計算機視覺—影象特效（3）

Kervin_Chan發表於2018-05-22

一、灰度處理

(1) imread (src,0)

#imread 
import cv2
img0 = cv2.imread('canton.jpg',0)
img1 = cv2.imread('canton.jpg',1)
print(img0.shape)
print(img1.shape)
cv2.imshow('src',img0)
cv2.imshow('src',img1)
cv2.waitKey(0)
複製程式碼

（2）cvtColor ()

將影象從一個顏色空間轉換為另一個顏色空間。

該功能將輸入影象從一個顏色空間轉換為另一個顏色空間。如果要轉換RGB顏色空間，則應明確指定通道的順序（RGB或BGR）。請注意，OpenCV中的預設顏色格式通常被稱為RGB，但它實際上是BGR（位元組相反）。因此，標準（24位）彩色影象中的第一個位元組將是一個8位藍色分量，第二個位元組將是綠色，第三個位元組將是紅色。第四，第五和第六個位元組將成為第二個畫素（藍色，然後是綠色，然後是紅色），依此類推

cv::cvtColor()支援多種顏色空間之間的轉換，其支援的轉換型別和轉換碼如下：

1、RGB和BGR（opencv預設的彩色影象的顏色空間是BGR）顏色空間的轉換

cv::COLOR_BGR2RGB cv::COLOR_RGB2BGR cv::COLOR_RGBA2BGRA cv::COLOR_BGRA2RGBA

2、向RGB和BGR影象中增添alpha通道

cv::COLOR_RGB2RGBA cv::COLOR_BGR2BGRA

3、從RGB和BGR影象中去除alpha通道

cv::COLOR_RGBA2RGB cv::COLOR_BGRA2BGR

4、從RBG和BGR顏色空間轉換到灰度空間

cv::COLOR_RGB2GRAY cv::COLOR_BGR2GRAY

cv::COLOR_RGBA2GRAY

cv::COLOR_BGRA2GRAY

5、從灰度空間轉換到RGB和BGR顏色空間

cv::COLOR_GRAY2RGB cv::COLOR_GRAY2BGR

cv::COLOR_GRAY2RGBA cv::COLOR_GRAY2BGRA

6、RGB和BGR顏色空間與BGR565顏色空間之間的轉換

cv::COLOR_RGB2BGR565 cv::COLOR_BGR2BGR565 cv::COLOR_BGR5652RGB cv::COLOR_BGR5652BGR cv::COLOR_RGBA2BGR565 cv::COLOR_BGRA2BGR565 cv::COLOR_BGR5652RGBA cv::COLOR_BGR5652BGRA

7、灰度空間域BGR565之間的轉換

cv::COLOR_GRAY2BGR555 cv::COLOR_BGR5552GRAY

8、RGB和BGR顏色空間與CIE XYZ之間的轉換

cv::COLOR_RGB2XYZ cv::COLOR_BGR2XYZ cv::COLOR_XYZ2RGB cv::COLOR_XYZ2BGR

9、RGB和BGR顏色空間與uma色度（YCrCb空間）之間的轉換

cv::COLOR_RGB2YCrCb cv::COLOR_BGR2YCrCb cv::COLOR_YCrCb2RGB cv::COLOR_YCrCb2BGR

10、RGB和BGR顏色空間與HSV顏色空間之間的相互轉換

cv::COLOR_RGB2HSV

cv::COLOR_BGR2HSV

cv::COLOR_HSV2RGB

cv::COLOR_HSV2BGR

11、RGB和BGR顏色空間與HLS顏色空間之間的相互轉換

cv::COLOR_RGB2HLS cv::COLOR_BGR2HLS cv::COLOR_HLS2RGB cv::COLOR_HLS2BGR

12、RGB和BGR顏色空間與CIE Lab顏色空間之間的相互轉換

cv::COLOR_RGB2Lab cv::COLOR_BGR2Lab cv::COLOR_Lab2RGB cv::COLOR_Lab2BGR

13、RGB和BGR顏色空間與CIE Luv顏色空間之間的相互轉換

cv::COLOR_RGB2Luv cv::COLOR_BGR2Luv cv::COLOR_Luv2RGB cv::COLOR_Luv2BGR

14、Bayer格式（raw data）向RGB或BGR顏色空間的轉換

cv::COLOR_BayerBG2RGB

cv::COLOR_BayerGB2RGB

cv::COLOR_BayerRG2RGB

cv::COLOR_BayerGR2RGB

cv::COLOR_BayerBG2BGR

cv::COLOR_BayerGB2BGR

cv::COLOR_BayerRG2BGR

cv::COLOR_BayerGR2BGR

cvtColor（

InputArray 輸入影象：8位無符號，16位無符號（CV_16UC ...）或單精度浮點。，

OutputArray 輸出與src相同大小和深度的影象。，

INT 顏色空間轉換程式碼，

INT 目標影象中的通道數量; 如果引數為0，則通道的數量自動從src和程式碼中匯出。）

import cv2
img = cv2.imread('canton.jpg',1)
dst = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
cv2.imshow('dst',dst)
cv2.waitKey(0)
複製程式碼

