图像处理--图像特效

在讲解图像特效之前，我们先get一下做灰度图像的四种方法。

方法一：通过设置imread的第二个参数，来实现图片的灰度处理。

方法二：cv库提供了一个函数cvtColor，来实现图片的灰度处理。

方法三：Gray = (B+G+R)/3 根据BGR的均值作为计算。

方法四：Gray = R0.299 + G0.587 + B*0.114 根据线性规则来做运算。心理学计算公式。也是概率分布的。

方法五：灰度图像处理的算法的优化。gray = (B1+G2+R*1)/4

我们先来讲解一下方法一：

方法一：通过设置imread的第二个参数，来实现图片的灰度处理

import cv2

img0 = cv2.imread(‘image0.JPG’,0)
img1 = cv2.imread(‘image0.JPG’,1)

print(img0.shape)
print(img1.shape)

cv2.imshow(‘image0’,img0)
cv2.imshow(‘image1’,img1)
cv2.waitKey(0)

(547, 730) 灰度图片显示的是图片的宽高信息，没有深度.深度默认是1。

(547, 730, 3) 彩色图片显示的是图片的高度宽度信息，还有深度信息。这里的深度是3

| |

接下来我们讲解一下方法2：

方法2 cvtColor

import cv2
img = cv2.imread(‘image0.JPG’,1)
dst = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 颜色空间转换 1 data 2 BGR gray 转换为灰度
cv2.imshow(‘image’,dst)
cv2.waitKey(0)
| |

接下来我们讲解一下方法三：

方法3 灰度图像的BGR和彩色图像的BGR有什么区别呢？

彩色图像的BGR是不一样的，而灰度图像的BRG是一样的：B=G=R gray

import cv2
import numpy as np
img = cv2.imread(‘image0.JPG’,1)

print(img.shape)

print(img[100][100])

imgInfo = img.shape
height = imgInfo[0]
width = imgInfo[1]

print(height,width)

dst = np.zeros((height,width,3),np.uint8)

for i in range(0,height):
for j in range(0,width):
# 读取原来图像的BGR
(B,G,R) = img[i][j]
# 三个点的均值计算
B = G = R = int((int(B)+int(G)+int®)/3)
dst[i][j]= np.uint8((B,G,R))

这个方法也是可以的

gray = (int(B)+int(G)+int®)/3

dst[i][j] = np.uint8(gray)

cv2.imshow(‘dst’,dst)
cv2.waitKey(0)
| |

接下来我们来讲解一下方法四：

方法4 心理学计算公式。也是概率分布的。 gray = R0.299 + G0.587 + B*0.114

import cv2
import numpy as np

img = cv2.imread(‘image0.JPG’,1)

print(img.shape)

print(img[100][100])

imgInfo = img.shape
height = imgInfo[0]
width = imgInfo[1]

print(height,width)

dst1 = np.zeros((height,width,3),np.uint8)

for i in range(0,height):
for j in range(0,width):
# 读取原来图像的BGR
(B,G,R) = img[i][j]
B = int(B)
G = int(G)
R = int®
gray = R0.299 + G0.587 + B*0.114
dst[i][j] = np.uint8(gray)

cv2.imshow(‘dst1’,dst1)
cv2.waitKey(0)
| |

最后我们讲解一下方法五：

在这里我们学习一下算法的优化，我们可以更好更快的计算出图像的灰度值。在这里我们要先明白两个知识点。

定点数的效率要比浮点数的效率高一些 。 定点-》浮点
加减的运算效率要比乘除的运算效率高一些。移位的运算也要比乘除高一些。 + - —》 */ 《— >>移位

方法5 算法优化，更快更好的计算图像的灰度值。

1 灰度知识点，是本小结中最重要的知识点。 2 很多图像的基础 3 算法的实时性。

定点的算法效率比浮点数的高一些 定点-》浮点。

+ - -》 */ 《- >>移位。

我们的方法四是利用到线性的概率分布的问题：gray = R0.299 + G0.587 + B*0.114。

那么这里我们使用到的是浮点型的小数，那么我们想要使用整数来提高效率。gray = (B1+G2+R*1)/4。

因为整数的计算是比小数的计算的计算效率还要快。

当然不一定是乘以1,2这样子。我们也可以乘以100,1000,10000。根据具体的问题决定，尽量减少误差。

import cv2
import numpy as np

img = cv2.imread(‘image0.JPG’,1)

print(img.shape)

print(img[100][100])

imgInfo = img.shape
height = imgInfo[0]
width = imgInfo[1]

print(height,width)

dst2 = np.zeros((height,width,3),np.uint8)

for i in range(0,height):
for j in range(0,width):
# 读取原来图像的BGR
(B,G,R) = img[i][j]
B = int(B)
G = int(G)
R = int®
# 在这里我们使用定点的整数，来实现优化，使得我们得出来的结果快，但是多多少少都是有误差的。
gray = (B1+G2+R*1)/4

