_regions[r_index])
 detected_regions[r_index] = []

 # 添加剩下的其余皮肤区域到 new_detected_regions
 for region in detected_regions:
 if len(region) > 0:
 new_detected_regions.append(region)

 # 清理 new_detected_regions
 self._clear_regions(new_detected_regions)

 # 添加剩下的其余皮肤区域到 new_detected_regions
 for region in detected_regions:
 if len(region) > 0:
 new_detected_regions.append(region)

 # 清理 new_detected_regions
 self._clear_regions(new_detected_regions)

 

然后可以组织下分析得出的信息

def inspect(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 类如果就这样完成了，最后运行脚本时只能得到一些真或假的结果，我们需要更直观的感受程序的分析效果，我们可以生成一张原图的副本，不过这个副本图片中只有黑白色，白色代表皮肤区域，那么这样我们能直观感受到程序分析的效果了

 

 

if __name__ == "__main__":
 import argparse

 parser = argparse.ArgumentParser(description='Detect nudity in images.')
 parser.add_argument('files', metavar='image', nargs='+',
 help='Images you wish to test')
 parser.add_argument('-r', '--resize', action='store_true',
 help='Reduce image size to increase speed of scanning')
 parser.add_argument('-v', '--visualization', action='store_true',
 help='Generating areas of skin image')

 args = parser.parse_args()

 for fname in args.files:
 if os.path.isfile(fname):
 n = Nude(fname)
 if args.resize:
 n.resize(maxheight=800, maxwidth=600)
 n.parse()
 if args.visualization:
 n.showSkinRegions()
 print(n.result, n.inspect())
 else:
 print(fname, "is not a file")

2.4. 测试效果

使用 wget 把测试用图片下载下来

$ wget http://labfile.oss.aliyuncs.com/courses/589/1.jpg

运行下面的命令执行脚本，注意是 python3 而不是 python

$ python3 nude.py -v 1.jpg

现在你可以等待程序结果，结果出来后，你还可以查看 -v 选项生成的效果展示图片

三、实验总结

本次实验熟悉了下 PIL 的使用，了解了色情图片检测的原理，整个实验难点是在皮肤区域的检测与整合这一方面，这方面不是很清楚的同学多多阅读思考，如果有什么疑问或者建议的话可以留言，实验楼会尽力解答你的问题，建议写下实验报告，将自己的思考过程记录下来是很有好处的

本实验还有许多可以改进的地方，比如肤色检测的公式，色情判定条件，还有性能问题，同学可以自己尝试改进，比如性能问题可以尝试多线程或多进程

四、完整代码

代码也可以下载下来

$ wget http://labfile.oss.aliyuncs.com/courses/589/nude.py

代码：

import sys
import os
import _io
from collections import namedtuple
from PIL import Image

class Nude(object):

 Skin = namedtuple("Skin", "id skin region x y")

 def __init__(self, path_or_image):
 # 若 path_or_image 为 Image.Image 类型的实例，直接赋值
 if isinstance(path_or_image, Image.Image):
 self.image = path_or_image
 # 若 path_or_image 为 str 类型的实例，打开图片
 elif isinstance(path_or_image, str):
 self.image = Image.open(path_or_image)

 # 获得图片所有颜色通道
 bands = self.image.getbands()
 # 判断是否为单通道图片（也即灰度图），是则将灰度图转换为 RGB 图
 if len(bands) == 1:
 # 新建相同大小的 RGB 图像
 new_img = Image.new("RGB", self.image.size)
 # 拷贝灰度图 self.image 到 RGB图 new_img.paste （PIL 自动进行颜色通道转换）
 new_img.paste(self.image)
 f = self.image.filename
 # 替换 self.image
 self.image = new_img
 self.image.filename = f

 # 存储对应图像所有像素的全部 Skin 对象
 self.skin_map = []
 # 检测到的皮肤区域，元素的索引即为皮肤区域号，元素都是包含一些 Skin 对象的列表
 self.detected_regions = []
 # 元素都是包含一些 int 对象（区域号）的列表
 # 这些元素中的区域号代表的区域都是待合并的区域
 self.merge_regions = []
 # 整合后的皮肤区域，元素的索引即为皮肤区域号，元素都是包含一些 Skin 对象的列表
 self.skin_regions = []
 # 最近合并的两个皮肤区域的区域号，初始化为 -1
 self.last_from, self.last_to = -1, -1
 # 色情图像判断结果
 self.result = None
 # 处理得到的信息
 self.message = None
 # 图像宽高
 self.width, self.height = self.image.size
 # 图像总像素
 self.total_pixels = self.width * self.height

 def resize(self, maxwidth=1000, maxheight=1000):
 """
 基于最大宽高按比例重设图片大小，
 注意：这可能影响检测算法的结果

