图像处理--图像特效

图像特效基础

(1)灰度处理

在讲解图像特效之前，我们先get一下做灰度图像的四种方法。

方法一：通过设置imread的第二个参数，来实现图片的灰度处理。

方法二：cv库提供了一个函数cvtColor，来实现图片的灰度处理。

方法三：Gray = (B+G+R)/3 根据BGR的均值作为计算。

方法四：Gray = R*0.299 + G*0.587 + B*0.114 根据线性规则来做运算。心理学计算公式。也是概率分布的。

方法五：灰度图像处理的算法的优化。gray = (B*1+G*2+R*1)/4

我们先来讲解一下方法一：

# 方法一：通过设置imread的第二个参数，来实现图片的灰度处理
import cv2

img0 = cv2.imread('image0.JPG',0)
img1 = cv2.imread('image0.JPG',1)

print(img0.shape)
print(img1.shape)


cv2.imshow('image0',img0)
cv2.imshow('image1',img1)
cv2.waitKey(0)

# (547, 730)  灰度图片显示的是图片的宽高信息，没有深度.深度默认是1。
# (547, 730, 3) 彩色图片显示的是图片的高度宽度信息，还有深度信息。这里的深度是3

| |

接下来我们讲解一下方法2：

# 方法2 cvtColor
import cv2
img = cv2.imread('image0.JPG',1)
dst = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 颜色空间转换  1 data 2 BGR gray 转换为灰度
cv2.imshow('image',dst)
cv2.waitKey(0)

| |

接下来我们讲解一下方法三：

# 方法3 灰度图像的BGR和彩色图像的BGR有什么区别呢？
# 彩色图像的BGR是不一样的，而灰度图像的BRG是一样的：B=G=R  gray
import cv2
import numpy as np
img = cv2.imread('image0.JPG',1)
# print(img.shape)
print(img[100][100])

imgInfo = img.shape
height = imgInfo[0]
width = imgInfo[1]
# print(height,width)
dst = np.zeros((height,width,3),np.uint8)

for i in range(0,height):
    for j in range(0,width):
        # 读取原来图像的BGR
        (B,G,R) = img[i][j]
        # 三个点的均值计算
        B = G = R = int((int(B)+int(G)+int(R))/3)
        dst[i][j]= np.uint8((B,G,R))
        
#         这个方法也是可以的
#         gray = (int(B)+int(G)+int(R))/3
#         dst[i][j] = np.uint8(gray)
                
cv2.imshow('dst',dst)
cv2.waitKey(0)

| |

接下来我们来讲解一下方法四：

# 方法4   心理学计算公式。也是概率分布的。  gray = R*0.299 + G*0.587 + B*0.114

import cv2
import numpy as np

img = cv2.imread('image0.JPG',1)
# print(img.shape)
print(img[100][100])

imgInfo = img.shape
height = imgInfo[0]
width = imgInfo[1]
# print(height,width)
dst1 = np.zeros((height,width,3),np.uint8)

for i in range(0,height):
    for j in range(0,width):
        # 读取原来图像的BGR
        (B,G,R) = img[i][j]
        B = int(B)
        G = int(G)
        R = int(R)
        gray = R*0.299 + G*0.587 + B*0.114
        dst[i][j] = np.uint8(gray)
               
cv2.imshow('dst1',dst1)
cv2.waitKey(0)

| |

最后我们讲解一下方法五：

在这里我们学习一下算法的优化，我们可以更好更快的计算出图像的灰度值。在这里我们要先明白两个知识点。

1. 定点数的效率要比浮点数的效率高一些 。 定点-》浮点
2. 加减的运算效率要比乘除的运算效率高一些。移位的运算也要比乘除高一些。 + - —》 */ 《— >>移位

# 方法5  算法优化，更快更好的计算图像的灰度值。
# 1 灰度知识点，是本小结中最重要的知识点。  2 很多图像的基础   3 算法的实时性。
# 定点的算法效率比浮点数的高一些   定点-》浮点。
# + -   -》 */  《-   >>移位。

