拍个自拍，让Python告诉你，军训过后你黑了几度？

关注

转载最新推荐文章于 2026-09-22 10:45:14 发布 151 阅读 AI 写同款· GEO 优化 ›

python期末总结 python大一上半学期期末总结不知不觉就度过一个学期，作为一名顺利度过大一上半学期的学生，我受益颇丰。回顾加入泸州职业技术学院来的点点滴滴，历历在目。　　学习方面，我克服了从高中到大学转变的种种不适，经过一学期的锻炼，我认识到了大学与高中在学习动机、学习动力以及学习习惯方面的重大区别，并有了一点心得。　　通过这一学期，我适应了大学的生活，让自己在新的人生旅程里有了一个好的开始。也让我明白自己将来要走怎样的路，明确了路的方向。进入大学，第一学期就这样悄无声息的过了，在学业上，好像我并没有太大的收获。但阅读详情

640?wx_fmt=png

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）

640?wx_fmt=png

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！

640?wx_fmt=png

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.youkuaiyun.com/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：

640?wx_fmt=jpeg

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	
        imgSkin = 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.youkuaiyun.com/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。

640?wx_fmt=jpeg

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。

640?wx_fmt=jpeg

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。

640?wx_fmt=png

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	
            index=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：

640?wx_fmt=png