做了个色情图片识别系统

article/2025/10/10 4:41:00

项目介绍

本项目将使用python3去识别图片是否为色情图片,会使用到PIL这个图像处理库,并且编写算法来划分图像的皮肤区域

介绍一下PIL:

PIL(Python Image Library)是一种免费的图像处理工具包,这个软件包提供了基本的图像处理功能,如:改变图像大小,旋转图像,图像格式转化,色场空间转换(这个我不太懂),图像增强(就是改善清晰度,突出图像有用信息),直方图处理,插值(利用已知邻近像素点的灰度值来产生未知像素点的灰度值)和滤波等等。虽然这个软件包要实现复杂的图像处理算法并不太适合,但是python的快速开发能力以及面向对象等等诸多特点使得它非常适合用来进行原型开发。

在 PIL 中,任何一副图像都是用一个 Image 对象表示,而这个类由和它同名的模块导出,因此,要加载一副图像,最简单的形式是这样的:

import Image
img = Image.open(“dip.jpg”)

注意:==第一行的 Image 是模块名;第二行的 img 是一个 Image 对象;== Image 类是在 Image 模块中定义的。关于 Image 模块和 Image 类,切记不要混淆了。现在,我们就可以对 img 进行各种操作了,所有对 img 的 操作最终都会反映到到 dip.img 图像上

环境准备

PIL 2009 年之后就没有更新了,也不支持 Python3 ,于是有了 Alex Clark 领导的公益项目 Pillow 。Pillow 是一个对 PIL 友好的分支,支持 Python3,所以我们这里安装的是 Pillow,这是它的官方文档。

默认已经有python3.0以上和包管理工具pip3。那要执行如下命令升级pip3并安装Pillow 工具包:

sudo install -U pip3
sudo install Pillow

程序原理

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:

  1. 遍历每个像素,检查像素颜色是否为肤色

  2. 将相邻的肤色像素归为一个皮肤区域,得到若干个皮肤区域

  3. 剔除像素数量极少的皮肤区域

我们定义非色情图片的判定规则如下(满足任意一个判断为真):

  1. 皮肤区域的个数小于3个

  2. 皮肤区域的像素与图像所有像素的比值小于15%

  3. 最大皮肤区域小于总皮肤面积的45%

  4. 皮肤区域数量超过60个

这些规则你可以尝试更改,直到程序效果让自己满意为止。关于像素肤色判定这方面,公式可以在网上找到很多,但是世界上不可能有正确率100%的公式。你可以用自己找到的公式,在程序完成后慢慢调试。

  • RGB颜色模式

    第一种:==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==

    第二种:==nr = r / (r + g + b), ng = g / (r + g + b), nb = b / (r +g + b) ,nr / ng > 1.185 and r * b / (r + g + b) ** 2 > 0.107 and r * g / (r + g + b) ** 2 > 0.112==

  • 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

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

遍历所有像素时,我们为每个像素创建一个与之对应的Skin对象,并设置对象的所有属性,其中region属性即为像素所在的皮肤区域编号,创建对象时初始化为无意义的None。关于每个像素的id值,左上角为原点,像素id值按照像素坐标排布,那么看起来如下图:

7a22ab2626f693f195e04fa9edf80a8e.png

其实id的顺序也即遍历的顺序。遍历所有像素时,创建Skin对象后,如果当前像素为肤色,且相邻的像素有肤色的,那么我们把这些肤色像素归到一个皮肤区域。

相邻像素的定义:通常都能想到是当前像素周围的8个像素,然而实际上只需要定义4个就可以了,位置分别在当前像素的左方,左上方,正上方,右上方。因为另外四个像素都在当前像素后面,我们还未给这4个像素创建对应的Skin对象:

84e138e85bca913e5407f1fcf4c0a641.png


实现脚本

直接在python中新建nude.py文件,在这个文件进行代码编写:

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:

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")

collections.namedtuple() 函数实际上是一个返回 Python 中标准元组类型子类的一个工厂方法。你需要传递一个类型名和你需要的字段给它,然后它就会返回一个类,你可以初始化这个类,为你定义的字段传递值等。详情参见官方文档。

然后定义 Nude 类的初始化方法:

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.imageself.image = new_imgself.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 -1self.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

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 对象的元组,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:

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 3maxwidth - 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 = 0if 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 = fnameself.width, self.height = self.image.sizeself.total_pixels = self.width * self.heightret += 1if maxheight:if self.height > maxheight:hpercent = (maxheight / float(self.height))wsize = int((float(self.width) * float(hpercent)))fname = self.image.filenameself.image = self.image.resize((wsize, maxheight), Image.LANCZOS)self.image.filename = fnameself.width, self.height = self.image.sizeself.total_pixels = self.width * self.heightret += 2return ret

