影像特效基礎
(1)灰度處理
在講解影像特效之前，我們先get一下做灰度影像的四種方法。
方法一：通過設定imread的第二個引數，來實現圖片的灰度處理。
方法二：cv庫提供了一個函式cvtColor，來實現圖片的灰度處理。
方法三：Gray = (B+G+R)/3 根據BGR的均值作為計算。
方法四：Gray = R*0.299 + G*0.587 + B*0.114 根據線性規則來做運算。心理學計算公式。也是概率分佈的。
方法五：灰度影像處理的演算法的優化。gray = (B*1+G*2+R*1)/4
我們先來講解一下方法一：
# 方法一：通過設定imread的第二個引數，來實現圖片的灰度處理
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) 灰度圖片顯示的是圖片的寬高資訊，沒有深度.深度預設是1。
# (547, 730, 3) 彩色圖片顯示的是圖片的高度寬度資訊，還有深度資訊。這裡的深度是3
| 
|
接下來我們講解一下方法2：
# 方法2 cvtColor
import cv2
img = cv2.imread('image0.JPG',1)
dst = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 顏色空間轉換 1 data 2 BGR gray 轉換為灰度
cv2.imshow('image',dst)
cv2.waitKey(0)
| 
|
接下來我們講解一下方法三：
# 方法3 灰度影像的BGR和彩色影像的BGR有什麼區別呢？
# 彩色影像的BGR是不一樣的，而灰度影像的BRG是一樣的：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):
# 讀取原來影像的BGR
(B,G,R) = img[i][j]
# 三個點的均值計算
B = G = R = int((int(B)+int(G)+int(R))/3)
dst[i][j]= np.uint8((B,G,R))
# 這個方法也是可以的
# gray = (int(B)+int(G)+int(R))/3
# dst[i][j] = np.uint8(gray)
cv2.imshow('dst',dst)
cv2.waitKey(0)
| 
|
接下來我們來講解一下方法四：
# 方法4 心理學計算公式。也是概率分佈的。 gray = R*0.299 + G*0.587 + 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):
# 讀取原來影像的BGR
(B,G,R) = img[i][j]
B = int(B)
G = int(G)
R = int(R)
gray = R*0.299 + G*0.587 + B*0.114
dst[i][j] = np.uint8(gray)
cv2.imshow('dst1',dst1)
cv2.waitKey(0)
| 
|
最後我們講解一下方法五：
在這裡我們學習一下演算法的優化，我們可以更好更快的計算出影像的灰度值。在這裡我們要先明白兩個知識點。
- 定點數的效率要比浮點數的效率高一些 。 定點-》浮點
- 加減的運算效率要比乘除的運算效率高一些。移位的運算也要比乘除高一些。 + - —》 */ 《— >>移位
# 方法5 演算法優化，更快更好的計算影像的灰度值。
# 1 灰度知識點，是本小結中最重要的知識點。 2 很多影像的基礎 3 演算法的實時性。
# 定點的演算法效率比浮點數的高一些 定點-》浮點。
# + - -》 */ 《- >>移位。
# 我們的方法四是利用到線性的概率分佈的問題：gray = R*0.299 + G*0.587 + B*0.114。
# 那麼這裡我們使用到的是浮點型的小數，那麼我們想要使用整數來提高效率。gray = (B*1+G*2+R*1)/4。
# 因為整數的計算是比小數的計算的計算效率還要快。
# 當然不一定是乘以1,2這樣子。我們也可以乘以100,1000,10000。根據具體的問題決定，儘量減少誤差。
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):
# 讀取原來影像的BGR
(B,G,R) = img[i][j]
B = int(B)
G = int(G)
R = int(R)
# 在這裡我們使用定點的整數，來實現優化，使得我們得出來的結果快，但是多多少少都是有誤差的。
gray = (B*1+G*2+R*1)/4
# 下面的這種更加的優化
# 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)顏色反轉（底板效果）
底板效果有點像膠捲相機洗出來的效果
1.彩色圖片的顏色反轉
彩色圖片的每一個畫素值的顏色是有BGR三個顏色值組成的，那麼我們在實現顏色反轉（底板效果）的時候，我們需要用255減去每一個顏色值。即
我們針對每一種顏色進行處理：例如對於B，------255-B=newB
BGR 255-B = newB 255-G = newG 255-R = newR
dst[i,j] = (255-b,255-g,255-r)
實現彩色圖片的顏色反轉的程式碼如下所示：
# 彩色圖片的圖片的反轉,產生底板效果
# 我們針對每一種顏色進行處理：例如對於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) # 這裡面的3表示一個畫素的顏色是有三個顏色值組成的
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.灰色圖片的顏色反轉
灰度影像的值是0-255，那麼我們要實現顏色反轉（底板效果），那麼我們就要使得每一個畫素都用255-灰度圖片的值。
dst[i,j] = 255-grayPixel
程式碼的實現如下所示：
# 灰度圖片的圖片的反轉
# 灰度圖片的值是0-255， 然後用255-當前的值
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)
# 將彩色圖片轉換為灰度圖片
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)馬賽克效果
我們先通過下面的一張圖來體驗一下馬賽克。（馬賽克分為矩形馬賽克和圓形馬賽克，我們這裡使用的是矩形的馬賽克）。
