Python?計算機視覺編程進(jìn)階之圖像特效處理篇
更新時間：2021年11月24日 09:56:18 作者：一馬歸一碼
計算機視覺這種技術(shù)可以將靜止圖像或視頻數(shù)據(jù)轉(zhuǎn)換為一種決策或新的表示。所有這樣的轉(zhuǎn)換都是為了完成某種特定的目的而進(jìn)行的，本篇我們來學(xué)習(xí)下如何對圖像進(jìn)行特效處理
前言
參考的一些文章以及論文我都會給大家分享出來 —— 鏈接就貼在原文，論文我上傳到資源中去，大家可以免費下載學(xué)習(xí)，如果當(dāng)天資源區(qū)找不到論文，那就等等，可能正在審核，審核完后就可以下載了。大家一起學(xué)習(xí)，一起進(jìn)步！加油??！
圖像特效處理一般是對圖像的像素點的通道、灰度值值等進(jìn)行操作，達(dá)到想要的結(jié)果，下面將會給大家一一呈現(xiàn)一些簡單特效的原理以及代碼實現(xiàn)，希望能夠?qū)Υ蠹矣幸欢ǖ膸椭?/p>
話不多說，先是本系列文章的經(jīng)典操作之讀取圖像信息：
"""
Author:XiaoMa
date:2021/11/16
"""
import cv2
import numpy as np
import math
import matplotlib.pyplot as plt
img0 = cv2.imread('E:\From Zhihu\For the desk\cvfifteen1.jpg')
img1 = cv2.cvtColor(img0, cv2.COLOR_BGR2GRAY)
h, w = img0.shape[:2]
print(h, w)
cv2.imshow("W0", img0)
cv2.imshow("W1", img1)
cv2.waitKey(delay = 0)
得到的圖像信息如下：
386 686
1. 毛玻璃特效
毛玻璃特效的原理是在當(dāng)前的像素點的鄰域內(nèi)隨機取一個像素點來代替它，從而達(dá)到一個毛玻璃的模糊的效果。代碼如下，已經(jīng)添加了注釋，如果有看不懂的地方評論區(qū)留言大家一起討論。
#毛玻璃特效
img2 = np.zeros((h, w, 3), np.uint8) #生成與原圖像等大的全零矩陣
for i in range(0, h - 6): #防止下面的隨機數(shù)超出邊緣
for j in range(0, w - 6):
index = int(np.random.random()*6) #0~6的隨機數(shù)
(b, g, r) = img0[i + index, j + index]
img2[i, j] = (b, g, r)
cv2.imshow("W2", img2)
cv2.waitKey(delay = 0)
得到的效果如下：
由于取隨機數(shù)的時候必須要減去邊緣的那些像素點值，所以圖像的右邊界和下邊界不可避免的出現(xiàn)了未填充區(qū)域。
在寫博客的時候突然心生一計，如果我們在創(chuàng)建全零矩陣時就對邊界進(jìn)行限定不就可以了嘛，試了一下，果然可以??！如下：
#毛玻璃特效
img2 = np.zeros((h - 6, w - 6, 3), np.uint8) #生成的全零矩陣考慮到了隨機數(shù)范圍，變小了
for i in range(0, h - 6): #防止下面的隨機數(shù)超出邊緣
for j in range(0, w - 6):
index = int(np.random.random()*6) #0~6的隨機數(shù)
(b, g, r) = img0[i + index, j + index]
img2[i, j] = (b, g, r)
cv2.imshow("W2", img2)
cv2.waitKey(delay = 0)
經(jīng)過上述方式生成的毛玻璃特效就不會出現(xiàn)未填充部位，但圖像的尺寸確實小了。
2. 浮雕特效
Python 實現(xiàn)浮雕特效的原理是先勾勒出圖像的邊界曲線，然后降低邊界周圍的像素值，從而得到一幅立體的浮雕形式的圖像。
#浮雕特效(需要對灰度圖像進(jìn)行操作)
img3 = np.zeros((h, w, 3), np.uint8)
for i in range(0, h):
for j in range(0, w - 2): #減2的效果和上面一樣
grayP0 = int(img1[i, j])
grayP1 = int(img1[i, j + 2]) #取與前一個像素點相鄰的點
newP = grayP0 - grayP1 + 150 #得到差值，加一個常數(shù)可以增加浮雕立體感
if newP > 255:
newP = 255
if newP < 0:
newP = 0
img3[i, j] = newP
cv2.imshow("W3", img3)
cv2.waitKey(delay = 0)
得到效果如下：
3. 素描特效
該特效實現(xiàn)較為簡單，直接在代碼中給出注釋：
#素描特效
img4 = 255 - img1 #對原灰度圖像的像素點進(jìn)行反轉(zhuǎn)
blurred = cv2.GaussianBlur(img4, (21, 21), 0) #進(jìn)行高斯模糊
