0 写在前面
图像特效处理是根据图像像素数据的特点,对原始图像进行一定的计算步骤,如像素差、灰度变换、颜色通道融合等,以达到预期的效果。图像特效处理是一种广泛应用于日常生活的计算机视觉应用。它出现在各种美图软件中。这些精美过滤器背后的数学原理是相同的。本文主要介绍八种基本的图像特效算法。基于该算法,可以进行二次开发,生成更高级的过滤器。
本文采用面向对象设计,定义了一个图像处理类ImgProcess,使图像特效算法的应用更简洁,例如
import cv2
import numpy as np
process = ImgProcess('1.jpg')
glassImg = process.glass()
cv2.imshow("glass", glassImg)
cv2.waitKey(delay = 0)
您可以生成经过磨砂玻璃效果处理的图像。这个类的构造函数是
class ImgProcess:
def __init__(self, img) -> None:
self.src = cv2.imread(img)
self.gray = cv2.cvtColor(self.src, cv2.COLOR_BGR2GRAY)
self.h, self.w = self.src.shape[:2]
读取图像的基本信息。本文依旧以冰冰为模型~
那么,我们正式开始各种算法的介绍吧~
1 毛玻璃特效
磨砂玻璃效果使用图像邻域中的随机像素颜色来替换当前像素,从而达到磨砂玻璃一般的朦胧和模糊效果。
# 毛玻璃特效
def glass(self):
glassImg = np.zeros((self.h, self.w, 3), np.uint8)
for i in range(self.h - 6):
for j in range(self.w - 6):
index = int(np.random.random() * 6)
glassImg[i, j] = self.src[i + index, j + index]
return glassImg
2 浮雕特效
浮雕效果是使要呈现的图像看起来“凸出在石材表面”,根据凹凸不平的程度形成立体效果。数学原理是先描述图像的轮廓,然后减少边缘周围的像素值,从而产生三维浮雕效果。
# 浮雕特效
def relief(self):
reliefImg = np.zeros((self.h, self.w, 1), np.uint8)
for i in range(self.h):
for j in range(self.w - 1):
edge = int(self.gray[i, j]) - int(self.gray[i, j + 1]) # 得到边缘
val = edge + 120 # 产生立体感
if val > 255:
val = 255
if val < 0:
val = 0
reliefImg[i, j] = val
return reliefImg
3 油画特效
油画特效就是让画面看起来像是用颜料画出来的,产生古典的、皱巴巴的效果。几乎所有的修图软件都支持油画特效。数学原理是
- 定义一个卷积核
- 使用卷积检查扫描图形以量化扫描帧中像素的灰度
- 计算不同级别的像素数
- 找到扫描帧中灰度最多的像素点,将这些像素点的灰度值取平均值
- 用平均值替换原始像素值
- 重复上述操作,直到卷积核扫描完整张图像
def oil(self):
oilImg = np.zeros((self.h, self.w, 3), np.uint8)
for i in range(2, self.h - 2):
for j in range(2, self.w - 2):
# 量化向量
quant = np.zeros(8, np.uint8)
# 4x4卷积核
for k in range(-2, 2):
for t in range(-2, 2):
level = int(self.gray[i + k, j + t] / 32)
# 量化计数
quant[level] = quant[level] + 1
# 求最大量化值及其索引
valMax = max(quant)
valIndex = list(quant).index(valMax)
# 像素平均
for k in range(-2, 2):
for t in range(-2, 2):
if self.gray[i + k, j + t] >= (valIndex * 32) \
and self.gray[i + k, j + t] <= ((valIndex + 1) * 32):
(b, g, r) = self.src[i + k, j + t]
oilImg[i, j] = (b, g, r)
return oilImg
4 马赛克特效
马赛克效果是一种广泛使用的图像或视频处理方法。它会降低图像或视频特定区域的色阶细节,并造成打乱色块的效果。主要目的通常是使特定区域无法识别。数学原理很简单,就是某个集合中的像素可以相同。
# 马赛克特效
def mask(self):
maskImg = np.zeros((self.h, self.w, 3), np.uint8)
for i in range(self.h - 5):
for j in range(self.w - 5):
if i%5==0 and j%5==0 :
for k in range(5):
for t in range(5):
(b, g, r) = self.src[i, j]
maskImg[i + k, j + t] = (b, g, r)
return maskImg
5 素描特效
素描效果是使用单一颜色来表达亮度变化的绘画。数学原理是利用高斯模糊和灰度反转来生成草图的空间形状。
# 素描特效
def sketch(self):
temp = 255 - self.gray
gauss = cv2.GaussianBlur(temp, (21, 21), 0)
inverGauss = 255 - gauss
return cv2.pide(self.gray, inverGauss, scale = 127.0)
6 怀旧特效
怀旧特效是根据心理公式对原图的三个颜色通道进行变换和低通滤波,产生怀旧的光影效果。
心理公式(人眼对绿色更敏感):
- B= 0.272 * r + 0.534 * g + 0.131 * b
- G = 0.349 * r + 0.686 * g + 0.168 * b
- R = 0.393 * r + 0.769 * g + 0.189 * b
# 怀旧特效
def old(self):
oldImg = np.zeros((self.h, self.w, 3), np.uint8)
for i in range(self.h):
for j in range(self.w):
b = 0.272 * self.src[i, j][2] + 0.534 * self.src[i, j][1] + 0.131 * self.src[i, j][0]
g = 0.349 * self.src[i, j][2] + 0.686 * self.src[i, j][1] + 0.168 * self.src[i, j][0]
r = 0.393 * self.src[i, j][2] + 0.769 * self.src[i, j][1] + 0.189 * self.src[i, j][0]
if b > 255:
b = 255
if g > 255:
g = 255
if r > 255:
r = 255
oldImg[i, j] = np.uint8((b, g, r))
return oldImg
7 流年特效
转瞬即逝的特效是美图软件中常用的特征处理方法。它的数学原理是根据原图的蓝色通道进行变换,变换采用经验公式
# 流年特效
def fleet(self):
fleetImg = np.zeros((self.h, self.w, 3), np.uint8)
for i in range(self.h):
for j in range(0, self.w):
b = math.sqrt(self.src[i, j][0]) * 14
g = self.src[i, j][1]
r = self.src[i, j][2]
if b > 255:
b = 255
fleetImg[i, j] = np.uint8((b, g, r))
return fleetImg
8 卡通特效
卡通效果,顾名思义,就是卡通效果。
# 卡通特效
def cartoon(self):
num = 7 # 双边滤波数目
for i in range(num):
cv2.bilateralFilter(self.src, d = 9, sigmaColor = 5, sigmaSpace = 3)
median = cv2.medianBlur(self.gray, 7)
edge = cv2.adaptiveThreshold(median, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, blockSize = 5, C = 2)
edge = cv2.cvtColor(edge, cv2.COLOR_GRAY2RGB)
return cv2.bitwise_and(self.src, edge)
限于篇幅,无法再完整贴出代码,见评论区领取~
🚀 计算机视觉基础教程说明
章节编号 内容
0 色彩空间与数字成像
1 计算机几何基础
2 图像增强、滤波、金字塔
3 图像特征提取
4 图像特征描述
5 图像特征匹配
6 立体视觉
7 项目实战
🔥更多精彩专栏:
- 《机器人原理与技术》
- 计算机视觉教程
- “机器学习”
- “嵌入式系统”
- “数值优化方法”
- …
版权声明:本文为博主Mr.Winter`原创文章,版权归属原作者,如果侵权,请联系我们删除!
原文链接:https://blog.csdn.net/FRIGIDWINTER/article/details/123330206