python opencv图像处理(素描、怀旧、光照、流年、滤镜 原理及实现)

时间:2022-11-07 00:24:25

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

python opencv图像处理(素描、怀旧、光照、流年、滤镜 原理及实现)

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:

python opencv图像处理(素描、怀旧、光照、流年、滤镜 原理及实现)

?
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

python opencv图像处理(素描、怀旧、光照、流年、滤镜 原理及实现)

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

python opencv图像处理(素描、怀旧、光照、流年、滤镜 原理及实现)

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

python opencv图像处理(素描、怀旧、光照、流年、滤镜 原理及实现)

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。

python opencv图像处理(素描、怀旧、光照、流年、滤镜 原理及实现)

?
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

python opencv图像处理(素描、怀旧、光照、流年、滤镜 原理及实现)

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服务器之家其它相关文章!

原文链接:https://www.cnblogs.com/wojianxin/p/12757953.html