# 我们的方法四是利用到线性的概率分布的问题：gray = R*0.299 + G*0.587 + B*0.114。
# 那么这里我们使用到的是浮点型的小数，那么我们想要使用整数来提高效率。gray = (B*1+G*2+R*1)/4。
# 因为整数的计算是比小数的计算的计算效率还要快。
# 当然不一定是乘以1,2这样子。我们也可以乘以100,1000,10000。根据具体的问题决定，尽量减少误差。

import cv2
import numpy as np

img = cv2.imread('image0.JPG',1)
# print(img.shape)
print(img[100][100])

imgInfo = img.shape
height = imgInfo[0]
width = imgInfo[1]
# print(height,width)
dst2 = np.zeros((height,width,3),np.uint8)

for i in range(0,height):
    for j in range(0,width):
        # 读取原来图像的BGR
        (B,G,R) = img[i][j]
        B = int(B)
        G = int(G)
        R = int(R)
        # 在这里我们使用定点的整数，来实现优化，使得我们得出来的结果快，但是多多少少都是有误差的。
        gray = (B*1+G*2+R*1)/4
        
        
        # 下面的这种更加的优化
        # gray = (B+(G<<1)+R)>>2   # 使用了左移和右移
        
        dst2[i][j] = np.uint8(gray)
               
cv2.imshow('dst2',dst2)
cv2.waitKey(0)

| |

(2)颜色反转（底板效果）

底板效果有点像胶卷相机洗出来的效果

1.彩色图片的颜色反转

彩色图片的每一个像素值的颜色是有BGR三个颜色值组成的，那么我们在实现颜色反转（底板效果）的时候，我们需要用255减去每一个颜色值。即

我们针对每一种颜色进行处理：例如对于B，------255-B=newB

BGR 255-B = newB 255-G = newG 255-R = newR

dst[i,j] = (255-b,255-g,255-r)

实现彩色图片的颜色反转的代码如下所示：

# 彩色图片的图片的反转,产生底板效果
# 我们针对每一种颜色进行处理：例如对于B，------255-B=newB
# BGR   255-B = newB   255-G = newG  255-R = newR

import cv2
import numpy as np

img = cv2.imread('image0.JPG',1)
imgInfo = img.shape

height = imgInfo[0]
width = imgInfo[1]
deepth = imgInfo[2]


dst = np.zeros([height,width,3],np.uint8)   # 这里面的3表示一个像素的颜色是有三个颜色值组成的

for i in range(0,height):
    for j in range(0,width):
        (B,G,R) = img[i,j]
        newB = 255-B
        newG = 255-G
        newR = 255-R
        dst[i,j] = np.uint8((newB,newG,newR))

cv2.imshow('dst',dst)
cv2.waitKey(0)

||

2.灰色图片的颜色反转

灰度图像的值是0-255，那么我们要实现颜色反转（底板效果），那么我们就要使得每一个像素都用255-灰度图片的值。

dst[i,j] = 255-grayPixel

代码的实现如下所示：

# 灰度图片的图片的反转
# 灰度图片的值是0-255，  然后用255-当前的值

import cv2
import numpy as np

img = cv2.imread('image0.JPG',1)
imgInfo = img.shape

height = imgInfo[0]
width = imgInfo[1]
deepth = imgInfo[2]

# grayPixel = img[100,100]
# print(grayPixel)

# 将彩色图片转换为灰度图片
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

dst = np.zeros([height,width,3],np.uint8)

for i in range(0,height):
    for j in range(0,width):
        grayPixel = gray[i,j]
#         print(grayPixel)
        dst[i,j] = 255 - grayPixel
                
cv2.imshow('dst',dst)
cv2.waitKey(0)

| |

(3)马赛克效果

我们先通过下面的一张图来体验一下马赛克。（马赛克分为矩形马赛克和圆形马赛克，我们这里使用的是矩形的马赛克）。

| |

代码的实现如下所示：

# 用相同的颜色值，去替代所有需要打上马赛克地方的颜色值。

import cv2
import numpy as np

img = cv2.imread('image0.JPG',1)

