opencv使用trackbar调控美颜程度

最新推荐文章于 2024-10-06 23:41:31 发布
最新推荐文章于 2024-10-06 23:41:31 发布
阅读量1.7k 收藏 1
点赞数
分类专栏： 付费专栏 美颜 文章标签： opencv 计算机视觉 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_16792139/article/details/122452734
版权 
#!/usr/bin/env python3
# -*- coding: utf-8 -*-

import dlib
import cv2
import numpy as np
import math
import time
predictor_path = 'shape_predictor_68_face_landmarks.dat'

# 使用dlib自带的frontal_face_detector作为我们的特征提取器
detector = dlib.get_frontal_face_detector()
predictor = dlib.shape_predictor(predictor_path)

def landmark_dec_dlib_fun(img_src):
    #转灰度图
    img_gray = cv2.cvtColor(img_src, cv2.COLOR_BGR2GRAY)
    #cv2.imshow('grayimg',img_gray)
    land_marks = []

    rects = detector(img_gray, 0)
    print(rects)
    for i in range(len(rects)):
        land_marks_node = np.matrix([[p.x, p.y] for p in predictor(img_gray, rects[i]).parts()])
        # for idx,point in enumerate(land_marks_node):
        #     # 68点坐标
        #     pos = (point[0,0],point[0,1])
        #     print(idx,pos)
        #     # 利用cv2.circle给每个特征点画一个圈，共68个
        #     cv2.circle(img_src, pos, 5, color=(0, 255, 0))
        #     # 利用cv2.putText输出1-68
        #     font = cv2.FONT_HERSHEY_SIMPLEX
        #     cv2.putText(img_src, str(idx + 1), pos, font, 0.5, (0, 0, 0), 1, cv2.LINE_AA)
        land_marks.append(land_marks_node)

    return land_marks


'''
方法1： Interactive Image Warping 局部放大算法
'''
def localTranslationWarp1(srcImg, startX, startY, endX, endY, radius):

    ddradius = float(radius * radius)
    copyImg = np.zeros(srcImg.shape, np.uint8)
    copyImg = srcImg.copy()
    t1 = time.time()
    # 计算公式中的|m-c|^2
    ddmc = (endX - startX) * (endX - startX) + (endY - startY) * (endY - startY)
    H, W, C = srcImg.shape
    for i in range(W):
        for j in range(H):
            # 计算该点是否在形变圆的范围之内
            # 优化，第一步，直接判断是会在（startX,startY)的矩阵框中
            if math.fabs(i - startX) > radius and math.fabs(j - startY) > radius:
                continue

            distance = (i - startX) * (i - startX) + (j - startY) * (j - startY)

            if (distance < ddradius):
                # 计算出（i,j）坐标的原坐标
                # 计算公式中右边平方号里的部分
                # ratio = (ddradius - distance) / (ddradius - distance + ddmc)
                # ratio = ratio * ratio
                rnorm = math.sqrt(distance) / radius
                ratio = 1 - (rnorm - 1)*(rnorm - 1)*0.5
                # 映射原位置
                UX = startX + ratio * (i - startX)
                UY = startY + ratio * (j - startY)
                # 根据双线性插值法得到UX，UY的值
                value = BilinearInsert(srcImg, UX, UY)
                # 改变当前 i ，j的值
                copyImg[j, i] = value
    return copyImg
'''
方法2： Interactive Image Warping 局部平移算法
'''
def localTranslationWarp2(srcImg, startX, startY, endX, endY, radius):
    ddradius = float(radius * radius)
    copyImg = np.zeros(srcImg.shape, np.uint8)
    copyImg = srcImg.copy()