（3）np.uint8（）

import cv2
import numpy as np
img = cv2.imread('canton.jpg',1)
imgInfo = img.shape
height = imgInfo[0]
width = imgInfo[1]
dst = np.zeros((height,width,3),np.uint8)
for i in range(0,height):
    for j in range(0,width):
        (b,g,r) = img[i,j]
        b = int(b)
        g = int(g)
        r = int(r)
        gray = r*0.2+g*0.5+b*0.2
        dst[i,j] = np.uint8(gray)
cv2.imshow('dst',dst)
cv2.waitKey(0)
複製程式碼

結果：

二、顏色翻轉

（1）灰色圖片顏色翻轉

import cv2
import numpy as np
img = cv2.imread('canton.jpg',1)
imgInfo = img.shape
height = imgInfo[0]
width = imgInfo[1]
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
dst = np.zeros((height,width,1),np.uint8)
for i in range(0,height):
    for j in range(0,width):
        grayPixel = gray[i,j]
        dst[i,j] = 255-grayPixel
cv2.imshow('dst',dst)
cv2.waitKey(0)
複製程式碼

結果：

（2）彩色圖片顏色翻轉

import cv2
import numpy as np
img = cv2.imread('canton.jpg',1)
imgInfo = img.shape
height = imgInfo[0]
width = imgInfo[1]
dst = np.zeros((height,width,3),np.uint8)
for i in range(0,height):
    for j in range(0,width):
        (b,g,r) = img[i,j]
        dst[i,j] = (255-b,255-g,255-r)
cv2.imshow('dst',dst)
cv2.waitKey(0)
複製程式碼

結果：

三、馬賽克效果

import cv2
import numpy as np
img = cv2.imread('cantontower.jpg',1)
imgInfo = img.shape
height = imgInfo[0]
width = imgInfo[1]
for m in range(0,600):
    for n in range(300,600):
        # pixel ->10*10
        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]
                    img[i+m,j+n] = (b,g,r)
cv2.imshow('dst',img)
cv2.waitKey(0)
複製程式碼

結果：

四、毛玻璃效果

import cv2
import numpy as np
import random
img = cv2.imread('cantontower.jpg',1)
imgInfo = img.shape
height = imgInfo[0]
width = imgInfo[1]
dst = np.zeros((height,width,3),np.uint8)
mm = 8
for m in range(0,height-mm):
    for n in range(0,width-mm):
        index = int(random.random()*8)#0-8
        (b,g,r) = img[m+index,n+index]
        dst[m,n] = (b,g,r)
cv2.imshow('dst',dst)
cv2.waitKey(0)
複製程式碼

結果：

五、圖片融合

（1）addWeighted（）

cv2.addWeighted(src1, alpha, src2, beta, gamma[, dst[, dtype]])

引數

src1 圖片1連結

alpha 是src1透明度

src2 圖片2連結

beta 是src2透明度

gamma 一個加到權重總和上的標量值，dst = src1 * alpha + src2 * beta + gamma;

dtype 輸出陣列的可選深度，有預設值-1。;當兩個輸入陣列具有相同的深度時，這個引數設定為-1（預設值），即等同於src1.depth（）

import cv2
import numpy as np
img0 = cv2.imread('cantontower.jpg',1)
img1 = cv2.imread('qilou.jpg',1)
imgInfo = img0.shape
height = imgInfo[0]
width = imgInfo[1]

roiH = int(height/2)
roiW = int(width/2)
img0ROI = img0[0:roiH,0:roiW]
img1ROI = img1[0:roiH,0:roiW]

dst = np.zeros((roiH,roiW,3),np.uint8)
dst = cv2.addWeighted(img0ROI,0.5,img1ROI,0.5,0)
# dst = src1 * alpha + src2 * beta + gamma;

cv2.imshow('dst',dst)
cv2.waitKey(0)
複製程式碼

結果：

六、邊緣檢測

（1）GaussianBlur（）

GaussianBlur(InputArray src, OutputArray dst, Size ksize, double sigmaX, double sigmaY=0, int borderType=BORDER_DEFAULT)

