python基础篇：字符画生成~甜心教主(1)

程序员小伊

于 2024-05-17 08:03:46 发布

阅读量229

点赞数 4

分类专栏：程序员文章标签： python 学习面试

本文链接：https://blog.csdn.net/m0_54926105/article/details/138990276

版权

程序员专栏收录该内容

570 篇文章 6 订阅

订阅专栏

最后

🍅 硬核资料：关注即可领取PPT模板、简历模板、行业经典书籍PDF。
🍅 技术互助：技术群大佬指点迷津，你的问题可能不是问题，求资源在群里喊一声。
🍅 面试题库：由技术群里的小伙伴们共同投稿，热乎的大厂面试真题，持续更新中。
🍅 知识体系：含编程语言、算法、大数据生态圈组件（Mysql、Hive、Spark、Flink）、数据仓库、Python、前端等等。

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

第一步视频拆分成视频

首先使用cv2.VideoCapture进行视频进行抽帧，将抽帧好的图片使用read方式进行读取，把读取好的数据保存在文件夹里，使用数字来保存图片名，也方便我们在之后进行提取图片数据进行使用

# 将视频转换为图片 并进行计数，返回总共生成了多少张图片！
def video\_to\_pic(vp):
    # vp = cv2.VideoCapture(video\_path)
    number = 0
    if vp.isOpened():
        r, frame = vp.read()
        if not os.path.exists('cache\_pic'):
            os.mkdir('cache\_pic')
        os.chdir('cache\_pic')
    else:
        r = False
    while r:
        number += 1
        cv2.imwrite(str(number) + '.jpg', frame)
        r, frame = vp.read()
    print('\n由视频一共生成了{}张图片！'.format(number))
    os.chdir("..")
    return number

将图片转换字符画

循环取出文件夹里面所有的图片数据进行转换，首先通过cv2进行图片读取，获取到他的图片数据通道，获取到图片数据的3通道rgb的数据信息，在将数据进行灰度处理，我们需要用他的颜色用来区分他的数据样式，所以只能灰度来实现，在使用numpy进行数据转换，将获取到的矩阵数据进行降维，转换成一个类似列表的数据信息，使用kmeans算法对图像数据进行分类，设置他的矩阵中心数，最大迭代数，以及试错等级，k聚类算法可以自行了解，会给我们返回labels(类别)、centroids(矩心) compactness(密度值)，将矩心进行数据转换成整数，我们可以更好的替换符号，对矩心进行排序，矩心大的说明颜色越暗，矩心小的越淡，在根据亮度数据将数据进行替换成一个新的画布，将我们的符号替换到画布上去,到这里我们就能吧单独的图片替换成字符画了

def img2strimg(frame, K=3):
    # 读取矩阵的长度 有时返回两个值，有时三个值
    height, width, \*_ = frame.shape
    # print(frame.shape)
    # 颜色空间转化 图片对象， 灰度处理
    frame_gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
    # print(frame\_gray)
    # 转换数据类型，将数据降维
    frame_array = np.float32(frame_gray.reshape(-1))
    # print(frame\_array)
    # 得到labels(类别)、centroids(矩心) compactness(密度值)。
    # 如第一行6个像素labels=[0,2,2,1,2,0],则意味着6个像素分别对应着 第1个矩心、第3个矩心、第3、2、3、1个矩心。
    compactness, labels, centroids = cv2.kmeans(frame_array, K, None, (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 10, 1.0), 10, cv2.KMEANS_RANDOM_CENTERS)
    print(labels)
    centroids = np.uint8(centroids)  # 转换成整形
    # labels的数个矩心以随机顺序排列，所以需要简单处理矩心.
    # 返回一个折叠成一维的数组
    centroids = centroids.flatten()
    # 排序
    centroids_sorted = sorted(centroids)
    # 获得不同centroids的明暗程度，0最暗
    centroids_index = np.array([centroids_sorted.index(value) for value in centroids])
    # 亮度设置
    bright = [abs((3 \* i - 2 \* K) / (3 \* K)) for i in range(1, 1 + K)]
    bright_bound = bright.index(np.min(bright))
    # 背景阴影设置
    shadow = [abs((3 \* i - K) / (3 \* K)) for i in range(1, 1 + K)]
    shadow_bound = shadow.index(np.min(shadow))
    # 返回一个折叠成一维的数组
    labels = labels.flatten()
    print(labels)
    # 将labels转变为实际的明暗程度列表，0最暗。
    labels = centroids_index[labels]
    print(labels)
    # 列表解析，每2\*2个像素挑选出一个，组成（height\*width\*灰）数组。
    labels_picked = [labels[rows \* width:(rows + 1) \* width:2] for rows in range(0, height, 2)]
    canvas = np.zeros((3 \* height, 3 \* width, 3), np.uint8)
    canvas.fill(255)  # 创建长宽为原图三倍的白色画布。