| 
|
程式碼的實現如下所示：
# 用相同的顏色值，去替代所有需要打上馬賽克地方的顏色值。
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 ->10*10,對每一個10*10的區域進行處理，先定義了一個10*10的小方塊
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] # 這個保證的是每一個10*10的都用同一個顏色值
img[i+m,j+n] = (b,g,r) # 使得10*10的區域都是用一個顏色的值，實現馬賽克的效果。
cv2.imshow('dst',img)
cv2.waitKey(0)
| 
|
全屏馬賽克，程式碼實現如下：
# 用相同的顏色值，去替代所有需要打上馬賽克地方的顏色值。
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 ->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] # 這個保證的是每一個10*10的都用同一個顏色值
img[i+m,j+n] = (b,g,r)
cv2.imshow('dst',img)
cv2.waitKey(0)
| 
|
(4)毛玻璃效果
我們先通過下面的一張圖來體驗一下毛玻璃效果。
| 
|
程式碼的實現如下所示：
# 對於每一個區域中的畫素的顏色值，我們用隨機的一個顏色的值。去替代所在區域的畫素的顏色值。
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 # 定義一個範圍
# 減去mm是防止當前的矩陣越界
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)
|
|
(5)圖片融合
我們先通過下面的一張圖來體驗一下圖片的融合效果。
| 
|
程式碼的實現如下所示：
# 實現的是將兩個圖片的畫素顏色的融合 dst = src1*a + src2*(1-a),如果a=0.3，那麼1-a=0.7
# 按照某一個係數的比例來實現圖片的融合。
import cv2
import numpy as np
img0 = cv2.imread('image0.JPG',1)
img1 = cv2.imread('image1.JPG',1)
imgInfo = img0.shape
height = imgInfo[0]
width = imgInfo[1]
# ROI
# 將寬和高變成原來的一半
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, 0.5,3) # add src1*a + src2*(1-a)
cv2.imshow('dst',dst)
cv2.waitKey(0)
| 
|
(6)邊緣檢測
我們先通過下面的一張圖來體驗一下圖片的邊緣檢測的效果。
| 
|
# 方法一：通過呼叫opencv的api的形式
import cv2
import numpy as np
# import tensorflow as tf
import random
img = cv2.imread('image0.JPG',1)
imgInfo = img.shape
height = imgInfo[0]
width = imgInfo[1]
cv2.imshow('src',img)
# canny 1 轉換為灰度圖片gray 2 高斯濾波-去掉噪聲干擾 3 呼叫canny方法實現邊緣檢測
gray = cv2.cvtColor(img,cv2.COLOR_BGR2BGRA)
imgG = cv2.GaussianBlur(gray,(3,3),0)
dst = cv2.Canny(img,50,50)
cv2.imshow('dst',dst)
| 
|
import cv2
import numpy as np
import random
import math
img = cv2.imread('image0.JPG',1)
imgInfo = img.shape
height = imgInfo[0]
width = imgInfo[1]
cv2.imshow('src',img)
# sobel 1 運算元模版 2 圖片卷積 3 閾值判決
# [1 2 1 [ 1 0 -1
# 0 0 0 2 0 -2
# -1 -2 -1 ] 1 0 -1 ]
# [1 2 3 4] [a b c d] a*1+b*2+c*3+d*4 = dst
# sqrt(a*a+b*b) = f>th
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):
# 求出x方向的梯度
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
# 求出y方向的梯度
gx = gray[i,j]+gray[i+1,j]*2+gray[i+2,j]-gray[i,j+2]-gray[i+1,j+2]*2-gray[i+2,j+2]
# 求出梯度
grad = math.sqrt(gx*gx+gy*gy)
# 閾值判決
if grad>50:
dst[i,j] = 255
else:
dst[i,j] = 0
cv2.imshow('dst',dst)
cv2.waitKey(0)
| 
|
(7)浮雕效果
程式碼的實現的結果為：
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):
# 注意這裡的width需要減去1，不然會報錯。
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)
| 
|
(8)顏色對映
程式碼的實現的結果為：
import cv2
import numpy as np
img = cv2.imread('image0.jpg',1)
cv2.imshow('src',img)
imgInfo = img.shape
height = imgInfo[0]
width = imgInfo[1]
#rgb -》RGB new “藍色”
