图像处理那点事儿之三特异功能

冷不防 2022-11-29 05:55 93阅读 0赞

## 3.图像特效 ##

你在我眼中是最美，每一个微笑都让我沉醉《最美-羽泉》  
特效章节主要涉及到颜色值本身的变化，让我们重温一下，计算机图像由三种基本颜色组成红色、绿色、蓝色、这些颜色值在0到255之间,通过这三种原色的不同组合生成了网络神奇大千世界。

### 1.灰度处理 ###

灰度处理是特效中最关键的 一趴，既然三种原色不同组合会生成五颜六色，那我们就让它们比例都一样这样就灰了。另外心理学觉得我们这么做太粗暴，于是就有了心理学灰度公式：心理学公式： r*0.299+g*0.587+b\*0.144。上源码

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dhb2JpbmcxOTkz_size_16_color_FFFFFF_t_70_pic_center]

#灰度处理
    #方法一 直接读取灰色
    import cv2
    import  numpy as np
    img = cv2.imread('images/tangwei.jpg',0)
    cv2.imshow('jin',img)
    cv2.waitKey(0)
    
    #方法二 使用cvtColor
    import cv2
    import  numpy as np
    img = cv2.imread('images/tangwei.jpg',1)
    dest = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
    dest = cv2.resize(dest,(300,500))
    cv2.imshow('jin',dest)
    cv2.waitKey(0)
    
    #源码之 (r+g+b)/3计算灰度值
    import cv2
    import numpy as np
    img = cv2.imread('images/tangwei.jpg',1)
    img_info = img.shape
    height = img_info[0]
    width = img_info[1]
    img_dest = np.zeros((height,width),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
            img_dest[i,j]=np.uint(gray)
    cv2.imshow('gaobing',img_dest)
    cv2.waitKey(0)
    
    #源码之 心理学公式 r*0.299+g*0.587+b*0.144计算灰度值
    import cv2
    import numpy as np
    img = cv2.imread('images/tangwei.jpg',1)
    img_info = img.shape
    height = img_info[0]
    width = img_info[1]
    img_dest = np.zeros((height,width),np.uint8)
    for i in range(0,height):
        for j in range(0,width):
            (b,g,r) = img[i,j]
            gray = int(b)*0.144+int(g)*0.587+int(r)*0.299
            img_dest[i,j]=np.uint(gray)
    cv2.imshow('gaobing',img_dest)
    cv2.waitKey(0)

### 2.颜色反转 ###

这个生成的就是底片效果，简言之用255-像素值，就得到了目标值。

#底版效果 图像反转
    #255-像素 得到转换后的像素
    import cv2
    import numpy as np
    image = cv2.imread('images/liuhui.jpg',1)
    imageInfo = image.shape
    height = imageInfo[0]
    width = imageInfo[1]
    image_dest = np.zeros((height,width,3),np.uint8)
    for i in range(0,height):
        for j in  range(0,width):
            image_dest[i,j]=255-image[i,j]
    cv2.imshow('dest',image_dest)
    cv2.waitKey(0)

### 3.马赛克效果 ###

用1个点的值，替换周围n\*n固定区域的值；多次替换之后，图片就变成了多个小块重叠的效果。这种方式是直接对原图进行修改，暂时还想不出什么传统的办法可以去掉马赛克，是不是有点失望。如果需求非常强烈，可以尝试使用深度学习中的对抗学习来生成。不过这种技术也只是对区域像素的一种猜想而已。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dhb2JpbmcxOTkz_size_16_color_FFFFFF_t_70_pic_center 1]

#马赛克效果
    #用一个像素的值 替代周围固定距离像素的值
    import cv2
    import numpy as np
    image = cv2.imread('images/tangwei.jpg',1)
    image_info = image.shape
    height = image_info[0]
    width = image_info[1]
    for i in range(200,300):
        for j in range(100,200):
            if i%10 == 0 and j%10 == 0:
                for m in range(0,10):
                    for n in range(0,10):
                        image[i+m,j+n]=image[i,j]
    cv2.imshow('images',image)
    cv2.waitKey(0)

### 4.毛玻璃效果 ###

和马赛克正好相反，毛玻璃是随机取周围固定区域的值来替换当前点的值。因为图像中附近点的像素具有相似性，但又不是完全一致 ，所以会出现比较朦胧的效果。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dhb2JpbmcxOTkz_size_16_color_FFFFFF_t_70_pic_center 2]