Image.resize(size, resample=0)

size – 包含宽高像素数的元祖 (width, height) resample – 可选的重采样滤波器

返回 Image 对象

然后便是最关键之一的解析方法了:

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()

接着,遍历每个像素,为每个像素创建对应的 Skin 对象,其中 self._classify_skin() 这个方法是检测像素颜色是否为肤色:

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]   # redg = pixels[x, y][1]   # greenb = 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。

一定要注意相邻像素的索引值,因为像素的 id 值是从 1 开始编起的,而索引是从 0 编起的。变量 _id是存有当前像素的 id 值, 所以当前像素在 self.skin_map 中的索引值为 _id - 1,以此类推,那么其左方的相邻像素在 self.skin_map 中的索引值为 _id - 1 - 1 ,左上方为 _id - 1 - self.width - 1,上方为 _id - 1 - self.width ,右上方为 _id - 1 - self.width + 1 :

# 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-1check_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

把id值从0编起:

# 用来记录相邻像素中肤色像素所在的区域号,初始化为 -1region = -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 andregion != None and region != -1 andself.skin_map[index].region != region andself.last_from != region andself.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

self._add_merge() 这个方法接收两个区域号,它将会把两个区域号添加到 self.merge_regions 中的元素中,self.merge_regions 的每一个元素都是一个列表,这些列表中存放了 1 到多个的区域号,区域号代表的区域是连通的,需要合并。

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:

  1. 所有相邻像素都不是肤色像素:发现了新的皮肤区域。

  2. 存在区域号为有效值的相邻肤色像素:region 的中存储的值有用了,把当前像素归到这个相邻像素所在的区域。

# 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])

somenamedtuple._replace(kwargs) 返回一个替换指定字段的值为参数的 namedtuple实例

遍历完所有像素之后,图片的皮肤区域划分初步完成了,只是在变量 self.merge_regions 中还有一些连通的皮肤区域号,它们需要合并,合并之后就可以进行色情图片判定了:

# 完成所有区域合并任务,合并整理后的区域存储到 self.skin_regionsself._merge(self.detected_regions, self.merge_regions)# 分析皮肤区域,得到判定结果self._analyse_regions()return self

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:

# 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_classifierreturn ycbcr_classifier

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 = 0.0001if g == 0:g = 0.0001if 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-problemsy = .299*r + .587*g + .114*bcb = 128 - 0.168736*r - 0.331364*g + 0.5*bcr = 128 + 0.5*r - 0.418688*g - 0.081312*breturn y, cb, crdef _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 = 0.0001if _max == r:if diff == 0:h = sys.maxsizeelse:h = (g - b) / diffelif _max == g:h = 2 + ((g - r) / diff)else:h = 4 + ((r - g) / diff)h *= 60if h < 0:h += 360return [h, 1.0 - (3.0 * (_min / _sum)), (1.0 / 3.0) * _max]

self._add_merge() 方法主要是对 self.merge_regions 操作,而self.merge_regions 的元素都是包含一些 int 对象(区域号)的列表,列表中的区域号代表的区域都是待合并的区。self._add_merge() 方法接收两个区域号,将之添加到 self.merge_regions 中。

这两个区域号以怎样的形式添加,要分 3 种情况处理:

  1. 传入的两个区域号都存在于 self.merge_regions 中

  2. 传入的两个区域号有一个区域号存在于 self.merge_regions 中

  3. 传入的两个区域号都不存在于 self.merge_regions 中

具体的处理方法,见代码:

def _add_merge(self, _from, _to):# 两个区域号赋值给类属性self.last_from = _fromself.last_to = _to# 记录 self.merge_regions 的某个索引值,初始化为 -1from_index = -1# 记录 self.merge_regions 的某个索引值,初始化为 -1to_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 = indexif 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

在序列中循环时,索引位置和对应值可以使用 enumerate() 函数同时得到,在上面的代码中,索引位置即为 index ,对应值即为regionself._merge() 方法则是将 self.merge_regions 中的元素中的区域号所代表的区域合并,得到新的皮肤区域列表:

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

self._clear_regions() 方法只将像素数大于指定数量的皮肤区域保留到 self.skin_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)

self._analyse_regions() 是很简单的,它的工作只是进行一系列判断,得出图片是否色情的结论:

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

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。

前面的代码中我们有获得图像的像素的 RGB 值的操作,设置像素的 RGB 值也就是其逆操作,还是很简单的,不过注意设置像素的 RGB 值时不能在原图上操作:

# 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 skinIdSetfor 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, 0else: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))

变量 skinIdSet 使用集合而不是列表是有性能上的考量的,Python 中的集合是哈希表实现的,查询效率很高。最后支持一下命令行参数就大功告成啦!我们使用 argparse 这个模块来实现命令行的支持。argparse 模块使得编写用户友好的命令行接口非常容易。程序只需定义好它要求的参数,然后 argparse 将负责如何从 sys.argv 中解析出这些参数。argparse 模块还会自动生成帮助和使用信息并且当用户赋给程序非法的参数时产生错误信息。

