当前位置: 首页 > news >正文

【情人节专属】AI一键预测你和Ta的CP值

如何预测你和心仪的Ta有没有夫妻相?

基于华为云ModelArts开发的一键预测你和Ta的CP值Demo帮你预测CP指数。

该模型利用ssim算法综合计算五官特征相似程度,从而得出CP值。

//夫妻相的原理在当今心理学、生物学仍有很大争议,夫妻相指数高并不意味着两人未来一定会幸福美满,也不能预判彼此关系变好变坏。本案例只适用于AI技术的学习以及情人节娱乐。

1.下载需要的海报文件和字体

import osimport os.path as osp
import moxing as mox
parent = osp.join(os.getcwd(),'Valentine')
if not os.path.exists(parent):mox.file.copy_parallel('obs://modelarts-labs-bj4-v2/case_zoo/Valentine',parent)if os.path.exists(parent):print('Download success')else:raise Exception('Download Failed')
else:print("Model Package already exists!") 

2.使用ssim算法计算夫妻相

import numpy as np
import cv2
import random
import matplotlib.pyplot as plt
from matplotlib import font_manager
import warnings
from scipy.signal import convolve2d 
from PIL import Image,ImageDraw,ImageFontwarnings.filterwarnings('ignore')
def matlab_style_gauss2D(shape=(3,3),sigma=0.5):"""2D gaussian mask - should give the same result as MATLAB'sfspecial('gaussian',[shape],[sigma])"""m,n = [(ss-1.)/2. for ss in shape]y,x = np.ogrid[-m:m+1,-n:n+1]h = np.exp( -(x*x + y*y) / (2.*sigma*sigma) )h[ h < np.finfo(h.dtype).eps*h.max() ] = 0sumh = h.sum()if sumh != 0:h /= sumhreturn hdef filter2(x, kernel, mode='same'):return convolve2d(x, np.rot90(kernel, 2), mode=mode)def compute_ssim(im1, im2, k1=0.01, k2=0.04, win_size=11, L=255):if not im1.shape == im2.shape:raise ValueError("Input Imagees must have the same dimensions")if len(im1.shape) > 2:raise ValueError("Please input the images with 1 channel")M, N = im1.shapeC1 = (k1*L)**2C2 = (k2*L)**2window = matlab_style_gauss2D(shape=(win_size,win_size), sigma=0.5)window = window/np.sum(np.sum(window))if im1.dtype == np.uint8:im1 = np.double(im1)if im2.dtype == np.uint8:im2 = np.double(im2)mu1 = filter2(im1, window, 'valid')mu2 = filter2(im2, window, 'valid')mu1_sq = mu1 * mu1mu2_sq = mu2 * mu2mu1_mu2 = mu1 * mu2sigma1_sq = filter2(im1*im1, window, 'valid') - mu1_sqsigma2_sq = filter2(im2*im2, window, 'valid') - mu2_sqsigmal2 = filter2(im1*im2, window, 'valid') - mu1_mu2ssim_map = ((2*mu1_mu2+C1) * (2*sigmal2+C2)) / ((mu1_sq+mu2_sq+C1) * (sigma1_sq+sigma2_sq+C2))return np.mean(np.mean(ssim_map))def img_show(similarity, img1, img2, name1, name2):# similarity = random.uniform(60,100)zt = "./Valentine/方正兰亭准黑_GBK.ttf"my_font = font_manager.FontProperties(fname = zt,size =20 )img1 = cv2.resize(img1, (520, 520))img2 = cv2.resize(img2, (520, 520))imgs = np.hstack([img1, img2])imgs2 = imgs[:,:, ::-1]plt.axis('off')plt.title('{0} VS {1} \n CP指数: {2}%'.format(name1, name2, round(similarity, 2)), fontproperties=my_font)plt.imshow(imgs2)path = "a.jpg"cv2.imwrite(path, imgs)# img = cv2ImgAddText(imgs, '夫妻相: {}%'.format(round(similarity, 2)), 350, 130, (255, 0 , 0), 50)# cv2.imshow('image1 vs image2', img)# cv2.waitKey()

3.修改预置的视频和图片

在Valentine文件夹下,有一个预置的1.png和2.png图片,大家可以将里面的图片替换成自己的,图片的名称不建议修改,如果修改成其他的名称,后面的路径也要进行相应的修改。

点击此处上传你和Ta的照片(不会留存照片信息,推理完成后内存数据会自动清除)

上传成功

if __name__ == '__main__':name1 = input('请输入图1照片姓名: \n')name2 = input('请输入图2照片姓名: \n')img1_path = 'Valentine/1.png'img2_path = 'Valentine/2.png'img1 = cv2.imread(img1_path)img2 = cv2.imread(img2_path)im1 = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY)im2 = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY)im1 = cv2.resize(im1, (520,520))im2 = cv2.resize(im2, (520,520))similarity = compute_ssim(im1, im2)*100if similarity == 100:raise ValueError("图片重复! 请重新上传图片")random.seed(similarity)add_score = random.uniform(1, 100-similarity)similarity += add_scoreimg_show(similarity, img1, img2, name1, name2)

注意:输入图1图2照片姓名后都需要按下回车键

预测成功:

image = Image.open("a.jpg")
image = image.resize((498,278))

4.打印输出海报

import os
from PIL import Image,ImageDraw,ImageFont,ImageFilter
from PIL import ImageFile
ImageFile.LOAD_TRUNCATED_IMAGES = True

填写创作者名称

右键即可下载海报

海报如下:

http://www.lryc.cn/news/5540.html

相关文章:

  • 一文浅谈sql中的 in与not in,exists与not exists的区别以及性能分析
  • 2023前端面试题——JS篇
  • 微服务中API网关的作用是什么?
  • python爬虫--xpath模块简介
  • 【论文阅读】基于意图的网络(Intent-Based Networking,IBN)研究综述
  • 【云原生kubernetes】k8s service使用详解
  • Python 数据可视化的 3 大步骤,你知道吗?
  • CSS基础:盒子模型和浮动
  • OpenHarmony使用Socket实现一个TCP服务端详解
  • kafka监控工具安装和使用
  • 近期工作感悟
  • 大数据框架之Hadoop:HDFS(三)HDFS客户端操作(开发重点)
  • 多模式支持无线监控技术:主动式定位、被动式定位
  • Cy5 Alkyne,1223357-57-0,花青素Cyanine5炔基,氰基5炔烃
  • 【MySQL】MySQL 中 WITH 子句详解:从基础到实战示例
  • c/c++开发,无可避免的模板编程实践(篇一)
  • mulesoft MCIA 破釜沉舟备考 2023.02.13.04
  • Camtasia2023最新版本新功能及快捷键教程
  • Fabric磁盘扩容后数据迁移
  • 大厂光环下的功能测试,出去面试自动化一问三不知
  • SATA SSD需要NCQ开启吗?
  • 知识图谱业务落地技术推荐之图神经网络算法库图计算框架汇总
  • ==与equals()的区别
  • 【人工智能】对贝叶斯网络进行吉布斯采样
  • Java 面向对象基础
  • RocketMQ源码(21)—ConsumeMessageConcurrentlyService并发消费消息源码
  • 基于 STM32+FPGA 的多轴运动控制器的设计
  • 《爆肝整理》保姆级系列教程python接口自动化(十三)--cookie绕过验证码登录(详解
  • soapui + groovy 接口自动化测试
  • Linux内存管理(三十五):内存规整简介