一。图像素描特效
图像素描特效会将图像的边界都凸显出来，通过边缘检测及阈值化处理能实现该功能。一幅图像的内部都具有相似性，而在图像边界处具有明显的差异，边缘检测利用数学中的求导来扩大这种变化。但是求导过程中会增大图像的噪声，所以边缘检测之前引入了高斯滤波降噪处理。本文的图像素描特效主要经过以下几个步骤：
- 调用 cv2.cvtColor () 函数将彩色图像灰度化处理；
- 通过 cv2.GaussianBlur () 函数实现高斯滤波降噪；
- 边缘检测采用 Canny 算子实现；
- 最后通过 cv2.threshold () 反二进制阈值化处理实现素描特效。
其运行代码如下所示。
#coding:utf-8
import cv2
import numpy as np
#读取原始图像
img = cv2.imread('scenery.png')
#图像灰度处理
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
#高斯滤波降噪
gaussian = cv2.GaussianBlur(gray, (5,5), 0)
#Canny算子
canny = cv2.Canny(gaussian, 50, 150)
#阈值化处理
ret, result = cv2.threshold(canny, 100, 255, cv2.THRESH_BINARY_INV)
#显示图像
cv2.imshow('src', img)
cv2.imshow('result', result)
cv2.waitKey()
cv2.destroyAllWindows()最终输出结果如下图所示，它将彩色图像素描处理。原图是作者去年九月份拍摄于喀纳斯，真的很美～
图像的素描特效有很多种方法，本文仅提供了一种方法，主要提取的是图像的边缘轮廓，还有很多更精细的素描特效方法，提取的轮廓更为清晰，如下图所示。希望读者能自行扩展相关算法知识，并实现对应的效果。
二。图像怀旧特效
图像怀旧特效是指图像经历岁月的昏暗效果，如图所示，左边 “src” 为原始图像，右边 “dst” 为怀旧特效图像。
怀旧特效是将图像的 RGB 三个分量分别按照一定比例进行处理的结果，其怀旧公式如下所示：
Python 实现代码主要通过双层循环遍历图像的各像素点，再结合该公式计算各颜色通道的像素值，最终生成如图所示的效果，其完整代码如下。
#coding:utf-8
import cv2
import numpy as np
#读取原始图像
img = cv2.imread('nana.png')
#获取图像行和列
rows, cols = img.shape[:2]
#新建目标图像
dst = np.zeros((rows, cols, 3), dtype="uint8")
#图像怀旧特效
for i in range(rows):
for j in range(cols):
B = 0.272*img[i,j][2] + 0.534*img[i,j][1] + 0.131*img[i,j][0]
G = 0.349*img[i,j][2] + 0.686*img[i,j][1] + 0.168*img[i,j][0]
R = 0.393*img[i,j][2] + 0.769*img[i,j][1] + 0.189*img[i,j][0]
if B>255:
B = 255
if G>255:
G = 255
if R>255:
R = 255
dst[i,j] = np.uint8((B, G, R))
#显示图像
cv2.imshow('src', img)
cv2.imshow('dst', dst)
cv2.waitKey()
cv2.destroyAllWindows()三。图像光照特效
图像光照特效是指图像存在一个类似于灯光的光晕特效，图像像素值围绕光照中心点呈圆形范围内的增强。如下图所示，该图像的中心点为（192，192），光照特效之后中心圆范围内的像素增强了 200。
Python 实现代码主要是通过双层循环遍历图像的各像素点，寻找图像的中心点，再通过计算当前点到光照中心的距离（平面坐标系中两点之间的距离），判断该距离与图像中心圆半径的大小关系，中心圆范围内的图像灰度值增强，范围外的图像灰度值保留，并结合边界范围判断生成最终的光照效果。
#coding:utf-8
import cv2
import math
import numpy as np
#读取原始图像
img = cv2.imread('scenery.png')
#获取图像行和列
rows, cols = img.shape[:2]
#设置中心点
centerX = rows / 2
centerY = cols / 2
print centerX, centerY
radius = min(centerX, centerY)
print radius
#设置光照强度
strength = 200
#新建目标图像
dst = np.zeros((rows, cols, 3), dtype="uint8")
#图像光照特效
for i in range(rows):
for j in range(cols):
#计算当前点到光照中心距离(平面坐标系中两点之间的距离)
distance = math.pow((centerY-j), 2) + math.pow((centerX-i), 2)
