彩色图像的颜色反转
# RGB 255-R=newR
# 0-255 255-当前
import cv2
import numpy as np
img = cv2.imread('image0.jpg',1)
imgInfo = img.shape
height = imgInfo[0]
width = imgInfo[1]
# 目标图片的深度为3，彩色图片
dst = np.zeros((height,width,3),np.uint8)
for i in range(0,height):
for j in range(0,width):
# 获取原图片的bgr信息
(b,g,r) = img[i,j]
dst[i,j] = (255-b,255-g,255-r)
cv2.imshow('dst',dst)
cv2.waitKey(0)
mark
不管是灰度图像的颜色反转，还是彩色颜色反转。都是255减去当前值
马赛克效果
理解马赛克效果中的关键指标
马赛克效果的窗体范围。如: 从100行开始到300行结束，列从100列开始到200列结束。
mark
每个马赛克窗体里面有小方块。我们采用10*10的方形。
- 马赛克实现原理
小方形里的颜色，随机选取一个，替换掉10*10这100个像素点的颜色
mark
代码实现马赛克
import cv2
import numpy as np
img = cv2.imread('image0.jpg',1)
imgInfo = img.shape
height = imgInfo[0]
width = imgInfo[1]
# 遍历马赛克矩形范围内的所有点
for m in range(100,300):
for n in range(100,200):
# 选择一个pixel点 -> 替换掉 10*10
# 每隔10个宽高，我们选取一个像素
if m%10 == 0 and n%10 == 0:
for i in range(0,10):
for j in range(0,10):
# 获取一个像素点
(b,g,r) = img[m,n]
# 回填颜色
img[i+m,j+n] = (b,g,r)
cv2.imshow('dst',img)
cv2.waitKey(0)
mark
毛玻璃特效
毛玻璃是用某个像素点周围随机的一个点来替换掉当前像素点
mark
代码实现
import cv2
import numpy as np
import random
img = cv2.imread('image0.jpg',1)
imgInfo = img.shape
height = imgInfo[0]
width = imgInfo[1]
# 目标效果: 先行后列 ，行高度，列宽度
dst = np.zeros((height,width,3),np.uint8)
# 定义一个范围，水平竖直都有可能
mm = 8
for m in range(0,height-mm):
for n in range(0,width-mm):
# 选取随机数 0-8 之间数据。
# 如果产生为8，当前已经位于最后一个像素点，会超出范围
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)
最右边和最下边的黑色边框是。因为我们用毛玻璃遍历时均减去了当前范围值。
最边边没有操作。最原始黑色
图片融合
每种图片乘以一个比例系数直接相加的方式。
mark
融合时两张图片的大小必须保持一致
# 公式: dst = src1*a + src2*(1-a)
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 感兴趣范围区域(高宽均为原来的一半)
roiH = int(height/2)
roiW = int(width/2)
# 行对应我们的高度，列对应我们的宽度
img0ROI = img0[0:roiH,0:roiW]
img1ROI = img1[0:roiH,0:roiW]
# dst 目标图片
dst = np.zeros((roiH,roiW,3),np.uint8)
# addWeighted 两张图片的权重相加
# 第一张图片，权重，第二张图片，权重
dst = cv2.addWeighted(img0ROI,0.5,img1ROI,0.5,0) # add src1*a+src2*(1-a)
# 参数1 src1 参数2 a 参数3 src2 参数4 1-a
cv2.imshow('dst',dst)
cv2.waitKey(0)
mark
边缘检测
边缘检测做出来的效果有点类似于素描的效果
将通过api的形式，源码形式。介绍边缘检测
- 边缘检测的实质就是图像的卷积运算。
实现canny边缘检测步骤
- 将彩色图像转换为灰度图像
- 高斯滤波，可以去除一些噪声干扰
- 调用Opencv的canny方法实现边缘检测
import cv2
import numpy as np
img = cv2.imread('image0.jpg',1)
imgInfo = img.shape
height = imgInfo[0]
width = imgInfo[1]
cv2.imshow('src',img)
# canny: 1. gray 2. 高斯 3.canny
# 灰度化
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
# 高斯滤波
# 参数一: 灰度图像数据 参数二: 模板大小 参数三: sigmaX
imgG = cv2.GaussianBlur(gray,(3,3),0)
# 参数一: 图片数据 参数二: 两个阈值
dst = cv2.Canny(img,50,50) # 图片卷积之后的值 大于 th 就认为是边缘点
cv2.imshow('dst',dst)
cv2.waitKey(0)
mark
这是我们通过opencv的api方式实现了边缘检测
边缘检测算法原理
使用sobel算子，源码的形式实现边缘检测
- 搞清楚，sobel算子的算法原理
涉及的几个概念: 1. 算子模板 2. 图片卷积 3. 阈值判决
- sobel的算子模板有水平和竖直方向上两种。
[1 2 1 [ 1 0 -1
0 0 0 2 0 -2
-1 -2 -1 ] 1 0 -1 ]
(3,3)的矩阵,第一个矩阵第一行(1,2,1) 第三行(-1,-2,-1)
第二个矩阵竖直方向第一列(1,2,1)，第三列为(-1,-2,-1)
- 图片的卷积 和 矩阵运算不是一回事
矩阵是行列式相乘，卷积是这个算子方框中的每一个元素对应相乘之后再求和。
举个例子:
原来的图片 [1 2 3 4] 每个点是一个像素
当前的计算模板是 [a b c d]
卷积之后的结果(对应元素相乘):
a*1+b*2+c*3+d*4 = dst
这个运算得到的结果，就是我们所说的梯度。梯度有水平和竖直两种情况。
使用arctan计算梯度的方向
使用sqrt(a*a+b*b) 计算梯度的浮值 = (f>th)?边缘:非边缘
这里的a，我们的第一个算子称为竖直方向上的算子，竖直方向的算子与图片卷积得到的dst 就是a
- b就是水平方向上的算子与图片卷积得到的dst
源码实现边缘检测
import cv2
import numpy as np
import math
img = cv2.imread('image0.jpg',1)
imgInfo = img.shape
height = imgInfo[0]
width = imgInfo[1]
cv2.imshow('src',img)
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
# 最终的边缘检测图片
dst = np.zeros((height,width,1),np.uint8)
# 遍历图片中的每一个点
# 我们的算子模板在最外围时会溢出
for i in range(0,height-2):
for j in range(0,width-2):
# 计算水平方向和竖直方向的梯度
# 竖直方向的梯度
# 取原图片 gray[i,j] gray[i,j+1] gray[i,j+2] gray[i+2,j] gray[i+2,j+1] gray[i+2,j+2] 六个点。乘以模板中对应元素
# 其实是取九个点，因为第二行为0.不用写出来
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]+gray[i+1,j]*2+gray[i+2,j]-gray[i,j+2]-gray[i+1,j+2]*2-gray[i+2,j+2]
# 计算梯度
grad = math.sqrt(gx*gx+gy*gy)
# 大于阈值
if grad>50:
dst[i,j] = 255
else:
dst[i,j] = 0
cv2.imshow('dst',dst)
cv2.waitKey(0)
mark
同过我们自己的源码实现，我们同样实现了边缘检测
网友评论