# b=b*1.5
# g = g*1.3
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
if b>255:
b = 255
if g>255:
g = 255
dst[i,j]=(b,g,r)
cv2.imshow('dst',dst)
cv2.waitKey(0)
| 
|
(9)油畫特效
程式碼的實現的結果為：
# 1 gray
# 2 7*7 10*10
# 3 0-255 256 4 64 0-63 64-127
# 3 10 0-63 99 64-127
# 4 count
# 5 dst = result
import cv2
import numpy as np
img = cv2.imread('image0.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):
# 這裡是劃分為8個段
array1 = np.zeros(8,np.uint8)
for m in range(-4,4):
for n in range(-4,4):
# 總共是256個，8個段，每一個段是32個。
p1 = int(gray[i+m,j+n]/32)
# p1到底投影在哪一個灰度等級中
array1[p1] = array1[p1]+1
# 獲取到8個畫素段中，哪一個是最大的，並且知道了最大的畫素段的下標
currentMax = array1[0]
l = 0
for k in range(0,8):
if currentMax<array1[k]:
currentMax = array1[k]
l = k
# 簡化 均值
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)
| |
(10)線段繪製
import cv2
import numpy as np
newImageInfo = (500,500,3)
dst = np.zeros(newImageInfo,np.uint8)
# line
# 繪製線段 1 dst 2 begin 3 end 4 color
cv2.line(dst,(100,100),(400,400),(0,0,255))
# 5 line w
cv2.line(dst,(100,200),(400,200),(0,255,255),20)
# 6 line type
cv2.line(dst,(100,300),(400,300),(0,255,0),20,cv2.LINE_AA)
cv2.line(dst,(200,150),(50,250),(25,100,255))
cv2.line(dst,(50,250),(400,380),(25,100,255))
cv2.line(dst,(400,380),(200,150),(25,100,255))
cv2.imshow('dst',dst)
cv2.waitKey(0)
| 
|
(11)矩形圓形任意多邊形繪製
import cv2
import numpy as np
newImageInfo = (500,500,3)
dst = np.zeros(newImageInfo,np.uint8)
# 矩形的繪製
# 1 dst 2 左上角 3 右下角 4 color 5 fill -1 >0 line w 第五個引數如果是-1，表示的是fill填充。如果是一個大於0的值，表示的是線條的寬度。
cv2.rectangle(dst,(50,100),(200,300),(255,0,0),5)
# 圓形的繪製
# 1 dst 2 center 3 r 4 顏色color 5 寬度或者是否填充
cv2.circle(dst,(250,250),(50),(0,255,0),2)
# 橢圓形的繪製
# 1 dst 2 center 3 軸的長度（橢圓有兩個軸，一個是長軸，一個是短軸，所以這裡的150是長軸的值，100是短軸的值）
# 4 angle偏轉角度 5 begin角度 6 end角度 7 顏色color 8 表示的是否填充，以及寬度
cv2.ellipse(dst,(256,256),(150,100),0,0,180,(255,255,0),-1)
# 定義任意多邊形
points = np.array([[150,50],[140,140],[200,170],[250,250],[150,50]],np.int32)
print(points.shape)
# 實現了維度的轉換
points = points.reshape((-1,1,2))
print(points.shape)
# 完成當前多邊形的繪製
cv2.polylines(dst,[points],True,(0,255,255))
cv2.imshow('dst',dst)
cv2.waitKey(0)
|
|
(12)文字圖片繪製
1.圖片上繪製文字
import cv2
import numpy as np
img = cv2.imread('image0.jpg',1)
font = cv2.FONT_HERSHEY_SIMPLEX
# 繪製一個矩形框
cv2.rectangle(img,(200,100),(500,400),(0,255,0),3)
# 1 dst 2 文字內容 3 座標 4 font 5 字型大小 6 color 7 粗細 8 line type
cv2.putText(img,'this is flow',(100,300),font,1,(200,100,255),2,cv2.LINE_AA)
cv2.imshow('src',img)
cv2.waitKey(0)
| 
|
2.圖片上繪製圖片
import cv2
img = cv2.imread('image0.jpg',1)
height = int(img.shape[0]*0.2)
width = int(img.shape[1]*0.2)
# 將圖片的寬和高進行縮放，實現了將小的圖片放到了大的圖片上。
imgResize = cv2.resize(img,(width,height))
for i in range(0,height):
for j in range(0,width):
img[i+200,j+350] = imgResize[i,j]
cv2.imshow('src',img)
cv2.waitKey(0)
|
|