图像素描特效
图像素描特效主要经过以下几个步骤:
调用cv.cvtColor()函数将彩色图像灰度化处理;
通过cv.GaussianBlur()函数实现高斯滤波降噪;
边缘检测采用Canny算子实现;
最后通过cv.threshold()反二进制阈值化处理实现素描特效。
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 | #coding:utf-8 import cv2 as cv import numpy as np #读取原始图像 img = cv.imread( 'd:/paojie.png' ) #图像灰度处理 gray = cv.cvtColor(img,cv.COLOR_BGR2GRAY) #高斯滤波降噪 gaussian = cv.GaussianBlur(gray, ( 5 , 5 ), 0 ) #Canny算子 canny = cv.Canny(gaussian, 50 , 150 ) #阈值化处理 ret, result = cv.threshold(canny, 0 , 255 , cv.THRESH_BINARY_INV + cv.THRESH_OTSU) #显示图像 #cv.imshow('src', img) #cv.imshow('result', result) cv.imshow( 'result' ,np.vstack((gray,result))) cv.waitKey() cv.destroyAllWindows() |
图像素描特效展示
图像怀旧特效
怀旧特效是将图像的RGB三个分量分别按照一定比例进行处理的结果,其怀旧公式如下所示:
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 | #coding:utf-8 import cv2 as cv import numpy as np #读取原始图像 img = cv.imread( 'd:/paojie.png' ) #获取图像行和列 rows, cols = img.shape[: 2 ] #新建目标图像 dst = np.zeros((rows, cols, 3 ), dtype = "uint8" ) #图像怀旧特效 for i in range(rows): for j in range(cols): B = 0.272 * img[i,j][ 2 ] + 0.534 * img[i,j][ 1 ] + 0.131 * img[i,j][ 0 ] G = 0.349 * img[i,j][ 2 ] + 0.686 * img[i,j][ 1 ] + 0.168 * img[i,j][ 0 ] R = 0.393 * img[i,j][ 2 ] + 0.769 * img[i,j][ 1 ] + 0.189 * img[i,j][ 0 ] if B> 255 : B = 255 if G> 255 : G = 255 if R> 255 : R = 255 dst[i,j] = np.uint8((B, G, R)) #显示图像 cv.imshow( 'result' ,np.vstack((img,dst))) cv.waitKey() cv.destroyAllWindows() |
图像怀旧特效展示
图像光照特效
图像光照特效是指图像存在一个类似于灯光的光晕特效,图像像素值围绕光照中心点呈圆形范围内的增强。
python实现代码主要是通过双层循环遍历图像的各像素点,寻找图像的中心点,再通过计算当前点到光照中心的距离(平面坐标系中两点之间的距离),判断该距离与图像中心圆半径的大小关系,中心圆范围内的图像灰度值增强,范围外的图像灰度值保留,并结合边界范围判断生成最终的光照效果。
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 | #coding:utf-8 import cv2 as cv import math import numpy as np #读取原始图像 img = cv.imread( 'd:/paojie.png' ) #获取图像行和列 rows, cols = img.shape[: 2 ] #设置中心点和光照半径 centerX = rows / 2 - 20 centerY = cols / 2 + 20 radius = min(centerX, centerY) #设置光照强度 strength = 100 #新建目标图像 dst = np.zeros((rows, cols, 3 ), dtype = "uint8" ) #图像光照特效 for i in range(rows): for j in range(cols): #计算当前点到光照中心距离(平面坐标系中两点之间的距离) distance = math.pow((centerY - j), 2 ) + math.pow((centerX - i), 2 ) #获取原始图像 B = img[i,j][ 0 ] G = img[i,j][ 1 ] R = img[i,j][ 2 ] if (distance < radius * radius): #按照距离大小计算增强的光照值 result = (int)(strength * ( 1.0 - math.sqrt(distance) / radius )) B = img[i,j][ 0 ] + result G = img[i,j][ 1 ] + result R = img[i,j][ 2 ] + result #判断边界 防止越界 B = min( 255 , max( 0 , B)) G = min( 255 , max( 0 , G)) R = min( 255 , max( 0 , R)) dst[i,j] = np.uint8((B, G, R)) else : dst[i,j] = np.uint8((B, G, R)) #显示图像 cv.imshow( 'result' ,np.vstack((img,dst))) cv.waitKey() cv.destroyAllWindows() |
图像光照特效展示
图像流年特效
流年是用来形容如水般流逝的光阴或年华,图像处理中特指将原图像转换为具有时代感或岁月沉淀的特效。python实现代码如下,它将原始图像的蓝色(B)通道的像素值开根号,再乘以一个权重参数,产生最终的流年效果。
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 | #coding:utf-8 import cv2 as cv import math import numpy as np #读取原始图像 img = cv.imread( 'd:/paojie.png' ) #获取图像行和列 rows, cols = img.shape[: 2 ] #新建目标图像 dst = np.zeros((rows, cols, 3 ), dtype = "uint8" ) #图像流年特效 for i in range(rows): for j in range(cols): #B通道的数值开平方乘以参数12 B = math.sqrt(img[i,j][ 0 ]) * 12 G = img[i,j][ 1 ] R = img[i,j][ 2 ] if B> 255 : B = 255 dst[i,j] = np.uint8((B, G, R)) #显示图像 cv.imshow( 'result' ,np.vstack((img,dst))) cv.waitKey() cv.destroyAllWindows() |
图像流年特效展示
图像滤镜特效
滤镜主要是用来实现图像的各种特殊效果,它在Photoshop中具有非常神奇的作用。滤镜通常需要同通道、图层等联合使用,才能取得最佳艺术效果。本小节将讲述一种基于颜色查找表(Look up Table)的滤镜处理方法,它通过将每一个原始颜色进行转换之后得到新的颜色。比如,原始图像的某像素点为红色(R-255, G-0, B-0),进行转换之后变为绿色(R-0, G-255, B-0),之后所有是红色的地方都会被自动转换为绿色,而颜色查找表就是将所有的颜色进行一次(矩阵)转换,很多的滤镜功能就是提供了这么一个转换的矩阵,在原始色彩的基础上进行颜色的转换。
假设现在存在一张新的滤镜颜色查找表,如图所示,它是一张512×512大小,包含各像素颜色分布的图像。下面这张图片另存为本地,即可直接用于图像滤镜处理。
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 | #coding:utf-8 import cv2 as cv import numpy as np #获取滤镜颜色 def getBGR(img, table, i, j): #获取图像颜色 b, g, r = img[i][j] #计算标准颜色表中颜色的位置坐标 x = int(g / 4 + int(b / 32 ) * 63 ) y = int(r / 4 + int((b % 32 ) / 4 ) * 63 ) #返回滤镜颜色表中对应的颜色 return lj_map[x][y] #读取原始图像 img = cv.imread( 'd:/paojie.png' ) lj_map = cv.imread( 'lvjing.png' ) #获取图像行和列 rows, cols = img.shape[: 2 ] #新建目标图像 dst = np.zeros((rows, cols, 3 ), dtype = "uint8" ) #循环设置滤镜颜色 for i in range(rows): for j in range(cols): dst[i][j] = getBGR(img, lj_map, i, j) #显示图像 cv.imshow( 'result' ,np.vstack((img,dst))) cv.waitKey() cv.destroyAllWindows() |
图像滤镜特效展示
以上就是python opencv图像处理(素描、怀旧、光照、流年、滤镜 原理及实现)的详细内容,更多关于python opencv图像处理的资料请关注自学编程网其它相关文章!
- 本文固定链接: https://zxbcw.cn/post/201923/
- 转载请注明:必须在正文中标注并保留原文链接
- QQ群: PHP高手阵营官方总群(344148542)
- QQ群: Yii2.0开发(304864863)