inverted_blurred = 255 - blurred #反轉(zhuǎn)
img4 = cv2.divide(img1, inverted_blurred, scale = 127.0) #灰度圖像除以倒置的模糊圖像得到鉛筆素描畫
cv2.imshow("W4", img4)
cv2.waitKey(delay = 0)
4. 懷舊特效
懷舊特效需要專門的 R, G, B 通道的轉(zhuǎn)換公式來對圖像的三個通道進(jìn)行處理，轉(zhuǎn)換公式為：
實現(xiàn)代碼如下：
#懷舊特效
img5 = np.zeros((h, w, 3), np.uint8)
for i in range(0, h):
for j in range(0, w):
B = 0.272 * img0[i, j][2] + 0.534 * img0[i, j][1] + 0.131 * img0[i, j][0]
G = 0.349 * img0[i, j][2] + 0.686 * img0[i, j][1] + 0.168 * img0[i, j][0]
R = 0.393 * img0[i, j][2] + 0.769 * img0[i, j][1] + 0.189 * img0[i, j][0]
if B > 255:
B = 255
if G > 255:
G = 255
if R > 255:
R = 255
img5[i, j] = np.uint8((B, G, R))
cv2.imshow("W5", img5)
cv2.waitKey(delay = 0)
得到效果如下：
這個特效計算量比起前面的幾種還是有點大的，需要對像素點進(jìn)行遍歷，然后計算每一個點的三個通道的值。
5. 流年特效
比起前面的懷舊特效，流年特效只需要對圖像的每一個像素點的藍(lán)色通道（B）進(jìn)行簡單調(diào)整就可以了，首先是對其開根號，然后乘以一個參數(shù)即可，實現(xiàn)代碼如下：
#流年特效
img6 = np.zeros((h, w, 3), np.uint8)
for i in range(0, h):
for j in range(0, w):
B = math.sqrt(img0[i, j][0]) *14 # B通道的數(shù)值開平方乘以參數(shù)14
G = img0[i, j][1]
R = img0[i, j][2]
if B > 255:
B = 255
img6[i, j] = np.uint8((B, G, R))
cv2.imshow("W6", img6)
cv2.waitKey(delay = 0)
大家可以多修改參數(shù)進(jìn)行調(diào)試，觀察不同的參數(shù)下的效果。
6. 水波特效
水波特效是使用三角函數(shù)得到波紋的傳遞函數(shù)，然后根據(jù)設(shè)定的中心進(jìn)行特效的生成，該部分的算法有點難度，多嘗試幾次就可以了，以后博主有時間會專門出一片水波特效的介紹博文。實現(xiàn)代碼如下：
#水波特效
img7 = np.zeros((h, w, 3), np.uint8)
wavelength = 20 #定義水波特效波長
amplitude = 30 #幅度
phase = math.pi / 4 #相位
centreX = 0.5 #水波中心點X
centreY = 0.5 #水波中心點Y
radius = min(h, w) / 2
icentreX = w*centreX #水波覆蓋寬度
icentreY = h*centreY #水波覆蓋高度
for i in range(0, h):
for j in range(0, w):
dx = j - icentreX
dy = i - icentreY
distance = dx * dx + dy * dy
if distance > radius * radius:
x = j
y = i
else:
# 計算水波區(qū)域
distance = math.sqrt(distance)
amount = amplitude * math.sin(distance / wavelength * 2 * math.pi - phase)
amount = amount * (radius - distance) / radius
amount = amount * wavelength / (distance + 0.0001)
x = j + dx * amount
y = i + dy * amount
# 邊界判斷
if x < 0:
x = 0
if x >= w - 1:
x = w - 2
if y < 0:
y = 0
if y >= h - 1:
y = h - 2
p = x - int(x)
q = y - int(y)
# 圖像水波賦值
img7[i, j, :] = (1 - p) * (1 - q) * img0[int(y), int(x), :] + p * (1 - q) * img0[int(y), int(x), :]
+ (1 - p) * q * img0[int(y), int(x), :] + p * q * img0[int(y), int(x), :]