    # 计算公式中的|m-c|^2
    ddmc = (endX - startX) * (endX - startX) + (endY - startY) * (endY - startY)
    H, W, C = srcImg.shape
    for i in range(W):
        for j in range(H):
            # 计算该点是否在形变圆的范围之内
            # 优化，第一步，直接判断是会在（startX,startY)的矩阵框中
            if math.fabs(i - startX) > radius and math.fabs(j - startY) > radius:
                continue

            distance = (i - startX) * (i - startX) + (j - startY) * (j - startY)

            if (distance < ddradius):
                # 计算出（i,j）坐标的原坐标
                # 计算公式中右边平方号里的部分
                ratio = (ddradius - distance) / (ddradius - distance + ddmc)
                ratio = ratio * ratio

                # 映射原位置
                UX = i - ratio * (endX - startX)
                UY = j - ratio * (endY - startY)

                # 根据双线性插值法得到UX，UY的值
                value = BilinearInsert(srcImg, UX, UY)
                # 改变当前 i ，j的值
                copyImg[j, i] = value

    return copyImg

predictor_path = 'shape_predictor_68_face_landmarks.dat'

# 使用dlib自带的frontal_face_detector作为我们的特征提取器
detector = dlib.get_frontal_face_detector()
predictor = dlib.shape_predictor(predictor_path)


def landmark_dec_dlib_fun(img_src):
    #转灰度图
    img_gray = cv2.cvtColor(img_src, cv2.COLOR_BGR2GRAY)
    #cv2.imshow('grayimg',img_gray)
    land_marks = []

    rects = detector(img_gray, 0)
    #print(rects)
    for i in range(len(rects)):
        land_marks_node = np.matrix([[p.x, p.y] for p in predictor(img_gray, rects[i]).parts()])
        # for idx,point in enumerate(land_marks_node):
        #     # 68点坐标
        #     pos = (point[0,0],point[0,1])
        #     print(idx,pos)
        #     # 利用cv2.circle给每个特征点画一个圈，共68个
        #     cv2.circle(img_src, pos, 5, color=(0, 255, 0))
        #     # 利用cv2.putText输出1-68
        #     font = cv2.FONT_HERSHEY_SIMPLEX
        #     cv2.putText(img_src, str(idx + 1), pos, font, 0.5, (0, 0, 0), 1, cv2.LINE_AA)
        land_marks.append(land_marks_node)

    return land_marks


# 双线性插值法
def BilinearInsert(src, ux, uy):
    w, h, c = src.shape
    if c == 3:
        x1 = int(ux)
        x2 = x1 + 1
        y1 = int(uy)
        y2 = y1 + 1

        part1 = src[y1, x1].astype(np.float64) * (float(x2) - ux) * (float(y2) - uy)
        part2 = src[y1, x2].astype(np.float64) * (ux - float(x1)) * (float(y2) - uy)
        part3 = src[y2, x1].astype(np.float64) * (float(x2) - ux) * (uy - float(y1))
        part4 = src[y2, x2].astype(np.float64) * (ux - float(x1)) * (uy - float(y1))

        insertValue = part1 + part2 + part3 + part4

        return insertValue.astype(np.int8)

src = cv2.imread('1.jpg')