imgInfo = img.shape

heihth = imgInfo[0]
width = imgInfo[1]

for m in range(100,300):
    for n in range(100,200):
        # pixel ->10*10,对每一个10*10的区域进行处理，先定义了一个10*10的小方块
        if m%10 == 0 and n%10 == 0:
            for i in range(0,10):
                for j in range(0,10):
                    (b,g,r) = img[m,n]  # 这个保证的是每一个10*10的都用同一个颜色值
                    img[i+m,j+n] = (b,g,r) # 使得10*10的区域都是用一个颜色的值，实现马赛克的效果。
                   
cv2.imshow('dst',img)
cv2.waitKey(0)

| |

全屏马赛克，代码实现如下：

# 用相同的颜色值，去替代所有需要打上马赛克地方的颜色值。

import cv2
import numpy as np

img = cv2.imread('image0.JPG',1)
imgInfo = img.shape
heigth = imgInfo[0]
width = imgInfo[1]

for m in range(0,heigth-10):
    for n in range(0,width-10):
        # pixel ->10*10
        if m%10 == 0 and n%10 == 0:
            for i in range(0,10):
                for j in range(0,10):
                    (b,g,r) = img[m,n]  # 这个保证的是每一个10*10的都用同一个颜色值
                    img[i+m,j+n] = (b,g,r)
                   
cv2.imshow('dst',img)
cv2.waitKey(0)

| |

(4)毛玻璃效果

我们先通过下面的一张图来体验一下毛玻璃效果。

| |

代码的实现如下所示：

# 对于每一个区域中的像素的颜色值，我们用随机的一个颜色的值。去替代所在区域的像素的颜色值。

import cv2
import numpy as np
import random

img = cv2.imread('image0.JPG',1)
imgInfo = img.shape
height = imgInfo[0]
width = imgInfo[1]

dst = np.zeros((height,width,3),np.uint8)

mm = 8 # 定义一个范围
# 减去mm是防止当前的矩阵越界
for m in range(0,height-mm):
    for n in range(0,width-mm):
        index = int(random.random()*mm)# 0-8
        (b,g,r) = img[m+index,n+index]
        dst[m,n] = (b,g,r)
        
cv2.imshow('dst',dst)
cv2.waitKey(0)

||

(5)图片融合

我们先通过下面的一张图来体验一下图片的融合效果。

| |

代码的实现如下所示：

# 实现的是将两个图片的像素颜色的融合  dst = src1*a + src2*(1-a),如果a=0.3，那么1-a=0.7
# 按照某一个系数的比例来实现图片的融合。

import cv2
import numpy as np
img0 = cv2.imread('image0.JPG',1)
img1 = cv2.imread('image1.JPG',1)
imgInfo = img0.shape
height = imgInfo[0]
width = imgInfo[1]
# ROI
# 将宽和高变成原来的一半
roiH = int(height/2)
roiW = int(width/2)
img0ROI = img0[0:roiH,0:roiW]
img1ROI = img1[0:roiH,0:roiW]
dst = np.zeros((roiH,roiW,3),np.uint8)
dst = cv2.addWeighted(img0ROI, 0.5, img1ROI, 0.5,3)  # add  src1*a + src2*(1-a)
cv2.imshow('dst',dst)
cv2.waitKey(0)

| |

(6)边缘检测

我们先通过下面的一张图来体验一下图片的边缘检测的效果。

| |

# 方法一：通过调用opencv的api的形式
import cv2
import numpy as np
# import tensorflow as tf
import random

img = cv2.imread('image0.JPG',1)
imgInfo = img.shape
height = imgInfo[0]
width = imgInfo[1]

cv2.imshow('src',img)