cv2.imshow("W7", img7)
cv2.waitKey(delay = 0)
得到效果如下：
由于這張圖片剛好波紋附近是頭發(fā)，導(dǎo)致得到的波紋顯得不太清晰，可以換幾張圖片嘗試一下，看看該算法的效果。
7. 卡通特效
該特效主要原理是提取圖像的邊界輪廓，然后和原圖像相與得到最終的卡通化效果，代碼如下，已添加注釋：
#卡通特效
num_bilateral = 7 #定義雙邊濾波的數(shù)目
for i in range(num_bilateral): #雙邊濾波處理，除去噪聲，保留邊界
img_color = cv2.bilateralFilter(img0, d = 9, sigmaColor = 5, sigmaSpace = 3)
img_blur = cv2.medianBlur(img1, 7) # 中值濾波處理
img_edge = cv2.adaptiveThreshold(img_blur, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, blockSize = 5, C = 2) #邊緣檢測及自適應(yīng)閾值化處理，提取邊界
img_edge = cv2.cvtColor(img_edge, cv2.COLOR_GRAY2RGB) #轉(zhuǎn)換回彩色圖像
img8 = cv2.bitwise_and(img0, img_edge) #圖像的與運算
cv2.imshow('W8', img8)
cv2.waitKey(delay = 0)
得到效果如下：
如果對實現(xiàn)的效果不滿意，可以不斷調(diào)整雙邊濾波和中值濾波的參數(shù)，直到找到較為滿意的效果。
8. 將圖像都匯總到一張圖中
基礎(chǔ)操作，沒啥可注釋的，直接上代碼：
#將所有圖像保存到一張圖中
plt.rcParams['font.family'] = 'SimHei'
imgs = [img0, img1, img2, img3, img4, img5, img6, img7, img8]
titles = ['原圖', '灰度圖', '毛玻璃特效', '浮雕特效', '素描特效', '懷舊特效', '流年特效', '水波特效', '卡通特效']
for i in range(9):
imgs[i] = cv2.cvtColor(imgs[i], cv2.COLOR_BGR2RGB)
plt.subplot(3, 3, i + 1)
plt.imshow(imgs[i])
plt.title(titles[i])
plt.xticks([])
plt.yticks([])
plt.suptitle('圖像特效處理')
plt.savefig('E:\From Zhihu\For the desk\cvfifteenresult.jpg', dpi = 1080)
plt.show()
得到最終的總圖 ：
9. 總體代碼
修改一下圖像讀取路徑就可以使用了。還是那句話，建議從頭慢慢來一遍，當(dāng)然如果你只是想給女朋友生成一張素描或者浮雕的話那就無所謂了哈哈哈。
"""
Author:XiaoMa
date:2021/11/16
"""
import cv2
import numpy as np
import math
import matplotlib.pyplot as plt
img0 = cv2.imread('E:\From Zhihu\For the desk\cvfifteen1.jpg')
img1 = cv2.cvtColor(img0, cv2.COLOR_BGR2GRAY)
h, w = img0.shape[:2]
print(h, w)
cv2.imshow("W0", img0)
cv2.imshow("W1", img1)
cv2.waitKey(delay = 0)
#毛玻璃特效
img2 = np.zeros((h - 6, w - 6, 3), np.uint8) #生成的全零矩陣考慮到了隨機數(shù)范圍，變小了
for i in range(0, h - 6): #防止下面的隨機數(shù)超出邊緣
for j in range(0, w - 6):
index = int(np.random.random()*6) #0~6的隨機數(shù)
(b, g, r) = img0[i + index, j + index]
img2[i, j] = (b, g, r)
cv2.imshow("W2", img2)
cv2.waitKey(delay = 0)
#浮雕特效(需要對灰度圖像進(jìn)行操作)
img3 = np.zeros((h, w, 3), np.uint8)
for i in range(0, h):
for j in range(0, w - 2): #減2的效果和上面一樣
grayP0 = int(img1[i, j])
grayP1 = int(img1[i, j + 2]) #取與前一個像素點相鄰的點
newP = grayP0 - grayP1 + 150 #得到差值，加一個常數(shù)可以增加浮雕立體感
if newP > 255:
newP = 255
if newP < 0:
newP = 0
img3[i, j] = newP