#毛玻璃效果
    #用周围像素的随机值 替换当前像素值
    import cv2
    import numpy as np
    import random
    image = cv2.imread('images/tangwei.jpg',1)
    image_info = image.shape
    height = image_info[0]
    width = image_info[1]
    image_dest  = np.zeros((height,width,3),np.uint8)
    mm = 10
    for i in range(0,height-mm):
        for j in range(0,width-mm):
            index_rand = int(random.random()*mm)
            image_dest[i,j] = image[i+index_rand,j+index_rand]
    cv2.imshow('image',image_dest)
    cv2.waitKey(0)

\#\#\#5.图片融合  
突然想说，很多名词起的很高大上给学习者带来了很大的压力。但是大道至简，说到底还都是一生二，二生三，三胜万物。  
图片融合就是把两张图片的像素加权求和，有点类似于风格迁移。当然你得先让两张图片大小相同。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dhb2JpbmcxOTkz_size_16_color_FFFFFF_t_70_pic_center 3]

#图片融合 即把两个相同尺寸的图片区域进行加权求和
    #方法一：：从图像中把区域切出来进行融合
    import cv2
    import numpy as np
    image1 = cv2.imread('images/tongliya.jpg',1)
    image2 = cv2.imread('images/jinzhiyuan.jpg',1)
    image1_info = image1.shape
    height = int(image1_info[0]/2)
    width = int(image1_info[1]/2)
    image_dest = cv2.addWeighted(image1[0:height,0:width],0.5,image2[0:height,0:width],0.5,0)
    cv2.imshow('image',image_dest)
    cv2.waitKey(0)
    
    #图片融合 即把两个相同尺寸的图片区域进行加权求和
    #方法一：：将两个图片resize后进行融合
    import cv2
    import numpy as np
    image1 = cv2.imread('images/tongliya.jpg',1)
    image2 = cv2.imread('images/jinzhiyuan.jpg',1)
    image3 = cv2.imread('images/peixiuzhi.jpg',1)
    image4 = cv2.imread('images/linyuner.jpg',1)
    image1_re = cv2.resize(image1,(500,500))
    image2_re = cv2.resize(image2,(500,500))
    image3_re = cv2.resize(image3,(500,500))
    image4_re = cv2.resize(image4,(500,500))
    image_dest = cv2.addWeighted(image1_re,0.5,image2_re,0.5,0)
    image_dest = cv2.addWeighted(image1_re,0.5,image2_re,0.5,0)
    image_dest = cv2.addWeighted(image_dest,0.5,image3_re,0.5,0)
    image_dest = cv2.addWeighted(image_dest,0.5,image4_re,0.5,0)
    cv2.imshow('image',image_dest)
    cv2.waitKey(0)

### 6.边缘检测 ###

如何才能知道什么地方是图像的边缘呢？那我们看看边缘的像素点有什么样的特征，我去居然发现了。边缘像素点跟周围点的差距都有点大。那么就可以利用像素和周围点的差，设置一个阈值去判断边缘。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dhb2JpbmcxOTkz_size_16_color_FFFFFF_t_70_pic_center 4]

#边缘检测 
    #1.灰度处理
    #2.高斯滤波
    #3.canny边缘检测
    import cv2
    import numpy as np
    img = cv2.imread('images/tangwei.jpg',1)
    img_gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
    #高斯滤波机型 平滑处理
    cv2.GaussianBlur(img,(3,3),0)
    img_dest = cv2.Canny(img,50,50)
    cv2.imshow('img',img_dest)
    cv2.waitKey(0)
    
    #源码篇
    import cv2
    import numpy as np
    import math
    img = cv2.imread('images/tangwei.jpg',0)
    img_info = img.shape
    height = img_info[0]
    width = img_info[1]
    #1.sobel算子去卷积图片中的每个区域
    #根据卷积结果平方和开根号 判断梯度  因为sobel算子的格式 其实相当于mse
    '''1   2  1      1  0  -1
       0   0  0      2  0  -2
       -1 -2  -1     1  0  -1
    '''
    img_dest = np.zeros((height,width,1),np.uint8)
    for i in range(0,height-2):
        for j in range(0,width-2):
            dy = img[i,j]+img[i,j+1]*2+img[i,j+2]-img[i+2,j]-img[i+2,j+1]*2-img[i+2,j+2]
            dx = img[i,j]+img[i+1,j]*2+img[i+2,j]-img[i,j+2]-img[i+1,j+1]*2-img[i+2,j+2]
            grad = math.sqrt(dx**2+dy**2)
            if grad>40:
                 img_dest[i,j] = 255
            else:
                 img_dest[i,j] = 0
    cv2.imshow('img',img_dest)
    cv2.waitKey(0)

\#\#\#7.浮雕效果  
为了让图像具有层次感的突出，我们的目标是尽量把不同的区域给区分开来，强化区域间的差异，弱化区域内的差异，实现的手段就是用 当前点的值-下一个点的值+150；因为不同区域间像素的差不一样，从而实现了我们要的浮雕效果。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dhb2JpbmcxOTkz_size_16_color_FFFFFF_t_70_pic_center 5]

