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