cv2.imshow("W3", img3)
cv2.waitKey(delay = 0)
#素描特效
img4 = 255 - img1 #對原灰度圖像的像素點進(jìn)行反轉(zhuǎn)
blurred = cv2.GaussianBlur(img4, (21, 21), 0) #進(jìn)行高斯模糊
inverted_blurred = 255 - blurred #反轉(zhuǎn)
img4 = cv2.divide(img1, inverted_blurred, scale = 127.0) #灰度圖像除以倒置的模糊圖像得到鉛筆素描畫
cv2.imshow("W4", img4)
cv2.waitKey(delay = 0)
#懷舊特效
img5 = np.zeros((h, w, 3), np.uint8)
for i in range(0, h):
for j in range(0, w):
B = 0.272 * img0[i, j][2] + 0.534 * img0[i, j][1] + 0.131 * img0[i, j][0]
G = 0.349 * img0[i, j][2] + 0.686 * img0[i, j][1] + 0.168 * img0[i, j][0]
R = 0.393 * img0[i, j][2] + 0.769 * img0[i, j][1] + 0.189 * img0[i, j][0]
if B > 255:
B = 255
if G > 255:
G = 255
if R > 255:
R = 255
img5[i, j] = np.uint8((B, G, R))
cv2.imshow("W5", img5)
cv2.waitKey(delay = 0)
#流年特效
img6 = np.zeros((h, w, 3), np.uint8)
for i in range(0, h):
for j in range(0, w):
B = math.sqrt(img0[i, j][0]) *14 # B通道的數(shù)值開平方乘以參數(shù)14
G = img0[i, j][1]
R = img0[i, j][2]
if B > 255:
B = 255
img6[i, j] = np.uint8((B, G, R))
cv2.imshow("W6", img6)
cv2.waitKey(delay = 0)
#水波特效
img7 = np.zeros((h, w, 3), np.uint8)
wavelength = 20 #定義水波特效波長
amplitude = 30 #幅度
phase = math.pi / 4 #相位
centreX = 0.5 #水波中心點X
centreY = 0.5 #水波中心點Y
radius = min(h, w) / 2
icentreX = w*centreX #水波覆蓋寬度
icentreY = h*centreY #水波覆蓋高度
for i in range(0, h):
for j in range(0, w):
dx = j - icentreX
dy = i - icentreY
distance = dx * dx + dy * dy
if distance > radius * radius:
x = j
y = i
else:
# 計算水波區(qū)域
distance = math.sqrt(distance)
amount = amplitude * math.sin(distance / wavelength * 2 * math.pi - phase)
amount = amount * (radius - distance) / radius
amount = amount * wavelength / (distance + 0.0001)
x = j + dx * amount
y = i + dy * amount
# 邊界判斷
if x < 0:
x = 0
if x >= w - 1:
x = w - 2
if y < 0:
y = 0
if y >= h - 1:
y = h - 2
p = x - int(x)
q = y - int(y)
# 圖像水波賦值
img7[i, j, :] = (1 - p) * (1 - q) * img0[int(y), int(x), :] + p * (1 - q) * img0[int(y), int(x), :]
+ (1 - p) * q * img0[int(y), int(x), :] + p * q * img0[int(y), int(x), :]
cv2.imshow("W7", img7)
cv2.waitKey(delay = 0)
#卡通特效
num_bilateral = 7 #定義雙邊濾波的數(shù)目
for i in range(num_bilateral): #雙邊濾波處理
img_color = cv2.bilateralFilter(img0, d = 9, sigmaColor = 5, sigmaSpace = 3)
img_blur = cv2.medianBlur(img1, 7) # 中值濾波處理
