彩色图像的颜色反转

# RGB 255-R=newR# 0-255 255-当前import cv2import numpy as npimg = cv2.imread('image0.jpg',1)imgInfo = img.shapeheight = 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)

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。

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

代码实现马赛克

import cv2import numpy as npimg = cv2.imread('image0.jpg',1)imgInfo = img.shapeheight = 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)

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

代码实现

import cv2import numpy as npimport randomimg = cv2.imread('image0.jpg',1)imgInfo = img.shapeheight = 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 = 8for 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。

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 cv2import numpy as npimg0 = cv2.imread('image0.jpg',1)img1 = cv2.imread('image1.jpg',1)imgInfo = img0.shapeheight = 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-acv2.imshow('dst',dst)cv2.waitKey(0)

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

1. 将彩色图像转换为灰度图像
2. 高斯滤波，可以去除一些噪声干扰
3. 调用Opencv的canny方法实现边缘检测

import cv2import numpy as npimg = cv2.imread('image0.jpg',1)imgInfo = img.shapeheight = 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: sigmaXimgG = 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)

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

1. 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 cv2import numpy as npimport mathimg = cv2.imread('image0.jpg',1)imgInfo = img.shapeheight = 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] = 0cv2.imshow('dst',dst)cv2.waitKey(0)

同过我们自己的源码实现，我们同样实现了边缘检测