 如果没有变化返回 0
 原宽度大于 maxwidth 返回 1
 原高度大于 maxheight 返回 2
 原宽高大于 maxwidth, maxheight 返回 3

 maxwidth - 图片最大宽度
 maxheight - 图片最大高度
 传递参数时都可以设置为 False 来忽略
 """
 # 存储返回值
 ret = 0
 if maxwidth:
 if self.width > maxwidth:
 wpercent = (maxwidth / self.width)
 hsize = int((self.height * wpercent))
 fname = self.image.filename
 # Image.LANCZOS 是重采样滤波器，用于抗锯齿
 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
 if maxheight:
 if self.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
 return ret

 # 分析函数
 def parse(self):
 # 如果已有结果，返回本对象
 if self.result is not None:
 return self
 # 获得图片所有像素数据
 pixels = self.image.load()
 # 遍历每个像素
 for y in range(self.height):
 for x in range(self.width):
 # 得到像素的 RGB 三个通道的值
 # [x, y] 是 [(x,y)] 的简便写法
 r = pixels[x, y][0] # red
 g = pixels[x, y][1] # green
 b = pixels[x, y][2] # blue
 # 判断当前像素是否为肤色像素
 isSkin = True if self._classify_skin(r, g, b) else False
 # 给每个像素分配唯一 id 值（1, 2, 3...height*width）
 # 注意 x, y 的值从零开始
 _id = x + y * self.width + 1
 # 为每个像素创建一个对应的 Skin 对象，并添加到 self.skin_map 中
 self.skin_map.append(self.Skin(_id, isSkin, None, x, y))
 # 若当前像素不为肤色像素，跳过此次循环
 if not isSkin:
 continue

 # 设左上角为原点，相邻像素为符号 *，当前像素为符号 ^，那么相互位置关系通常如下图
 # ***
 # *^

 # 存有相邻像素索引的列表，存放顺序为由大到小，顺序改变有影响
 # 注意 _id 是从 1 开始的，对应的索引则是 _id-1
 check_indexes = [_id - 2, # 当前像素左方的像素
 _id - self.width - 2, # 当前像素左上方的像素
 _id - self.width - 1, # 当前像素的上方的像素
 _id - self.width] # 当前像素右上方的像素
 # 用来记录相邻像素中肤色像素所在的区域号，初始化为 -1
 region = -1
 # 遍历每一个相邻像素的索引
 for index in check_indexes:
 # 尝试索引相邻像素的 Skin 对象，没有则跳出循环
 try:
 self.skin_map[index]
 except IndexError:
 break
 # 相邻像素若为肤色像素：
 if self.skin_map[index].skin:
 # 若相邻像素与当前像素的 region 均为有效值，且二者不同，且尚未添加相同的合并任务
 if (self.skin_map[index].region != None and
 region != None and region != -1 and
 self.skin_map[index].region != region and
 self.last_from != region and
 self.last_to != self.skin_map[index].region) :
 # 那么这添加这两个区域的合并任务
 self._add_merge(region, self.skin_map[index].region)
 # 记录此相邻像素所在的区域号
 region = self.skin_map[index].region
 # 遍历完所有相邻像素后，若 region 仍等于 -1，说明所有相邻像素都不是肤色像素
 if region == -1:
 # 更改属性为新的区域号，注意元祖是不可变类型，不能直接更改属性
 _skin = self.skin_map[_id - 1]._replace(region=len(self.detected_regions))
 self.skin_map[_id - 1] = _skin
 # 将此肤色像素所在区域创建为新区域
 self.detected_regions.append([self.skin_map[_id - 1]])
 # region 不等于 -1 的同时不等于 None，说明有区域号为有效值的相邻肤色像素
 elif region != None:
 # 将此像素的区域号更改为与相邻像素相同
 _skin = self.skin_map[_id - 1]._replace(region=region)
 self.skin_map[_id - 1] = _skin
 # 向这个区域的像素列表中添加此像素
 self.detected_regions[region].append(self.skin_map[_id - 1])
 # 完成所有区域合并任务，合并整理后的区域存储到 self.skin_regions
 self._merge(self.detected_regions, self.merge_regions)
 # 分析皮肤区域，得到判定结果
 self._analyse_regions()
 return self