img_edge = cv2.adaptiveThreshold(img_blur, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, blockSize = 5, C = 2) #邊緣檢測及自適應(yīng)閾值化處理
img_edge = cv2.cvtColor(img_edge, cv2.COLOR_GRAY2RGB) #轉(zhuǎn)換回彩色圖像
img8 = cv2.bitwise_and(img0, img_edge) #圖像的與運算
cv2.imshow('W8', img8)
cv2.waitKey(delay = 0)
#將所有圖像保存到一張圖中
plt.rcParams['font.family'] = 'SimHei'
imgs = [img0, img1, img2, img3, img4, img5, img6, img7, img8]
titles = ['原圖', '灰度圖', '毛玻璃特效', '浮雕特效', '素描特效', '懷舊特效', '流年特效', '水波特效', '卡通特效']
for i in range(9):
imgs[i] = cv2.cvtColor(imgs[i], cv2.COLOR_BGR2RGB)
plt.subplot(3, 3, i + 1)
plt.imshow(imgs[i])
plt.title(titles[i])
plt.xticks([])
plt.yticks([])
plt.suptitle('圖像特效處理')
plt.savefig('E:\From Zhihu\For the desk\cvfifteenresult.jpg', dpi = 1080)
plt.show()
結(jié)束語
本篇文章總結(jié)了圖像特效處理中的毛玻璃、浮雕、素描等一些操作的原理和簡單實現(xiàn)，對于一些比較復(fù)雜的算法后面有時間再專門寫一篇博文進(jìn)行介紹，還有油畫特效本文也沒有介紹，由于該特效算法也和水波特效一樣有難度，所以后面等更新完這個系列我再慢慢補坑吧。
到此這篇關(guān)于Python 計算機視覺編程進(jìn)階之圖像特效處理篇的文章就介紹到這了,更多相關(guān)Python 圖像特效處理內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！
相關(guān)文章
這篇文章主要介紹了Python單例模式,以實例形式分析了Python單例模式的具體使用技巧,具有一定參考借鑒價值,需要的朋友可以參考下2015-01-01
Python爬蟲庫BeautifulSoup獲取對象(標(biāo)簽)名,屬性,內(nèi)容,注釋
如何利用Python爬蟲庫BeautifulSoup獲取對象(標(biāo)簽)名,屬性,內(nèi)容,注釋等操作下面就為大家介紹一下2020-01-01
利用Python實現(xiàn)自動生成小學(xué)生計算題
過年期間發(fā)現(xiàn)小外甥已經(jīng)上小學(xué)了，我姐說老師今天給他們布置了寒假作業(yè)：每天堅持做乘法和加減法混合運算。這我必須幫幫忙，用Python寫了一段自動生成小學(xué)生計算題的代碼，希望外甥不要太感謝我2023-02-02
在數(shù)據(jù)處理時,經(jīng)常會因為index報錯而發(fā)愁,本文主要介紹了pandas中8種常用的index 索引設(shè)置,具有一定的參考價值,感興趣的可以了解一下2024-07-07
如何用Python實現(xiàn)簡單的Markdown轉(zhuǎn)換器
這篇文章主要介紹了如何用Python實現(xiàn)簡單的Markdown轉(zhuǎn)換器，小編覺得挺不錯的，現(xiàn)在分享給大家，也給大家做個參考。一起跟隨小編過來看看吧2018-07-07
解決pandas展示數(shù)據(jù)輸出時列名不能對齊的問題
今天小編就為大家分享一篇解決pandas展示數(shù)據(jù)輸出時列名不能對齊的問題，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2019-11-11
這篇文章主要介紹了簡單了解OpenCV是什么，結(jié)合了幾篇相關(guān)文章的介紹，還是比較不錯的，希望大家在閱讀過之后，會對OpenCV有一個簡單了解。2017-11-11
今天小編就為大家分享一篇對Python 內(nèi)建函數(shù)和保留字詳解，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2018-10-10
我喜歡看電影，可以說大部分熱門電影我都看過。處理愛好的目的，我看了看豆瓣熱映的電影列表。于是我寫了這個爬蟲把豆瓣熱映的電影都爬了下來。對頁面的處理主要是需要點擊顯示全部電影，然后爬取影片屬性，最后輸出文本。采用的還是scrapy框架。順便聊聊我的實現(xiàn)過程吧2021-11-11
python中join與os.path.join()函數(shù)實例詳解
os.path.join()函數(shù)用于路徑拼接文件路徑,下面這篇文章主要給大家介紹了關(guān)于python中join與os.path.join()函數(shù)的相關(guān)資料,文中通過實例代碼介紹的非常詳細(xì),需要的朋友可以參考下2022-03-03