    # 下面的这种更加的优化
    # gray = (B+(G<<1)+R)>>2   # 使用了左移和右移
    
    dst2[i][j] = np.uint8(gray)

cv2.imshow(‘dst2’,dst2)
cv2.waitKey(0)
| |

(2)颜色反转（底板效果）
底板效果有点像胶卷相机洗出来的效果

1.彩色图片的颜色反转

彩色图片的每一个像素值的颜色是有BGR三个颜色值组成的，那么我们在实现颜色反转（底板效果）的时候，我们需要用255减去每一个颜色值。即

我们针对每一种颜色进行处理：例如对于B，------255-B=newB

BGR 255-B = newB 255-G = newG 255-R = newR

dst[i,j] = (255-b,255-g,255-r)

实现彩色图片的颜色反转的代码如下所示：

彩色图片的图片的反转,产生底板效果

我们针对每一种颜色进行处理：例如对于B，------255-B=newB

BGR 255-B = newB 255-G = newG 255-R = newR

import cv2
import numpy as np

img = cv2.imread(‘image0.JPG’,1)
imgInfo = img.shape

height = imgInfo[0]
width = imgInfo[1]
deepth = imgInfo[2]

dst = np.zeros([height,width,3],np.uint8) # 这里面的3表示一个像素的颜色是有三个颜色值组成的

for i in range(0,height):
for j in range(0,width):
(B,G,R) = img[i,j]
newB = 255-B
newG = 255-G
newR = 255-R
dst[i,j] = np.uint8((newB,newG,newR))

cv2.imshow(‘dst’,dst)
cv2.waitKey(0)

||

2.灰色图片的颜色反转

灰度图像的值是0-255，那么我们要实现颜色反转（底板效果），那么我们就要使得每一个像素都用255-灰度图片的值。

dst[i,j] = 255-grayPixel

代码的实现如下所示：

灰度图片的图片的反转

灰度图片的值是0-255， 然后用255-当前的值

import cv2
import numpy as np

img = cv2.imread(‘image0.JPG’,1)
imgInfo = img.shape

height = imgInfo[0]
width = imgInfo[1]
deepth = imgInfo[2]

grayPixel = img[100,100]

print(grayPixel)

将彩色图片转换为灰度图片

gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

dst = np.zeros([height,width,3],np.uint8)

for i in range(0,height):
for j in range(0,width):
grayPixel = gray[i,j]

print(grayPixel)

    dst[i,j] = 255 - grayPixel

cv2.imshow(‘dst’,dst)
cv2.waitKey(0)
| |

(3)马赛克效果
我们先通过下面的一张图来体验一下马赛克。（马赛克分为矩形马赛克和圆形马赛克，我们这里使用的是矩形的马赛克）。

| |

代码的实现如下所示：

用相同的颜色值，去替代所有需要打上马赛克地方的颜色值。

import cv2
import numpy as np

img = cv2.imread(‘image0.JPG’,1)

imgInfo = img.shape

heihth = imgInfo[0]
width = imgInfo[1]

for m in range(100,300):
for n in range(100,200):
# pixel ->1010,对每一个1010的区域进行处理，先定义了一个1010的小方块
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] # 这个保证的是每一个1010的都用同一个颜色值
img[i+m,j+n] = (b,g,r) # 使得10*10的区域都是用一个颜色的值，实现马赛克的效果。

cv2.imshow(‘dst’,img)
cv2.waitKey(0)
| |

全屏马赛克，代码实现如下：

用相同的颜色值，去替代所有需要打上马赛克地方的颜色值。

import cv2
import numpy as np

img = cv2.imread(‘image0.JPG’,1)
imgInfo = img.shape
heigth = imgInfo[0]
width = imgInfo[1]

for m in range(0,heigth-10):
for n in range(0,width-10):
# pixel ->1010
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] # 这个保证的是每一个1010的都用同一个颜色值
img[i+m,j+n] = (b,g,r)

cv2.imshow(‘dst’,img)
cv2.waitKey(0)
| |

(4)毛玻璃效果
我们先通过下面的一张图来体验一下毛玻璃效果。

| |

代码的实现如下所示：

对于每一个区域中的像素的颜色值，我们用随机的一个颜色的值。去替代所在区域的像素的颜色值。

import cv2
import numpy as np
import random

img = cv2.imread(‘image0.JPG’,1)
imgInfo = img.shape
height = imgInfo[0]
width = imgInfo[1]

dst = np.zeros((height,width,3),np.uint8)

mm = 8 # 定义一个范围

减去mm是防止当前的矩阵越界

for m in range(0,height-mm):
for n in range(0,width-mm):
index = int(random.random()*mm)# 0-8
(b,g,r) = img[m+index,n+index]
dst[m,n] = (b,g,r)

cv2.imshow(‘dst’,dst)
cv2.waitKey(0)
深圳网站建设www.sz886.com