 # self.merge_regions 的元素都是包含一些 int 对象（区域号）的列表
 # self.merge_regions 的元素中的区域号代表的区域都是待合并的区域
 # 这个方法便是将两个待合并的区域号添加到 self.merge_regions 中
 def _add_merge(self, _from, _to):
 # 两个区域号赋值给类属性
 self.last_from = _from
 self.last_to = _to

 # 记录 self.merge_regions 的某个索引值，初始化为 -1
 from_index = -1
 # 记录 self.merge_regions 的某个索引值，初始化为 -1
 to_index = -1


 # 遍历每个 self.merge_regions 的元素
 for index, region in enumerate(self.merge_regions):
 # 遍历元素中的每个区域号
 for r_index in region:
 if r_index == _from:
 from_index = index
 if r_index == _to:
 to_index = index

 # 若两个区域号都存在于 self.merge_regions 中
 if from_index != -1 and to_index != -1:
 # 如果这两个区域号分别存在于两个列表中
 # 那么合并这两个列表
 if from_index != to_index:
 self.merge_regions[from_index].extend(self.merge_regions[to_index])
 del(self.merge_regions[to_index])
 return

 # 若两个区域号都不存在于 self.merge_regions 中
 if from_index == -1 and to_index == -1:
 # 创建新的区域号列表
 self.merge_regions.append([_from, _to])
 return
 # 若两个区域号中有一个存在于 self.merge_regions 中
 if from_index != -1 and to_index == -1:
 # 将不存在于 self.merge_regions 中的那个区域号
 # 添加到另一个区域号所在的列表
 self.merge_regions[from_index].append(_to)
 return
 # 若两个待合并的区域号中有一个存在于 self.merge_regions 中
 if from_index == -1 and to_index != -1:
 # 将不存在于 self.merge_regions 中的那个区域号
 # 添加到另一个区域号所在的列表
 self.merge_regions[to_index].append(_from)
 return

 # 合并该合并的皮肤区域
 def _merge(self, detected_regions, merge_regions):
 # 新建列表 new_detected_regions 
 # 其元素将是包含一些代表像素的 Skin 对象的列表
 # new_detected_regions 的元素即代表皮肤区域，元素索引为区域号
 new_detected_regions = []

 # 将 merge_regions 中的元素中的区域号代表的所有区域合并
 for index, region in enumerate(merge_regions):
 try:
 new_detected_regions[index]
 except IndexError:
 new_detected_regions.append([])
 for r_index in region:
 new_detected_regions[index].extend(detected_regions[r_index])
 detected_regions[r_index] = []

 # 添加剩下的其余皮肤区域到 new_detected_regions
 for region in detected_regions:
 if len(region) > 0:
 new_detected_regions.append(region)

 # 清理 new_detected_regions
 self._clear_regions(new_detected_regions)

 # 皮肤区域清理函数
 # 只保存像素数大于指定数量的皮肤区域
 def _clear_regions(self, detected_regions):
 for region in detected_regions:
 if len(region) > 30:
 self.skin_regions.append(region)

 # 分析区域
 def _analyse_regions(self):
 # 如果皮肤区域小于 3 个，不是色情
 if len(self.skin_regions) < 3:
 self.message = "Less than 3 skin regions ({_skin_regions_size})".format(
 _skin_regions_size=len(self.skin_regions))
 self.result = False
 return self.result

 # 为皮肤区域排序
 self.skin_regions = sorted(self.skin_regions, key=lambda s: len(s),
 reverse=True)

 # 计算皮肤总像素数
 total_skin = float(sum([len(skin_region) for skin_region in self.skin_regions]))

 # 如果皮肤区域与整个图像的比值小于 15%，那么不是色情图片
 if total_skin / self.total_pixels * 100 < 15:
 self.message = "Total skin percentage lower than 15 ({:.2f})".format(total_skin / self.total_pixels * 100)
 self.result = False
 return self.result