引數

src，輸入影象，即源影象，填Mat類的物件即可。它可以是單獨的任意通道數的圖片，但需要注意，圖片深度應該為CV_8U,CV_16U, CV_16S, CV_32F 以及 CV_64F之一。

dst，即目標影象，需要和源圖片有一樣的尺寸和型別。比如可以用Mat::Clone，以源圖片為模板，來初始化得到如假包換的目標圖。

ksize，高斯核心的大小。其中ksize.width和ksize.height可以不同，但他們都必須為正數和奇數（並不能理解）。或者，它們可以是零的，它們都是由sigma計算而來。

sigmaX，表示高斯核函式在X方向的的標準偏差。

sigmaY，表示高斯核函式在Y方向的的標準偏差。若sigmaY為零，就將它設為sigmaX，如果sigmaX和sigmaY都是0，那麼就由ksize.width和ksize.height計算出來。為了結果的正確性著想，最好是把第三個引數Size，第四個引數sigmaX和第五個引數sigmaY全部指定到。

borderType，用於推斷影象外部畫素的某種邊界模式。注意它有預設值BORDER_DEFAULT。

（2）Canny（）

Canny(InputArray image,OutputArray edges,double threshold1,double threshold2,int apertureSize = 3,bool L2gradient = false )

引數

image 輸入8點陣圖像.

edges 輸出邊緣圖; 單通道8點陣圖像，其大小與影象相同。

threshold1 滯後程式的第一閾值。

threshold2 滯後程式的第二閾值。

apertureSize Sobel運算元的光圈大小。

L2gradient 一個標誌，表明是否有更準確的 L2 norm =(dI/dx)2+(dI/dy)2，還是預設的 L1 norm =|dI/dx|+|dI/dy| 就行 ( L2gradient=false )

import cv2
import numpy as np
import random
img = cv2.imread('cantontower.jpg',1)
imgInfo = img.shape
height = imgInfo[0]
width = imgInfo[1]
cv2.imshow('src',img)

gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
imgG = cv2.GaussianBlur(gray,(3,3),0)
dst = cv2.Canny(img,50,50)
cv2.imshow('dst',dst)
cv2.waitKey(0)
複製程式碼

結果：

（3）邊緣檢測原理

邊緣是影象中灰度發生急劇變化的區域邊界。影象灰度的變化情況可以用影象灰度分佈的梯度來表示，數字影象中求導是利用差分近似微分來進行的，實際上常用空域微分運算元通過卷積來完成

Sobel運算元是高斯平滑與微分操作的結合體。所以其抗噪能力非常強，用途較多。一般的sobel運算元包含x與y兩個方向，運算元模板為：

在opencv函式中，還能夠設定卷積核(ksize)的大小，假設ksize=-1,就演變為3*3的Scharr運算元，模板無非變了個數字：

import cv2
import numpy as np
import random
import math
img = cv2.imread('cantontower.jpg',1)
imgInfo = img.shape
height = imgInfo[0]
width = imgInfo[1]
cv2.imshow('src',img)

gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
dst = np.zeros((height,width,1),np.uint8)
for i in range(0,height-2):
    for j in range(0,width-2):
        gy = -gray[i,j]*1-gray[i,j+1]*2-gray[i,j+2]*1+gray[i+2,j]*1+gray[i+2,j+1]*2+gray[i+2,j+2]*1
        gx = -gray[i,j]*1+gray[i+2,j]*1-gray[i,j+1]*2+gray[i+2,j+1]*2-gray[i,j+2]*1+gray[i+2,j+2]*1
        grad = math.sqrt(gx*gx+gy*gy)
        if grad>50:
            dst[i,j] = 255
        else:
            dst[i,j] = 0
cv2.imshow('dst',dst)
cv2.waitKey(0)
複製程式碼

七、浮雕功能

import cv2
import numpy as np
img = cv2.imread('image0.jpg',1)
imgInfo = img.shape
height = imgInfo[0]
width = imgInfo[1]
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
# newP = gray0-gray1+150
dst = np.zeros((height,width,1),np.uint8)
for i in range(0,height):
    for j in range(0,width-1):
        grayP0 = int(gray[i,j])
        grayP1 = int(gray[i,j+1])
        newP = grayP0-grayP1+150
        if newP > 255:
            newP = 255
        if newP < 0:
            newP = 0
        dst[i,j] = newP
cv2.imshow('dst',dst)
cv2.waitKey(0)
複製程式碼