    # 因为 字体大小为0.45时，每个数字占6\*6个像素，而白底画布为原图三倍
    # 所以 需要原图中每2\*2个像素中挑取一个，在白底画布中由6\*6像素大小的数字表示这个像素信息。
    y = 0
    for rows in labels_picked:
        x = 0
        for cols in rows:
            if cols <= shadow_bound:
                # 添加文字 图片，添加的文字，左上角坐标，字体，字体大小，颜色，字体粗细
                cv2.putText(canvas, str(random.randint(2, 9)), (x, y), cv2.FONT_HERSHEY_PLAIN, 0.45, 0.1)
            elif cols <= bright_bound:
                cv2.putText(canvas, "-", (x, y),cv2.FONT_HERSHEY_PLAIN, 0.4, 0, 1)
            x += 6
        y += 6

    return canvas

合成视频

将全部的图片数据在进行合成一个新的视频，视频数据尽量不要太大，帧数越细的话，生成的视频越大，可能好几个G

def jpg\_to\_video(char_image_path, FPS):
    video_fourcc = cv2.VideoWriter_fourcc(\*"MP42")  # 设置视频编码器,这里使用使用MP42编码器,可以生成更小的视频文件
    char_img_path_list = [char_image_path + r'/{}.jpg'.format(i) for i in range(1, number + 1)]  # 生成目标字符图片文件的路径列表
    char_img_test = Image.open(char_img_path_list[1]).size  # 获取图片的分辨率
    if not os.path.exists('video'):
        os.mkdir('video')
    video_writter = cv2.VideoWriter('video/new\_char\_video.avi', video_fourcc, FPS, char_img_test)
    sum = len(char_img_path_list)
    count = 0
    for image_path in char_img_path_list:
        img = cv2.imread(image_path)
        video_writter.write(img)
        end_str = '100%'
        count = count + 1
        process_bar(count / sum, start_str='', end_str=end_str, total_length=15)

    video_writter.release()
    print('\n')
    print('=======================')
    print('The video is finished!')
    print('=======================')

简易源码分享

# from platypus import
import os
from PIL import Image, ImageFont, ImageDraw
import cv2
import random
import numpy as np
import threading


# 将视频转换为图片 并进行计数，返回总共生成了多少张图片！
def video\_to\_pic(vp):
    # vp = cv2.VideoCapture(video\_path)
    number = 0
    if vp.isOpened():
        r, frame = vp.read()
        if not os.path.exists('cache\_pic'):
            os.mkdir('cache\_pic')
        os.chdir('cache\_pic')
    else:
        r = False
    while r:
        number += 1
        cv2.imwrite(str(number) + '.jpg', frame)
        r, frame = vp.read()
    print('\n由视频一共生成了{}张图片！'.format(number))
    os.chdir("..")
    return number



def star\_to\_char(number, save_pic_path):
    if not os.path.exists('cache\_char'):
        os.mkdir('cache\_char')
    img_path_list = [save_pic_path + r'/{}.jpg'.format(i) for i in range(1, number + 1)]  # 生成目标图片文件的路径列表
    task = 0
    for image_path in img_path_list:
        img_width, img_height = Image.open(image_path).size  # 获取图片的分辨率
        task += 1
        # img\_to\_char(image\_path, img\_width, img\_height, task)
        print('{}/{} is finished.'.format(task, number))
    print('=======================')
    print('All image was finished!')
    print('=======================')
    return 0