具体使用方法请查看argparse的 官方文档

if __name__ == "__main__":import argparseparser = 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")

测试效果

先来一张很正经的测试图片:

cb135572d15aae1ee30f0811ef2c8fd1.png


在PyCharm中的终端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

运行截图:

51085c96dd66d137bd4a16ecd00fb13c.png


这表示1.jpg不是一张色情图片

总结

这个项目就是熟悉了一下PIL的使用,了解了色情图片检查的原理。主要实现难点是在皮肤区域的检测与整合这一方面。项目还有许多可以改进的地方,比如肤色检测公式,色情判定条件,还有性能问题,我得去学习一下用多线程或多进程提高性能。

来源:码猴小明

本文仅做学术分享,如有侵权,请联系删文


http://chatgpt.dhexx.cn/article/utgVZp5K.shtml

相关文章

图像鉴黄的数据集及相关算法汇总

前方高能预警&#xff0c;非战斗人士请火速撤离…… 数据集1&#xff1a;https://github.com/EBazarov/nsfw_data_source_urls/tree/master/raw_data 在 raw_data 文件夹里&#xff0c;可以找到不同的 .txt 格式的文档&#xff0c;每个文档都含有一组 URL&#xff0c;以下是关…

微信小程序—智能鉴黄、敏感识别

小程序提供内容安全接口 security.imgSecCheck&#xff1a;图片检测 security.msgSecCheck&#xff1a;文本检测 调用效果如下&#xff1a; 敏感信息&#xff0c;不好暴漏&#xff0c;可自行体验 体验路径&#xff1a;扫码>>AI智能系列>>安全检测—敏感词语、黄…

android图片颜色识别器,颜色识别器APP

颜色识别器APP是一款手机上的颜色辨别应用&#xff0c;用户只需用摄像头拍出要识别的颜色&#xff0c;应用就能将颜色信息识别出并转换为相关的颜色信息&#xff0c;如颜色名称&#xff0c;颜色的HEX码、RGB码等&#xff0c;还有实时识别&#xff0c;测色仪&#xff0c;色差计等…

二维码/条码识别、身份证识别、银行卡识别、车牌识别、图片文字识别、黄图识别、驾驶证(驾照)识别

Scanner 项目地址&#xff1a;shouzhong/Scanner 简介&#xff1a; 二维码/条码识别、身份证识别、银行卡识别、车牌识别、图片文字识别、黄图识别、驾驶证&#xff08;驾照&#xff09;识别 更多&#xff1a;作者 提 Bug 标签&#xff1a; >>> reset-###- …

身份证、银行卡、车牌、图片文字识别、黄图识别、驾驶证识别库实现功能

预览图效果&#xff1a; 原文来自&#xff1a;http://code.662p.com/view/19388.html &#xff0c;需要自己去下载就可以了。 使用 依赖 implementation com.shouzhong:Scanner:1.1.3以下选择自己需要的 // zxing implementation com.google.zxing:core:3.3.3 // zbar imp…

黄图识别-open nsfw

大楷简介&#xff1a; open nsfw是一款开源的黄图识别的模型。对的&#xff0c;只是模型。并且有有python的代码作为预测图片是否黄图。 https://github.com/yahoo/open_nsfw 这里网址。 open nsfw是雅虎开源项目caffeonspark&#xff0c;使用深度学习训练得到caffe模型。ns…

计算机无法对NAS硬盘操作,使用计算机为Synology NAS安装DSM操作系统

Synology NAS由硬件&#xff0c;系统和应用程序套件组成. Synology最著名的是DSM操作系统. DSM操作系统是Synology开发的用于存储的智能操作系统. 它不仅功能强大&#xff0c;而且在DSM中可用. 在操作系统上安装各种应用程序包&#xff0c;以满足您的需求. 可以通过手机或计算机…

Delta-Sigma调制(DSM)技术

前言 数字信号处理和通信系统的性能很大程度上受到了模拟信号到数字信号转换接口——ADC的精度和分辨率的限制。而传统的线性脉冲编码调制&#xff08;PCM&#xff09;ADC受到了制造工艺的限制&#xff0c;无法达到很高的分辨率。但基于Delta-Sigma调制技术的ADC可以在现有工艺…

黑群晖 DSM 6.2 3617 成功安装教程

黑群晖简介&#xff1a; 黑群晖指的是不是购买正规的群晖的nas 而是在普通电脑上装群晖nas的系统。从硬件来说&#xff0c;群晖本来就是软阵列&#xff0c;和普通PC的软阵列比&#xff0c;没多大分别&#xff1b;黑群晖给你一个打包好的nas&#xff0c;功能全面的轻量化系统&am…