landmarks = landmark_dec_dlib_fun(src)
# if len(landmarks) == 0:
#     return

for landmarks_node in landmarks:
    # 第4个点左
    left_landmark = landmarks_node[37]
    # 第6个点左
    left_landmark_down = landmarks_node[27]
    # 第14个点右
    right_landmark = landmarks_node[44]
    # 第16个点右
    right_landmark_down = landmarks_node[27]
    # 第31个点鼻尖
    endPt = landmarks_node[30]
def face_big_auto(x):
    #68个关键点二维数组
    #landmarks = landmark_dec_dlib_fun(src)
    if len(landmarks) == 0:
        return
    w = cv2.getTrackbarPos('Bigeye', 'How big the eyes do you want')
        # 计算第4个点到第6个点的距离作为瘦脸距离
        # r_left = math.sqrt(
        #     (left_landmark[0, 0] - left_landmark_down[0, 0]) * (left_landmark[0, 0] - left_landmark_down[0, 0]) +
        #     (left_landmark[0, 1] - left_landmark_down[0, 1]) * (left_landmark[0, 1] - left_landmark_down[0, 1]))
        #
        # # 计算第14个点到第16个点的距离作为瘦脸距离
        # r_right = math.sqrt(
        #     (right_landmark[0, 0] - right_landmark_down[0, 0]) * (right_landmark[0, 0] - right_landmark_down[0, 0]) +
        #     (right_landmark[0, 1] - right_landmark_down[0, 1]) * (right_landmark[0, 1] - right_landmark_down[0, 1]))
    r_left = w
    r_right = w
    # 瘦左边脸
    big_image = localTranslationWarp1(src, left_landmark[0, 0], left_landmark[0, 1], endPt[0, 0], endPt[0, 1],
                                      r_left)
    # 瘦右边脸
    big_image = localTranslationWarp1(big_image, right_landmark[0, 0], right_landmark[0, 1], endPt[0, 0],
                                      endPt[0, 1], r_right)
    # 显示
    cv2.imshow('How big the eyes do you want', big_image)
    cv2.waitKey(0)

def face_thin_auto(x):
    s = cv2.getTrackbarPos('Thinface', 'How big the eyes do you want')
    # 如果未检测到人脸关键点，就不进行瘦脸
    if len(landmarks) == 0:
        return

    for landmarks_node in landmarks:
        #第4个点左
        left_landmark = landmarks_node[3]
        #第6个点左
        left_landmark_down = landmarks_node[5]
        #第14个点右
        right_landmark = landmarks_node[13]
        #第16个点右
        right_landmark_down = landmarks_node[15]
        #第31个点鼻尖
        endPt = landmarks_node[30]

        # 计算第4个点到第6个点的距离作为瘦脸距离
        # r_left = math.sqrt(
        #     (left_landmark[0, 0] - left_landmark_down[0, 0]) * (left_landmark[0, 0] - left_landmark_down[0, 0]) +
        #     (left_landmark[0, 1] - left_landmark_down[0, 1]) * (left_landmark[0, 1] - left_landmark_down[0, 1]))
        #
        # # 计算第14个点到第16个点的距离作为瘦脸距离
        # r_right = math.sqrt(
        #     (right_landmark[0, 0] - right_landmark_down[0, 0]) * (right_landmark[0, 0] - right_landmark_down[0, 0]) +
        #     (right_landmark[0, 1] - right_landmark_down[0, 1]) * (right_landmark[0, 1] - right_landmark_down[0, 1]))
        r_left = s
        r_right = s
        # 瘦左边脸
        thin_image = localTranslationWarp2(src, left_landmark[0, 0], left_landmark[0, 1], endPt[0, 0], endPt[0, 1],
                                          r_left)
        # 瘦右边脸
        thin_image = localTranslationWarp2(thin_image, right_landmark[0, 0], right_landmark[0, 1], endPt[0, 0],
                                          endPt[0, 1], r_right)

    # 显示
    cv2.imshow('How big the eyes do you want', thin_image)
    cv2.waitKey(0)


cv2.namedWindow('How big the eyes do you want')
cv2.createTrackbar('Bigeye', 'How big the eyes do you want', 0, 70, face_big_auto)
cv2.createTrackbar('Thinface', 'How big the eyes do you want', 0, 60, face_thin_auto)
cv2.imshow('How big the eyes do you want',src)
cv2.waitKey(0)
# while True:
#     #cv2.imshow('How big the eyes do you want', window)
#     ch = cv2.waitKey(1) & 0xFF
#     if ch == 27:
#         break

cv2.destroyAllWindows()