 # 如果最大皮肤区域小于总皮肤面积的 45%，不是色情图片
 if len(self.skin_regions[0]) / total_skin * 100 < 45:
 self.message = "The biggest region contains less than 45 ({:.2f})".format(len(self.skin_regions[0]) / total_skin * 100)
 self.result = False
 return self.result

 # 皮肤区域数量超过 60个，不是色情图片
 if len(self.skin_regions) > 60:
 self.message = "More than 60 skin regions ({})".format(len(self.skin_regions))
 self.result = False
 return self.result

 # 其它情况为色情图片
 self.message = "Nude!!"
 self.result = True
 return self.result

 # 基于像素的肤色检测技术
 def _classify_skin(self, r, g, b):
 # 根据RGB值判定
 rgb_classifier = 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
 # 根据处理后的 RGB 值判定
 nr, ng, nb = self._to_normalized(r, g, b)
 norm_rgb_classifier = nr / ng > 1.185 and \
 float(r * b) / ((r + g + b) ** 2) > 0.107 and \
 float(r * g) / ((r + g + b) ** 2) > 0.112

 # HSV 颜色模式下的判定
 h, s, v = self._to_hsv(r, g, b)
 hsv_classifier = h > 0 and \
 h < 35 and \
 s > 0.23 and \
 s < 0.68

 # YCbCr 颜色模式下的判定
 y, cb, cr = self._to_ycbcr(r, g, b)
 ycbcr_classifier = 97.5 <= cb <= 142.5 and 134 <= cr <= 176

 # 效果不是很好，还需改公式
 # return rgb_classifier or norm_rgb_classifier or hsv_classifier or ycbcr_classifier
 return ycbcr_classifier

 def _to_normalized(self, r, g, b):
 if r == 0:
 r = 0.0001
 if g == 0:
 g = 0.0001
 if b == 0:
 b = 0.0001
 _sum = float(r + g + b)
 return [r / _sum, g / _sum, b / _sum]

 def _to_ycbcr(self, r, g, b):
 # 公式来源：
 # 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
 return y, 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:
 if diff == 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
 if h < 0:
 h += 360

 return [h, 1.0 - (3.0 * (_min / _sum)), (1.0 / 3.0) * _max]

 def inspect(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)

 # 将在源文件目录生成图片文件，将皮肤区域可视化
 def showSkinRegions(self):
 # 未得出结果时方法返回
 if self.result is None:
 return
 # 皮肤像素的 ID 的集合
 skinIdSet = set()
 # 将原图做一份拷贝
 simage = self.image
 # 加载数据
 simageData = simage.load()

 # 将皮肤像素的 id 存入 skinIdSet
 for sr in self.skin_regions:
 for pixel in sr:
 skinIdSet.add(pixel.id)
 # 将图像中的皮肤像素设为白色，其余设为黑色
 for pixel in self.skin_map:
 if pixel.id not in skinIdSet:
 simageData[pixel.x, pixel.y] = 0, 0, 0
 else:
 simageData[pixel.x, pixel.y] = 255, 255, 255
 # 源文件绝对路径
 filePath = os.path.abspath(self.image.filename)
 # 源文件所在目录
 fileDirectory = os.path.dirname(filePath) + '/'
 # 源文件的完整文件名
 fileFullName = os.path.basename(filePath)
 # 分离源文件的完整文件名得到文件名和扩展名
 fileName, fileExtName = os.path.splitext(fileFullName)
 # 保存图片
 simage.save('{}{}_{}{}'.format(fileDirectory, fileName,'Nude' if self.result else 'Normal', fileExtName))

if __name__ == "__main__":
 import argparse

 parser = argparse.ArgumentParser(description='Detect nudity in images.')
 parser.add_argument('files', metavar='image', nargs='+',
 help='Images you wish to test')
 parser.add_argument('-r', '--resize', action='store_true',
 help='Reduce image size to increase speed of scanning')
 parser.add_argument('-v', '--visualization', action='store_true',
 help='Generating areas of skin image')

 args = parser.parse_args()

 for fname in args.files:
 if os.path.isfile(fname):
 n = Nude(fname)
 if args.resize:
 n.resize(maxheight=800, maxwidth=600)
 n.parse()
 if args.visualization:
 n.showSkinRegions()
 print(n.result, n.inspect())
 else:
 print(fname, "is not a file")

进群：125240963  即可获取源码！