結果：

七、顏色風格

import cv2
import numpy as np
img = cv2.imread('cantontower.jpg',1)
cv2.imshow('src',img)
imgInfo = img.shape
height = imgInfo[0]
width = imgInfo[1]

dst = np.zeros((height,width,3),np.uint8)
for i in range(0,height):
    for j in range(0,width):
        (b,g,r) = img[i,j]
        b = b*1.5
        g = g*1.3
        r = r
        if b>255:
            b = 255
        if g>255:
            g = 255
        if r>255:
            r = 255
        dst[i,j]=(b,g,r)
cv2.imshow('dst',dst)
cv2.waitKey(0)
複製程式碼

結果：

八、油畫特效

import cv2
import numpy as np
img = cv2.imread('image00.jpg',1)
cv2.imshow('src',img)
imgInfo = img.shape
height = imgInfo[0]
width = imgInfo[1]
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
dst = np.zeros((height,width,3),np.uint8)
for i in range(4,height-4):
    for j in range(4,width-4):
        array1 = np.zeros(8,np.uint8)
        for m in range(-4,4):
            for n in range(-4,4):
                p1 = int(gray[i+m,j+n]/32)
                array1[p1] = array1[p1]+1
        currentMax = array1[0]
        l = 0
        for k in range(0,8):
            if currentMax<array1[k]:
                currentMax = array1[k]
                l = k
        for m in range(-4,4):
            for n in range(-4,4):
                if gray[i+m,j+n]>=(l*32) and gray[i+m,j+n]<=((l+1)*32):
                    (b,g,r) = img[i+m,j+n]
        dst[i,j] = (b,g,r)
cv2.imshow('dst',dst)
cv2.waitKey(0)
複製程式碼

結果：

計算機影象與視覺入門必備
2018-11-10
計算機視覺
Python 計算機視覺（十五）—— 影像特效處理
2021-11-22
Python計算機視覺特效
iOS計算機視覺—ARKit
2019-03-04
iOS計算機視覺
計算機視覺論文集
2020-04-06
計算機視覺
計算機視覺筆記及資料整理（含影象分割、目標檢測）
2018-08-12
計算機視覺筆記
計算機視覺環境配置
2020-11-06
計算機視覺
OpenVINO計算機視覺模型加速
2022-12-07
計算機視覺模型
【計算機視覺】視訊格式介紹
2020-10-07
計算機視覺
2024年3月的計算機視覺論文推薦
2024-03-18
計算機視覺
計算機視覺頂會引用格式
2024-05-24
計算機視覺
計算機視覺方向乾貨文章
2019-11-05
計算機視覺
人工智慧 (14) 計算機視覺
2019-12-23
人工智慧計算機視覺
Python計算機視覺-第2章
2020-12-01
Python計算機視覺
【深度學習】：一門入門3D計算機視覺
2020-08-13
深度學習3D計算機視覺
iOS計算機視覺—人臉識別
2018-10-01
iOS計算機視覺
計算機視覺基本原理——RANSAC
2018-09-27
計算機視覺
Pytorch計算機視覺實戰（更新中）
2024-04-15
PyTorch計算機視覺
計算機視覺方向文章清單20191105
2019-11-05
計算機視覺
計算機視覺技術專利分析
2019-10-12
計算機視覺
計算機視覺與深度學習公司
2020-04-06
計算機視覺深度學習
計算機視覺中的深度學習
2021-09-09
計算機視覺深度學習
計算機視覺崗實習面經
2022-11-21
計算機視覺
計算機視覺中的注意力機制
2019-02-15
計算機視覺
機器學習工作坊 - 計算機視覺
2022-04-13
機器學習計算機視覺
[譯]計算機如何高效識別影象？
2019-01-16
計算機
計算機視覺經典任務分類
2018-05-28
計算機視覺
計算機視覺相關乾貨文章-20190807
2019-08-07
計算機視覺
史丹佛—深度學習和計算機視覺
2020-04-06
深度學習計算機視覺
Hugging Face 中計算機視覺的現狀
2023-03-28
Hugging Face計算機視覺
Python計算機視覺——Harris角點檢測
2021-06-11
Python計算機視覺
計算機視覺入門系列（一）綜述
2020-12-16
計算機視覺
【計算機視覺】利用GAN Prior來處理各種視覺任務
2020-12-01
計算機視覺
CV：計算機視覺基礎之影像儲存到計算機的原理daiding
2020-12-10
計算機視覺AI
值得珍藏機器視覺10大常用影象處理庫
2019-07-03
視覺
計算機視覺—圖片幾何變換（2）
2019-02-27
計算機視覺
從智慧化“天眼”看計算機視覺未來
2018-03-14
計算機視覺
計算機視覺の1. 影像預處理
2020-11-19
計算機視覺
乾貨｜如何利用CNN建立計算機視覺模型？
2019-05-24
CNN計算機視覺模型