#浮雕效果
    #当前像素点 = 当前值-下一个点的值+150（个人理解150相当于突出的程度）
    import cv2
    import numpy as np
    import math
    img = cv2.imread('images/tongliya.jpg',0)
    img_info = img.shape
    height = img_info[0]
    width = img_info[1]
    img_dest = np.zeros((height,width,1),np.uint8)
    for i in range(0,height):
        for j in range(0,width-1):
            newp = int(img[i,j])-int(img[i,j+1])+150
            if newp > 255:
                newp = 255
            if newp < 0:
                newp = 0
            img_dest[i,j] = newp
    cv2.imshow('img',img_dest)
    cv2.waitKey(0)

\#\#\#8.颜色风格  
对于三种原色调，我们使色调的比例和原来不一样就可以实现风格的转换。我突然想到林青霞。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dhb2JpbmcxOTkz_size_16_color_FFFFFF_t_70_pic_center 6]

#将特定的某种原色增强，实现整体风格改变
    import cv2
    import numpy as np
    img = cv2.imread('images/tangwei.jpg',1)
    img_info = img.shape
    height = img_info[0]
    width = img_info[1]
    img_dest = 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_new = b*1.5
            if b_new > 255:
                b_new = 255
            g_new = g*1.3
            if g_new >255:
                g_new = 255
            img_dest[i,j]=(b_new,g_new,r)
    cv2.imshow('img',img_dest)
    cv2.waitKey(0)

### 9.图像和视频转换 ###

因为视频的本质是将图像编码之后存储起来，那么视频转图片就是将视频解码之后，使用图片读出来；图像转视频即先进行编码，在写入到视频中；核心的方法cv2.VideoCapture和cv2.VideoWriter

#将视频转化为图片
    #原理 视频本就是由许多张连续的图片组成的 
    #1.使用cv2.VideoCpture 读取视频 2. 使用isOpend判断是否打开 3.使用open属性进行读取图片
    import cv2
    cap = cv2.VideoCapture('lisa.mp4')
    isOpend = cap.isOpened
    i = 0
    while isOpend:
        i += 1
        if i == 100:
            break
        (flag,frame) = cap.read()
        filename =  'lisa'+str(i)+'.jpg'
        if flag == True:
            cv2.imwrite('file/'+filename,frame)
    
    
    #图片合成视频
    #1.生成videoWrite构造器
    #读取原始图片，使用videowrite写入
    import cv2
    img = cv2.imread('file\lisa1.jpg',3)
    img_info = img.shape
    
    height  =  img_info[0]
    width = img_info[1]
    print(width)
    VideoWrite = cv2.VideoWriter('lisa.mp4',-1,4,(width,height))
    for i in range(1,100):
        #file_name 一定要先定义变量进行拼接，如果直接加载imread中读取不到
        file_name = 'file\lisa'+str(i)+'.jpg'
        img_save = cv2.imread(file_name)
        VideoWrite.write(img_save)

特效环节到此就结束了，你用尽了千般技巧终于得到了女神的芳心。请你一定要好好的对待她，因为渣男真的很讨厌。用你的行动告诉她，蒲苇纫如丝，磐石无转移。继续努力，使自己更优秀吧！  
至此，我们的图像处理那点事儿系列暂时就告一段落了，江湖有缘再见！

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dhb2JpbmcxOTkz_size_16_color_FFFFFF_t_70_pic_center]: /images/20221124/5768716cb2704193bef53c47b1ab48ba.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dhb2JpbmcxOTkz_size_16_color_FFFFFF_t_70_pic_center 1]: /images/20221124/2201f641e9724eb6a6baf10459406639.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dhb2JpbmcxOTkz_size_16_color_FFFFFF_t_70_pic_center 2]: /images/20221124/326b0f00b7e34781b5143e08140e7ec4.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dhb2JpbmcxOTkz_size_16_color_FFFFFF_t_70_pic_center 3]: /images/20221124/fdac8490723241a09505572c8385b169.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dhb2JpbmcxOTkz_size_16_color_FFFFFF_t_70_pic_center 4]: /images/20221124/30d94a21a15142a88a519ba0cb204bab.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dhb2JpbmcxOTkz_size_16_color_FFFFFF_t_70_pic_center 5]: /images/20221124/cd610e4a80a74363b272b3b6cd79901c.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dhb2JpbmcxOTkz_size_16_color_FFFFFF_t_70_pic_center 6]: /images/20221124/1c322cacc2e94961b7532c45babf27e1.png