个人中心
文章发布
退出
作者热门文章
- ubuntu12.04环境下使用kvm ioctl接口实现最简单的虚拟机
- Ubuntu 通过无线网络安装Ubuntu Server启动系统后连接无线网络的方法
- 在Ubuntu上搭建网桥的方法
- ubuntu 虚拟机上网方式及相关配置详解
28
4
CFSDN坚持开源创造价值，我们致力于搭建一个资源共享平台，让每一个IT人在这里找到属于你的精彩世界.
这篇CFSDN的博客文章python opencv图像处理(素描、怀旧、光照、流年、滤镜 原理及实现)由作者收集整理，如果你对这篇文章有兴趣，记得点赞哟.
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()
|
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()
|
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()
|
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我其它相关文章！ 。
原文链接：https://www.cnblogs.com/wojianxin/p/12757953.html 。
最后此篇关于python opencv图像处理(素描、怀旧、光照、流年、滤镜 原理及实现)的文章就讲到这里了,如果你想了解更多关于python opencv图像处理(素描、怀旧、光照、流年、滤镜 原理及实现)的内容请搜索CFSDN的文章或继续浏览相关文章，希望大家以后支持我的博客！ 。
28
4
0
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
我是一名优秀的程序员,十分优秀！