在这里插入图片描述

深度学习扛把子
关注
专栏目录
使用opencv实现简易人脸美颜程序
06-13
在本文中，我们将深入探讨如何使用OpenCV库来实现一个简易的人脸美颜程序。OpenCV（开源计算机视觉库）是一个强大的工具，广泛应用于图像处理和计算机视觉领域，包括人脸识别、图像增强、图像分割等任务。 首先，让...
使用opencv实现美颜（磨皮、祛痘）
weixin_49252254的博客
07-28 2565
使用opencv实现美颜（磨皮、祛痘） 头文件 #include <iostream> #include<opencv2/opencv.hpp> using namespace std; using namespace cv; 磨皮祛痘算法 Mat mopi(Mat src) { int slider = 0; Mat blur, add, Lap,add1; namedWindow("美颜"); while (1) { createTrackbar("美颜", "
opencv+android 相片美颜
12-28
7. **用户交互**：在实际应用中，用户可能希望自定义美颜程度或选择不同的美颜模式。因此，提供滑动条、按钮等UI元素让用户调整参数是必要的。 综上所述，OpenCV+Android相片美颜涉及到图像处理的基本技术，如滤波...
Trackbar.zip_opencv Trackbar_opencv 透明_opencv 透明叠加
07-14
在这个特定的项目“Trackbar.zip_opencv Trackbar_opencv 透明_opencv 透明叠加”中，我们看到的是如何使用OpenCV实现图像的叠加以及对叠加效果进行透明度调节。 首先，`Trackbar.cpp`文件是项目的主要代码源，它...
MFC+openCV水果腐烂程度测试
03-12
《MFC+OpenCV在水果腐烂程度检测中的应用》 在现代农业中，果蔬的质量检测是保障食品安全和提高经济效益的重要环节。"MFC+OpenCV水果腐烂程度测试"项目正是针对这一需求，利用计算机视觉技术对苹果和香蕉的腐烂程度...
OpenCv 使用fffffffff
04-24
OpenCv 使用fffffffff
windows下安装cmake+opencv（QT+MinGW版本）
qq_563401912博客
09-28 1160
目录一准备软件二 准备安装三 调试代码 一准备软件 官网下载二进制分发版，地址：https://cmake.org/download/ 下载opencv最新版本 二 准备安装 在test.pro中红框位置加上如下代码 INCLUDEPATH += E:\opencv-4.0.1-Sources\opencv-build\install\include LIBS += E:\opencv-4.0...
VTK 与 OpenCV 的区别和各自的特点
不拱地的猪的专栏
09-29 718
VTK更适合于需要将数据可视化为三维图像的场景，例如医学影像、科学模拟等。OpenCV更适合于图像处理和计算机视觉任务，如图像识别、物体检测等。两者可以结合使用：可以使用OpenCV对图像进行预处理，然后使用VTK将处理结果可视化。可以使用VTK生成三维模型，然后使用OpenCV对模型进行特征提取。选择合适的工具取决于具体的应用场景和需求。
OpenCV-OCR
2301_77698138的博客
10-06 790
OpenCV-OCR主要涉及使用OpenCV库进行光学字符识别（OCR）的技术。OCR技术可以识别图像中的文本信息，并将其转换为可编辑的文本格式，在文档处理、自动驾驶、智能监控等领域有着广泛的应用。
OpenCV-图像透视变换
2301_77698138的博客
09-28 2352
透视变换是一种非线性变换，它可以将一个二维坐标系中的点映射到三维坐标系中的点，然后再将其投影到另一个二维坐标系中的点。这种变换基于几何学中的透视原理，通过一个3x3的变换矩阵来实现，该矩阵作用于图像的每个像素坐标，从而进行坐标的映射转换。透视变换能够模拟真实世界中的透视效果，使物体看起来更接近、更远或者从不同角度观看。
08_OpenCV文字图片绘制
A_Lv123的博客