# canny  1 转换为灰度图片gray  2 高斯滤波-去掉噪声干扰  3 调用canny方法实现边缘检测

gray = cv2.cvtColor(img,cv2.COLOR_BGR2BGRA)

imgG = cv2.GaussianBlur(gray,(3,3),0)

dst = cv2.Canny(img,50,50)

cv2.imshow('dst',dst)

| |

import cv2
import numpy as np
import random
import math
img = cv2.imread('image0.JPG',1)
imgInfo = img.shape
height = imgInfo[0]
width = imgInfo[1]
cv2.imshow('src',img)
# sobel 1 算子模版 2 图片卷积 3 阈值判决 
# [1 2 1          [ 1 0 -1
#  0 0 0            2 0 -2
# -1 -2 -1 ]       1 0 -1 ]
              
# [1 2 3 4] [a b c d] a*1+b*2+c*3+d*4 = dst
# sqrt(a*a+b*b) = f>th
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
dst = np.zeros((height,width,1),np.uint8)
for i in range(0,height-2):
    for j in range(0,width-2):
        # 求出x方向的梯度
        gy = gray[i,j]*1+gray[i,j+1]*2+gray[i,j+2]*1-gray[i+2,j]*1-gray[i+2,j+1]*2-gray[i+2,j+2]*1
        # 求出y方向的梯度
        gx = gray[i,j]+gray[i+1,j]*2+gray[i+2,j]-gray[i,j+2]-gray[i+1,j+2]*2-gray[i+2,j+2]
        # 求出梯度
        grad = math.sqrt(gx*gx+gy*gy)
        # 阈值判决
        if grad>50:
            dst[i,j] = 255
        else:
            dst[i,j] = 0
cv2.imshow('dst',dst)
cv2.waitKey(0)

| |

(7)浮雕效果

代码的实现的结果为：

import cv2
import numpy as np
img = cv2.imread('image0.jpg',1)
imgInfo = img.shape
height = imgInfo[0]
width = imgInfo[1]
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
# newP = gray0-gray1+150
dst = np.zeros((height,width,1),np.uint8)
for i in range(0,height):
    # 注意这里的width需要减去1，不然会报错。
    for j in range(0,width-1):
        grayP0 = int(gray[i,j])
        grayP1 = int(gray[i,j+1])
        newP = grayP0-grayP1+150
        if newP > 255:
            newP = 255
        if newP < 0:
            newP = 0
        dst[i,j] = newP
cv2.imshow('dst',dst)
cv2.waitKey(0)

| |

(8)颜色映射

代码的实现的结果为：

import cv2
import numpy as np
img = cv2.imread('image0.jpg',1)
cv2.imshow('src',img)
imgInfo = img.shape
height = imgInfo[0]
width = imgInfo[1]
#rgb -》RGB new “蓝色”
# b=b*1.5
# g = g*1.3
dst = np.zeros((height,width,3),np.uint8)
for i in range(0,height):
    for j in range(0,width):
        (b,g,r) = img[i,j]
        b = b*1.5
        g = g*1.3
        if b>255:
            b = 255
        if g>255:
            g = 255
        dst[i,j]=(b,g,r)
cv2.imshow('dst',dst)
cv2.waitKey(0)

| |

(9)油画特效

代码的实现的结果为：

# 1 gray 
# 2 7*7 10*10 
# 3 0-255 256 4 64 0-63 64-127 
# 3 10 0-63 99 64-127
# 4 count 
# 5 dst = result

import cv2
import numpy as np
img = cv2.imread('image0.JPG',1)
cv2.imshow('src',img)
imgInfo = img.shape
height = imgInfo[0]
width = imgInfo[1]
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
dst = np.zeros((height,width,3),np.uint8)
for i in range(4,height-4):
    for j in range(4,width-4):
        # 这里是划分为8个段
        array1 = np.zeros(8,np.uint8)
        for m in range(-4,4):
            for n in range(-4,4):
                # 总共是256个，8个段，每一个段是32个。
                p1 = int(gray[i+m,j+n]/32)
                # p1到底投影在哪一个灰度等级中
                array1[p1] = array1[p1]+1
        
