Python|用Python生成NFT超像素风格头像算法

【Python|用Python生成NFT超像素风格头像】

文章图片

文章图片

文章图片

文章图片

我们是三界外团队，聚焦 XR、3D 重建与生成技术，努力探索 Web3 mev 与资产合成。
TLDR;通读本文，你将具备用自己的 python 代码，将任意照片转化成超像素风格的图片。想直接拿来就跑的同学，可以关注私信我获取~

像素NFT近年NFT非常火热，即便币圈整体缩水，并未熄灭大家投入NFT的热情。传奇的一笔NFT交易，发生在 CryptoPunks（加密朋克），一共有一万枚，每一枚都是一张像素点组成的头像。 CryptoPunk #3100是一个带着头带的外星人，大约一年前以767万美元的价格售出，后续被挂到接近1亿美金的报价（当时的 35000枚ETH）。

除了web3先驱加巨鳄们的参与，饶舌明星 Snoop Dogg 以及 Eminem 都是无聊猿 NFT 的持有者，在6月还为此创作了一首歌 ‘From The D 2 The LBC ’ 。
笔者的朋友 Allen 老师，也参加了社区的NFT发行，据透露最重要的投入就是设计师。于是，我向有没有一些简单的方法，可以把任意一张照片，都做成超像素风头像。
像素化照片的方法，简易做法是采用马赛克方式，将图片切分为NxM的棋盘格，每个格子取像素的均值做填充。但成像效果上，在局部的连续性上不友好，比如银桑的眼睛、剑柄和DeadPool的剑柄。经过进一步的调研，找到了 SLIC (Simple Linear Iterative Clustering) 方法，是一种线性聚类的方法，能够将色度接近的邻近像素做聚合。下面简单对比了马赛克方式和 SLIC 的效果。（想要马赛克代码的同学，也可以关注后私信我~）

SLIC原理超像素分割 SLIC 是一种迭代聚类算法。出自 PAMI2012 论文 SLIC Superpixels Compared to State-of-the-art Superpixel Methods 。超像素概念出自于图像分割技术，是指有相似纹理、颜色、亮度的相邻的有视觉意义的不规则连续像素块。

通过图像局部近似性的描述，能够把图像的结构语义信息做一层提取。用少量的超像素代替大量的像素来做图片表征，降低后处理复杂度。经常被用在 CV 中的预处理环节，广泛用于分割、姿态估计、目标监测等场景。
slic 算法的逻辑，先看一下下图，不用被这么多的细节吓到。简单讲，就两部分：
1）局部 k-means ， k-means 算法会遍历所有的像素点，但依托图像自身的语义相邻特点，我们每次只需要搜索聚类中心附近的像素块就够，能够较好的缩减计算量；
2）图像差异距离公式，这个公式需要同时能计算得到‘色彩距离’和’像素距离’；

局部k-meanskmeans 的逻辑，通过初始化 K 个类簇的中心点。遍历紧邻像素区块，计算每个像素和 K个中心点的‘距离’ ，将最近的一个类簇关联到当前像素。
距离‘距离’等于 ’空间距离’ +‘色彩距离’ 。空间距离，像素点在图片中本身就有 x、y 的空间概念，聚类中心同样以归属到当前类像素的 x、y 均值表示。这部分直接用欧式距离计算。色彩距离用 CIELab 色彩空间l ， a ， b表示，可以简单理解为与 RGB 一致，但优于 RGB 表示的一种色彩模式。更多 CIELab 的背景知识见附录。