09-30 1254
import cv2# 1 dst 2 文字内容 3 坐标 4 5 字体大小 6 color 7 粗细 8 line type...,...,...,...,...,...,...,plt.show()
《OpenCV》—— 指纹验证
weixin_73504499的博客
10-01 1987
用两张指纹图片中的其中一张对其验证。
OpenCV 进行图像分割
qq_30895747的博客
09-27 589
图像分割是将数字图像划分互不相交的区域的过程，它可以降低图像的复杂性，从而使分析图像变得更简单。图像分割技术阈值法基于边缘的分割基于区域的分割基于聚类的分割基于分水岭的方法基于人工神经网络的分割在这里，我们选择基于聚类的分割与分类算法不同，聚类算法是无监督算法。在分类算法中，用户没有预定义的一组特征、类或组。聚类算法有助于从数据中获取潜在的、隐藏的信息，例如从启发式的角度来看通常是未知的结构、聚类和分组。基于聚类的技术将图像分割成具有相似特征的集群或不相交的像素组。
实战OpenCV之边缘检测
hope_wisdom的技术博客
09-30 915
边缘检测是计算机视觉和图像处理中的一个重要环节，可以帮助我们识别图像中的对象边界或区域，这对于后续的特征提取、图像分割等任务至关重要。边缘检测的目的是：标识数字图像中亮度变化明显的点。这些变化通常反映的是图像中的重要事件，比如：深度的不连续、表面方向的不连续、材质属性的变化、或场景照明的变化。边缘检测可以显著减少数据量，并且剔除不相关的信息，保留图像的重要结构属性。
【进阶OpenCV】 （6）--指纹识别
最新发布
m0_74896766的博客
10-06 360
本篇介绍了，如何将源图像指纹同指纹库中的指纹进行匹配，并得到的对应指纹的信息。
[C#]使用纯opencvsharp部署yolov11-onnx图像分类模型
FL1623863129的博客
10-06 276
值得注意的是，YOLOv11是一个复杂的模型，其输出可能包含多个层的信息，因此需要仔细解析模型输出，并根据YOLOv11的具体实现进行后处理。此外，由于OpenCvSharp的DNN模块对ONNX的支持可能有限，某些YOLOv11的特性可能无法在OpenCvSharp中直接实现。总之，使用纯OpenCvSharp部署YOLOv11-ONNX图像分类模型需要深入理解YOLOv11的模型架构、OpenCvSharp的DNN模块以及ONNX格式。
opencv-rust 系列: 1, 安装及运行自带示例和测试程序
wzw_mzm的博客
10-06 528
opencv-rust 系列: 1, 安装及运行自带示例和测试程序。
基于opencv-C++dnn模块推理的yolov5 onnx模型
m0_73800387的博客
10-02 1391
本文我们将了如何使用基础的torch.hub.load进行pt/onnx模型的推理使用，并介绍了如何使用export.py进行pt->onnx模型转换，同时介绍了如何使用cv::dnn来加载YOLOV5onnx模型并进行推理和模型输出解析，并手动书写NMS进行后处理优化。
传统图像处理Opencv分割不同颜色的夹子
向往有那么一天梦幻的步态识别落地，开花❀！
10-06 223
1. 计算图像中夹子的总数。2. 分别计算不同颜色夹子的个数。3. 使用以下方法适应三张图片，并在每张图像上显示结果：- 阈值方法- HSV颜色空间- 连通域分析- 形态学图像处理- Canny边缘检测4. 在结果中显示计数后的数字，包括总数和每种颜色的个数。请学生根据任务要求，编写代码实现夹子计数和颜色分类的功能。学生可以选择使用 Python 和 OpenCV 库来完成任务。他们需要适应三张提供的图像，并在每张图像上显示计数结果。
opencv当中Trackbar
09-06
Trackbar（滑动条）是OpenCV中的一个GUI组件，可以用于在图像处理过程中调整参数值。使用cv2.createTrackbar()函数可以在图像窗口中创建一个滑动条，用于调整指定参数的值。该函数的语法如下： ``` cv2....
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值