520，用Python定制你的《本草纲目女孩》
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TA❤️。
一、华为云ModelArts-Notebook介绍
1.华为云ModelArts-Notebook
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：//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：//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：//github.com/huaweicloud/ModelArts-Lab/tree/master/docs/moxing_api_doc
2.Python-Opencv
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：//pypi.org/project/opencv-python/
OpenCV官网：//opencv.org/
二、本地案例实现Python定制我的《本草纲目女孩》
1.案例实现流程
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.案例环境部署
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：//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
3.案例实现代码
本案例的实现过程主要分为以下几步：
1. 导入数据 2. 导入库函数 3. 将视频转化为图像帧 4. 对图片帧进行ASCII码的转换 5. 将转换好的图片帧合成视频
3.1 导入数据
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。
4.案例播放代码
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》
1.基础配置
“本草纲目”健身操字符串视频操作实例的案例页面如下：//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。
2.导入数据
选择下方代码，点击运行。
运行完成后如下：
3.安装相关依赖
选择下方代码，点击运行安装opencv包
pip install opencv_python
4.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
5.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
6.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
7.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('=======================')
8.运行主函数
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)
等待主函数执行完成，后会生成如下三个文件夹：
9.播放视频
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：//bbs.huaweicloud.com/blogs/352652
