计算机视觉之图像特效（实现图像灰度处理、颜色反转、马赛克、毛玻璃、图片融合等功能）

1.图像灰度处理

下面介绍四种图像灰度处理的方法：

方法1：cv2中的imread（参数：0表示为灰度图片，1表示为彩色图片）

测试代码如下：

import cv2
# 方法1 imread
img0 = cv2.imread('image0.jpg', 0)  # 0 为灰度图片 1 为彩色图片
img1 = cv2.imread('image0.jpg', 1)
print(img0.shape)
print(img1.shape)
cv2.imshow('src0',img0)
cv2.imshow('src1',img1)
cv2.waitKey(0)

运行结果如下：

src0为灰度图像：

src1为彩色图像：

方法 2：cvtColor

测试代码如下：

# 方法2 cvtColor
import cv2
img = cv2.imread('image0.jpg', 1)
dst = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)  # 完成颜色空间的转换 从bgr模式转化为灰度模式
cv2.imshow('dst', dst)
cv2.waitKey(0)

运行结果如下：

同样的可以转化为灰度图像：

方法3：对RGB三个分量取均值

# 方法3 RGB R=G=B gray=(R+G+B)/3
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]
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]
        gray = (int(b)+int(g)+int(r))/3  # 防止数据溢出
        dst[i,j] = np.uint8(gray)
cv2.imshow('dst',dst)
cv2.waitKey(0)

 运行结果：略

方法4：对rbg加权 gray = r*0.299+g*0.587+b*0.114

# 方法4 对rbg加权
# gray = r*0.299+g*0.587+b*0.114
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]
dst = np.zeros((height,width,3),np.uint8)
w = [0.299, 0.587, 0.114]
for i in range(0,height):
    for j in range(0,width):
        (b,g,r) = img[i,j]
        gray = r*0.299+g*0.587+b*0.114
        dst[i,j] = np.uint8(gray)
cv2.imshow('dst',dst)
cv2.waitKey(0)

 运行结果：略

图像转灰度算法优化：

原因：

• 重要
• 基础 
• 实时性

优化方法：

• 定点运算优于浮点运算
• 减法优于乘除
• 移位运算优于乘除

测试代码如下：

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]
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 = int(b)
        g = int(g)
        r = int(r)
        # gray = (int(b) + int(g) + int(r)) / 3  # 防止数据溢出
        gray = (r+(g << 1)+b) >> 2  # 浮点转化成了定点 r和b乘以1省略掉 乘除转化为移位运算 但是会损失一点精度
        dst[i,j] = np.uint8(gray)
cv2.imshow('dst',dst)
cv2.waitKey(0)

运行结果如下：

src为彩色的原始图像：

dst为转化为灰度的目标图像：

其实可以通过算法优化的图像对比前面四种方法处理后的图像，可以知道，其实效果都差不多，但是性能显著提升！

2.颜色反转

颜色反转分为：灰度图的颜色反转和RGB图的颜色反转，但是本质上都是一样的，取反操作即对每个像素点进行取反得到新的像素值，或者用255-当前像素值（八位的时候）。

1.灰度图的颜色反转，测试代码如下：

import cv2
import numpy as np
img = cv2.imread('image0.jpg', 1)
cv2.imshow('src',img)  # 彩色图
imgInfo = img.shape
height = imgInfo[0]
width = imgInfo[1]
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)  # 转化为灰度图
cv2.imshow('gray',gray)
dst = np.zeros((height,width,1),np.uint8)
for i in range(0,height):
    for j in range(0,width):
        dst[i,j] = 255-gray[i,j]
        # 也可以通过取反得到，效果是一样的，下面一行是取反的操作，能够实现同样的效果
        # dst[i,j] = ~gray[i,j]
cv2.imshow('dst',dst)  # 灰度图反转后的图像
cv2.waitKey(0)

运行结果如下：（src为初始的彩色图像，gray为转化的灰度图，dst为灰度图反转后的图像）

src：略

gray：

dst：

2.RGB彩色图像的反转，测试代码如下：

# RGB 颜色反转 [255,255,255]-当前像素值[b,g,r]
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]
dst = np.zeros((height,width,3),np.uint8)
w = [255, 255, 255]
for i in range(0,height):
    for j in range(0,width):
        dst[i,j] = w - img[i,j]
cv2.imshow('dst',dst)
cv2.waitKey(0)

运行结果如下：

src为RGB原始图像：

dst为RGB图像反转后的图像：

 3.图片马赛克化

马赛克效果：实质是在一个小矩阵范围内随机取一个像素进行填充（即代替矩形框中其他的像素）。

参考示例，便于理解：

图片马赛克化，测试代码如下：

# 马赛克效果：实质是在一个小矩阵范围内随机取一个像素进行填充（即代替矩形框中其他的像素）
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]
# 将图像中从点(200,400)到点(400,600)进行马赛克处理
for m in range(200,400):
    for n in range(400,600):
        # 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]
                    img[i+m,j+n]=(b,g,r)
cv2.imshow('dst',img)
cv2.waitKey(0)

运行效果如下：

src原始图像：

dst马赛克化后的图像：（图中的圈为马赛克效果）

4.图片毛玻璃化

毛玻璃效果：是一个随机替换的过程，实质在一个小范围内随机取一个像素进行替换。

参考示例，便于理解：

图片毛玻璃化，测试代码如下：

# 毛玻璃效果：是一个随机替换的过程，实质在一个小范围内随机取一个像素进行替换
import cv2
import numpy as np
import random
img = cv2.imread('image0.jpg', 1)
cv2.imshow('src',img)
imgInfo = img.shape
height = imgInfo[0]
width = imgInfo[1]
dst = np.zeros((height,width,3),np.uint8)
mm = 8
# 减去mm防止越界 边框未填充所以为0是黑色
for m in range(0, height-mm):
    for n in range(0, width-mm):
        index = int(random.random()*8)
        (b,g,r) = img[m+index,n+index]
        dst[m,n] = (b,g,r)
cv2.imshow('dst',dst)
cv2.waitKey(0)

运行效果如下：

dst毛玻璃化的目标图像：

5.图片融合

图片融合:实质上是对多个图像进行加权求和，生成新的图像，不同的权值组合可以生成不同的图像。

以两个图像的融合为例：dst = src1*a+src2*（1-a），亦即：目标图像 = 第一幅图像 * 第一幅图像的权值 + 第二幅图像 * 第二幅图像的权值 。

下面是图片融合的测试代码：

# 图片融合:对多个图像进行加权求和
# dst = src1*a+src2*（1-a）
import cv2
import numpy as np
img0 = cv2.imread('image0.jpg', 1)
img1 = cv2.imread('image1.jpg', 1)
cv2.imshow('src0',img0)
cv2.imshow('src1',img1)
imgInfo = img0.shape
height = imgInfo[0]
width = imgInfo[1]
# ROI
roiH = int(height/2)
roiW = int(width/2)
img0ROI = img0[0:roiH,0:roiW]
img1ROI = img1[0:roiH,0:roiW]
# dst
dst = np.zeros((roiH,roiW,3),np.uint8)
# 调用cv2的api进行图片融合：addWeighted方法，前面四个参数分别对应pic1的信息，pic1的权重，pic2的信息，pic2的权重
# dst = src1*a+src2*（1-a）
dst = cv2.addWeighted(img0ROI,0.3,img1ROI,0.7,0)
cv2.imshow('dst',dst)
cv2.waitKey(0)

运行结果如下：

src0第一幅图像：

src1第二幅图像：

dst融合后的目标图像：