趋势DSM安装

1、基础环境准备 ①准备一台虚拟机&#xff0c;操作系统&#xff1a;CentOS 7.9(带图形) 4vCPU&#xff0c;16GB内存&#xff0c;200GB存储。 ②虚拟机需要安装数据库(支持MSSQL/Oracle/PostgreSQL)和Java环境。 ③本次环境以PostGreSQL位例&#xff0c;进行安装。 2、Pos…

dsm操作系统服务器,DSM 5.1操作系统提供以下新功能

DSM 5.1操作系统提供以下新功能 DSM 5.1操作系统提供以下新功能&#xff1a; 一、打造你的多媒体娱乐中心 DSM 5.1公开分享功能的覆盖范围遍及多媒体内容、档案与数字笔记&#xff0c;NAS上的档案仅通过一键产生网址的方式就能够实时和他人分享。此外&#xff0c;Video Station…

用户DSN、系统DSN、文件DSN的区别

“ODBC数据源管理器”提供了三种DSN&#xff0c;分别为用户DSN、系统DSN和文件DSN。 文件DSN&#xff1a;是建立一个 DSN 的文件&#xff0c; 信息存在文件里。只能由配置该DSN的用户使用或只能在当前的计算机上使用。 系统DSN&#xff1a;是建立一个系统级的DSN&#xff0c…

黑群晖DSM安装教程及详细配置

本文同步发布在个人博客&#xff1a;YouForever - 专注于互联网分享 欢迎访问 为什么要安装黑群晖 先说说什么是NAS服务器&#xff0c;简单来说就是一个网络存储器&#xff0c;你可以存放音乐、视频、文件等&#xff0c;方便地从各个设备进行访问。而群晖的Synology DSM&#…

nDSM、CHM、DTM、DEM、DSM,剪不断、却理得清

nDSM、CHM、DTM、DEM、DSM&#xff0c;剪不断、却理得清 目前&#xff0c;围绕地形产品这一主题&#xff0c;在测绘、地理信息、林业与生态、地质、土木工程等领域普遍存在DTM、DEM、DSM、nDSM、CHM、DCM等英文缩写词。这些缩写的英文专业名词往往被混淆&#xff0c;即使是部分…

如何通过ABB代理程序备份群晖DSM系统

Active Backup for Business代理程序仅支持7.1系统&#xff0c;6.2系统及虚拟DSM系统不支持。 适用机型 备份还原限制 目的地 NAS 必须为与来源 NAS 相同机种或为后续机种&#xff0c;方可进行系统还原 (例&#xff1a;DS218 可还原至另一台 DS218 或 DS220)。目的地 NAS 所安…

把“友商”装进芯里威联通运行黑群晖最新DSM系统

原文网址&#xff1a;http://www.nasyun.com/forum.php?modviewthread&tid30334&fromuid106494 (出处: NAS云论坛) 接触过威联通NAS的玩家可能知道&#xff0c;威联通X86架构的机型NAS&#xff0c;支持在NAS系统中运行虚拟机软件&#xff0c;从而在里面虚拟化运行各种…

DBMS(数据库管理系统)的功能

DBMS是数据库系统中重要的组成部分&#xff0c;比如用户在数据库中的增删改查操作以及各种控制都是由DBMS进行的。简单来讲&#xff0c;DBMS可以帮助用户、满足用户的需要&#xff0c;从抽象逻辑数据转换成计算机的物理数据&#xff0c;给用户带来很大的便利。 DBMS的主要功能 …

DSM -- 进入linux文件系统

将DSM 设置为SSH可用。 在DSM中 &#xff1a;控制面板 --》 选择 终端机和SNMP --》 选中 启动ssh 将windows的SSH客户端启动。&#xff08;默认windows是关闭的&#xff09; 见 &#xff1a;http://www.blogbus.com/amazingxiu-logs/242929522.html 下载Xshell远程登陆工…

DSS系统架构

2019独角兽企业重金招聘Python工程师标准>>> 基于数据库技术的DSS的解决方案&#xff1a; 数据仓库、OLAP和数据挖掘是作为三种独立的信息处理技术出现的。数据仓库用于数据的存储和组织&#xff0c;OLAP集中于数据的分析&#xff0c;数据挖掘则致力于知识的自动发现…

在群晖 DSM 7.0 系统上如何安装 Plex Media Server

从DSM 6.2 升级到 DSM 7.0 Beta 后 plex 提示修复却无法修复 新版的DSM 7.0 发布后&#xff0c;我第一时间做了升级&#xff0c;升级之后几乎全部的第三方套件都不兼容&#xff0c;官方套件也都处于bate 版&#xff0c;测试阶段。PLEX 在 DSM 预览版阶段就开始了对新的群晖系统…