        # 获取到8个像素段中，哪一个是最大的，并且知道了最大的像素段的下标
        currentMax = array1[0]
        l = 0
        for k in range(0,8):
            if currentMax<array1[k]:
                currentMax = array1[k]
                l = k
        # 简化 均值
        for m in range(-4,4):
            for n in range(-4,4):
                if gray[i+m,j+n]>=(l*32) and gray[i+m,j+n]<=((l+1)*32):
                    (b,g,r) = img[i+m,j+n]
        dst[i,j] = (b,g,r)
cv2.imshow('dst',dst)
cv2.waitKey(0)

| |

(10)线段绘制

import cv2
import numpy as np
newImageInfo = (500,500,3)
dst = np.zeros(newImageInfo,np.uint8)
# line
# 绘制线段 1 dst 2 begin 3 end 4 color
cv2.line(dst,(100,100),(400,400),(0,0,255))
# 5 line w
cv2.line(dst,(100,200),(400,200),(0,255,255),20)
# 6 line type
cv2.line(dst,(100,300),(400,300),(0,255,0),20,cv2.LINE_AA)

cv2.line(dst,(200,150),(50,250),(25,100,255))
cv2.line(dst,(50,250),(400,380),(25,100,255))
cv2.line(dst,(400,380),(200,150),(25,100,255))

cv2.imshow('dst',dst)
cv2.waitKey(0)

| |

(11)矩形圆形任意多边形绘制

import cv2
import numpy as np
newImageInfo = (500,500,3)
dst = np.zeros(newImageInfo,np.uint8)
# 矩形的绘制
#  1 dst 2 左上角 3 右下角 4 color 5 fill -1 >0 line w   第五个参数如果是-1，表示的是fill填充。如果是一个大于0的值，表示的是线条的宽度。
cv2.rectangle(dst,(50,100),(200,300),(255,0,0),5)
# 圆形的绘制
#  1 dst 2 center 3 r 4 颜色color 5 宽度或者是否填充
cv2.circle(dst,(250,250),(50),(0,255,0),2)
# 椭圆形的绘制
# 1  dst 2 center 3 轴的长度（椭圆有两个轴，一个是长轴，一个是短轴，所以这里的150是长轴的值，100是短轴的值） 
# 4 angle偏转角度 5 begin角度 6 end角度 7 颜色color 8 表示的是否填充，以及宽度  
cv2.ellipse(dst,(256,256),(150,100),0,0,180,(255,255,0),-1)

# 定义任意多边形
points = np.array([[150,50],[140,140],[200,170],[250,250],[150,50]],np.int32)
print(points.shape)

# 实现了维度的转换
points = points.reshape((-1,1,2))
print(points.shape)

# 完成当前多边形的绘制
cv2.polylines(dst,[points],True,(0,255,255))
cv2.imshow('dst',dst)
cv2.waitKey(0)

||

(12)文字图片绘制

1.图片上绘制文字

import cv2 
import numpy as np
img = cv2.imread('image0.jpg',1)
font = cv2.FONT_HERSHEY_SIMPLEX
# 绘制一个矩形框
cv2.rectangle(img,(200,100),(500,400),(0,255,0),3)
# 1 dst 2 文字内容 3 坐标 4 font 5 字体大小 6 color 7 粗细 8 line type
cv2.putText(img,'this is flow',(100,300),font,1,(200,100,255),2,cv2.LINE_AA)
cv2.imshow('src',img)
cv2.waitKey(0)

| |

2.图片上绘制图片

import cv2 
img = cv2.imread('image0.jpg',1)
height = int(img.shape[0]*0.2)
width = int(img.shape[1]*0.2)
# 将图片的宽和高进行缩放，实现了将小的图片放到了大的图片上。
imgResize = cv2.resize(img,(width,height))
for i in range(0,height):
    for j in range(0,width):
        img[i+200,j+350] = imgResize[i,j]
cv2.imshow('src',img)
cv2.waitKey(0)

||