def img2strimg(frame, K=3):
    # 读取矩阵的长度 有时返回两个值，有时三个值
    height, width, \*_ = frame.shape
    # print(frame.shape)
    # 颜色空间转化 图片对象， 灰度处理
    frame_gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
    # print(frame\_gray)
    # 转换数据类型，将数据降维
    frame_array = np.float32(frame_gray.reshape(-1))
    # print(frame\_array)
    # 得到labels(类别)、centroids(矩心) compactness(密度值)。
    # 如第一行6个像素labels=[0,2,2,1,2,0],则意味着6个像素分别对应着 第1个矩心、第3个矩心、第3、2、3、1个矩心。
    compactness, labels, centroids = cv2.kmeans(frame_array, K, None, (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 10, 1.0), 10, cv2.KMEANS_RANDOM_CENTERS)
    print(labels)
    centroids = np.uint8(centroids)  # 转换成整形
    # labels的数个矩心以随机顺序排列，所以需要简单处理矩心.
    # 返回一个折叠成一维的数组
    centroids = centroids.flatten()
    # 排序
    centroids_sorted = sorted(centroids)
    # 获得不同centroids的明暗程度，0最暗
    centroids_index = np.array([centroids_sorted.index(value) for value in centroids])
    # 亮度设置
    bright = [abs((3 \* i - 2 \* K) / (3 \* K)) for i in range(1, 1 + K)]
    bright_bound = bright.index(np.min(bright))
    # 背景阴影设置
    shadow = [abs((3 \* i - K) / (3 \* K)) for i in range(1, 1 + K)]
    shadow_bound = shadow.index(np.min(shadow))
    # 返回一个折叠成一维的数组
    labels = labels.flatten()
    print(labels)
    # 将labels转变为实际的明暗程度列表，0最暗。
    labels = centroids_index[labels]
    print(labels)
    # 列表解析，每2\*2个像素挑选出一个，组成（height\*width\*灰）数组。
    labels_picked = [labels[rows \* width:(rows + 1) \* width:2] for rows in range(0, height, 2)]
    canvas = np.zeros((3 \* height, 3 \* width, 3), np.uint8)
    canvas.fill(255)  # 创建长宽为原图三倍的白色画布。

    # 因为 字体大小为0.45时，每个数字占6\*6个像素，而白底画布为原图三倍
    # 所以 需要原图中每2\*2个像素中挑取一个，在白底画布中由6\*6像素大小的数字表示这个像素信息。
    y = 0
    for rows in labels_picked:
        x = 0
        for cols in rows:
            if cols <= shadow_bound:
                # 添加文字 图片，添加的文字，左上角坐标，字体，字体大小，颜色，字体粗细
                cv2.putText(canvas, str(random.randint(2, 9)), (x, y), cv2.FONT_HERSHEY_PLAIN, 0.45, 0.1)
            elif cols <= bright_bound:
                cv2.putText(canvas, "-", (x, y),cv2.FONT_HERSHEY_PLAIN, 0.4, 0, 1)
            x += 6
        y += 6

    return canvas

def jpg\_to\_video(char_image_path, FPS):
    video_fourcc = cv2.VideoWriter_fourcc(\*"MP42")  # 设置视频编码器,这里使用使用MP42编码器,可以生成更小的视频文件
    char_img_path_list = [char_image_path + r'/{}.jpg'.format(i) for i in range(1, number + 1)]  # 生成目标字符图片文件的路径列表
    char_img_test = Image.open(char_img_path_list[1]).size  # 获取图片的分辨率


现在能在网上找到很多很多的学习资源，有免费的也有收费的，当我拿到1套比较全的学习资源之前，我并没着急去看第1节，我而是去审视这套资源是否值得学习，有时候也会去问一些学长的意见，如果可以之后，我会对这套学习资源做1个学习计划，我的学习计划主要包括规划图和学习进度表。



分享给大家这份我薅到的免费视频资料，质量还不错，大家可以跟着学习

![](https://img-blog.csdnimg.cn/img_convert/21b2604bd33c4b6713f686ddd3fe5aff.png)



**网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。**

**[需要这份系统化学习资料的朋友，可以戳这里获取](https://bbs.csdn.net/topics/618317507)**

**一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！**

程序员小伊

关注

4
点赞
踩
7

收藏

觉得还不错? 一键收藏
0
评论
python基础篇：字符画生成~甜心教主(1)

🍅 硬核资料：关注即可领取PPT模板、简历模板、行业经典书籍PDF。🍅 技术互助：技术群大佬指点迷津，你的问题可能不是问题，求资源在群里喊一声。🍅 面试题库：由技术群里的小伙伴们共同投稿，热乎的大厂面试真题，持续更新中。🍅 知识体系：含编程语言、算法、大数据生态圈组件（Mysql、Hive、Spark、Flink）、数据仓库、Python、前端等等。网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。需要这份系统化学习资料的朋友，可以戳这里获取。
复制链接

扫一扫