#获取原始图像
B = img[i,j][0]
G = img[i,j][1]
R = img[i,j][2]
if (distance < radius * radius):
#按照距离大小计算增强的光照值
result = (int)(strength*( 1.0 - math.sqrt(distance) / radius ))
B = img[i,j][0] + result
G = img[i,j][1] + result
R = img[i,j][2] + result
#判断边界 防止越界
B = min(255, max(0, B))
G = min(255, max(0, G))
R = min(255, max(0, R))
dst[i,j] = np.uint8((B, G, R))
else:
dst[i,j] = np.uint8((B, G, R))
#显示图像
cv2.imshow('src', img)
cv2.imshow('dst', dst)
cv2.waitKey()
cv2.destroyAllWindows()四。图像流年特效
流年是用来形容如水般流逝的光阴或年华，图像处理中特指将原图像转换为具有时代感或岁月沉淀的特效，其效果如图所示。
Python 实现代码如下，它将原始图像的蓝色（B）通道的像素值开根号，再乘以一个权重参数，产生最终的流年效果。
#coding:utf-8
import cv2
import math
import numpy as np
#读取原始图像
img = cv2.imread('scenery.png')
#获取图像行和列
rows, cols = img.shape[:2]
#新建目标图像
dst = np.zeros((rows, cols, 3), dtype="uint8")
#图像流年特效
for i in range(rows):
for j in range(cols):
#B通道的数值开平方乘以参数12
B = math.sqrt(img[i,j][0]) * 12
G = img[i,j][1]
R = img[i,j][2]
if B>255:
B = 255
dst[i,j] = np.uint8((B, G, R))
#显示图像
cv2.imshow('src', img)
cv2.imshow('dst', dst)
cv2.waitKey()
cv2.destroyAllWindows()五。图像滤镜特效
滤镜主要是用来实现图像的各种特殊效果，它在 Photoshop 中具有非常神奇的作用。滤镜通常需要同通道、图层等联合使用，才能取得最佳艺术效果。本小节将讲述一种基于颜色查找表（Look up Table）的滤镜处理方法，它通过将每一个原始颜色进行转换之后得到新的颜色。比如，原始图像的某像素点为红色（R-255, G-0, B-0），进行转换之后变为绿色（R-0, G-255, B-0），之后所有是红色的地方都会被自动转换为绿色，而颜色查找表就是将所有的颜色进行一次（矩阵）转换，很多的滤镜功能就是提供了这么一个转换的矩阵，在原始色彩的基础上进行颜色的转换。
假设现在存在一张新的滤镜颜色查找表，如图所示，它是一张 512×512 大小，包含各像素颜色分布的图像。下面这张图片另存为本地，即可直接用于图像滤镜处理。
滤镜特效实现的 Python 代码如下所示，它通过自定义 getBRG () 函数获取颜色查找表中映射的滤镜颜色，再依次循环替换各颜色。
#coding:utf-8
import cv2
import numpy as np
#获取滤镜颜色
def getBGR(img, table, i, j):
#获取图像颜色
b, g, r = img[i][j]
#计算标准颜色表中颜色的位置坐标
x = int(g/4 + int(b/32) * 64)
y = int(r/4 + int((b%32) / 4) * 64)
#返回滤镜颜色表中对应的颜色
return lj_map[x][y]
#读取原始图像
img = cv2.imread('scenery.png')
lj_map = cv2.imread('table.png')
#获取图像行和列
rows, cols = img.shape[:2]
#新建目标图像
dst = np.zeros((rows, cols, 3), dtype="uint8")
#循环设置滤镜颜色
for i in range(rows):
for j in range(cols):
dst[i][j] = getBGR(img, lj_map, i, j)
#显示图像
cv2.imshow('src', img)
cv2.imshow('dst', dst)
cv2.waitKey()
cv2.destroyAllWindows()滤镜特效的运行结果如图所示，其中左边 “src” 为原始风景图像，右边 “dst” 为滤镜处理后的图像，其颜色变得更为鲜艳，对比度更强。
六。本文小结
本篇文章主要讲解了图像常见的特效处理，从处理效果图、算法原理、代码实现三个步骤进行详细讲解，涉及图像素描特效、怀旧特效、光照特效、流年特效、图像滤镜等，这些知识点将为读者从事 Python 图像处理相关项目实践或科学研究提供一定基础。
扫一扫
212
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
