Python中八大图像特效算法的示例详解

目录

• 0写在前面
• 1毛玻璃特效
• 2浮雕特效
• 3油画特效
• 4马赛克特效
• 5素描特效
• 6怀旧特效
• 7流年特效
• 8卡通特效

0 写在前面

图像特效处理是基于图像像素数据特征，将原图像进行一定步骤的计算——例如像素作差、灰度变换、颜色通道融合等，从而达到期望的效果。图像特效处理是日常生活中应用非常广泛的一种计算机视觉应用，出现在各种美图软件中，这些精美滤镜背后的数学原理都是相通的，本文主要介绍八大基本图像特效算法，在这些算法基础上可以进行二次开发，生成更高级的滤镜。

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)

就可以生成毛玻璃特效处理过的图片。这个类的构造函数为

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]

读取的是图像的基本信息。本文还是把冰冰作为模特~

那么下面，正式开始各种算法的介绍吧~

1 毛玻璃特效

毛玻璃特效，是利用图像邻域内随机一个像素点颜色代替当前像素，从而实现毛玻璃一般朦胧模糊的效果。

# 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

浮雕特效，是让要呈现的图像看起来“突起于石头表面”，根据凹凸程度不同形成三维的立体效果。数学原理是先刻画处图像的轮廓，再降低边缘周围的像素值，从而产生一张立体浮雕效果。

# 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，是让图像看上去像颜料所画，产生一种古典、褶皱的效果。几乎所有修图软件都支持油画特效，其数学原理是

• 定义一个卷积核
• 用卷积核对图形进行扫描，对扫描框内像素的灰度进行量化
• 对不同的等级的像素点数目进行计数
• 找到扫描框中灰度等级最多的像素点，并对这些像素点的灰度值求均值
• 用均值代替原像素值
• 重复上述操作直至卷积核扫描完整幅图像

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

马赛克特效，是当前使用较为广泛的一种图像或视频处理手段，它将图像或视频中特定区域的色阶细节劣化并造成色块打乱的效果，主要目的通常是使特定区域无法辨认。其数学原理很简单，就是让某个集合内的像素相同即可。

# 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

素描特效，是使用单一色彩表现明度变化的绘画。数学原理是采用高斯模糊与灰度倒置的方式产生素描的空间造型。

# 素描特效
def sketch(self):
    temp = 255 - self.gray
    gauss = cv2.GaussianBlur(temp, (21, 21), 0)
    inverGauss = 255 - gauss
    return cv2.divide(self.gray, inverGauss, scale = 127.0)

6 怀旧特效

怀旧特效，是基于心理学公式对原图像三个色彩通道进行变换和低通滤波，产生怀旧的光影效果。

心理学公式(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

流年特效，是美图软件常用的特性处理手段。其数学原理是基于原图像蓝色通道进行变换，变换采取经验公式14√6

# 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

卡通特效，顾名思义，是卡通特效。

# 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)

以上就是Python中八大图像特效算法的示例详解的详细内容，更多关于Python图像特效算法的资料请关注我们其它相关文章！