《OpenCv视觉之眼》Python图像处理二十:Opencv图像美化处理之图像流年、光照、浮雕、素描、怀旧、滤镜、毛玻璃、油漆特效处理

本专栏主要介绍如果通过OpenCv-Python进行图像处理，通过原理理解OpenCv-Python的函数处理原型，在具体情况中，针对不同的图像进行不同等级的、不同方法的处理，以达到对图像进行去噪、锐化等一系列的操作。同时，希望观看本专栏的小伙伴可以理解到OpenCv进行图像处理的强大哦，如有转载，请注明出处(原文链接和作者署名)，感谢各位小伙伴啦！

前文参考：
《OpenCv视觉之眼》Python图像处理一 :Opencv-python的简介及Python环境搭建
《OpenCv视觉之眼》Python图像处理二 :Opencv图像读取、显示、保存基本函数原型及使用
《OpenCv视觉之眼》Python图像处理三 :Opencv图像属性、ROI区域获取及通道处理
《OpenCv视觉之眼》Python图像处理四 :Opencv图像灰度处理的四种方法及原理
《OpenCv视觉之眼》Python图像处理五 :Opencv图像去噪处理之均值滤波、方框滤波、中值滤波和高斯滤波
《OpenCv视觉之眼》Python图像处理六 :Opencv图像傅里叶变换和傅里叶逆变换原理及实现
《OpenCv视觉之眼》Python图像处理七 :Opencv图像处理之高通滤波和低通滤波原理及构造
《OpenCv视觉之眼》Python图像处理八 :Opencv图像处理之图像阈值化处理原理及函数
《OpenCv视觉之眼》Python图像处理九 :Opencv图像形态学处理之图像腐蚀与膨胀原理及方法
《OpenCv视觉之眼》Python图像处理十 :Opencv图像形态学处理之开运算、闭运算和梯度运算原理及方法
《OpenCv视觉之眼》Python图像处理十一 :Opencv图像形态学处理之顶帽运算与黑帽运算
《OpenCv视觉之眼》Python图像处理十二 :Opencv图像轮廓提取之基于一阶导数的Roberts算法、Prewitt算法及Sobel算法
《OpenCv视觉之眼》Python图像处理十三 :Opencv图像轮廓提取之基于二阶导数的Laplacian算法和LOG算法
《OpenCv视觉之眼》Python图像处理十四 :Opencv图像轮廓提取之Scharr算法和Canny算法
《OpenCv视觉之眼》Python图像处理十五 :Opencv图像处理之图像缩放、旋转和平移原理及实现
《OpenCv视觉之眼》Python图像处理十六:Opencv项目实战之图像中的硬币检测
《OpenCv视觉之眼》Python图像处理十七:Opencv图像处理实战二之图像中的物体识别并截取
《OpenCv视觉之眼》Python图像处理十八:Opencv图像处理实战三之基于OpenCV训练模型的AI人脸检测
《OpenCv视觉之眼》Python图像处理十九:Opencv图像处理实战四之通过OpenCV进行人脸口罩模型训练并进行口罩检测

上次博客，我们进行了OpenCV图像处理的实战五，而本次博客，作为之前《OpenCV视觉之眼》的章节补充，发现讲解了基本的图像处理过程，却没有将如何对图像进行特效处理，对于大多数图像使用的用户而言，绝大部分的目的是为了如何使得图像美化，而并不是将检测出图像中的物体。

因此，本次博客做一个对图像进行特效处理的补充文章，通过原理，进行一系列的图像美化，包括美图秀秀中常用的流年、浮雕、素描、怀旧、滤镜等处理；请给你的图像美个颜，然后一起学习吧！

曾几何时，你也用过美图秀秀P过图；曾几何时，你也想过将图像变得更加的好看，更加的适合你的心意，例如加一些水印，添加一些非主流的名字，将图片进行一些处理使得变为情侣头像，那时候，你在为用什么软件发愁，那时候，你在为怎么设计发愁；而相反的，软件商家在为如何对图片处理有更多的特效发愁；但在现在看来，这一切都不再是难题，因为林君学长带你们理解原理！

---

一、图像流年

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，特效效果对比如下所示：

1、图像流年原理

1）原理：将原始彩色图像的蓝色(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。
2）、计算公式
$$\begin{gathered} img1[i,j]=[\sqrt{img[i,j,0]}\ast weight,img[i,j,1],img[i,j,2]] \\ 其中，weight为权重值，是需要我们进行传递的参数，img为原始图像，img1为流年特效处理之后的图像 \end{gathered}$$

那么通过以上原理和公式，我们便可以对图像进行流年的特效处理，如下步骤

2、图像流年功能函数构造

1）、图像流年特效功能函数构造

'''
    图像流年处理
'''
#图像流年处理函数构造
def chronology(img,weight):
    #获取图像属性
    h,w=img.shape[0:2]
    #定义空白图像，存放图像流年处理之后的图片
    img1=np.zeros((h,w,3),dtype=img.dtype)
    #通过对原始图像进行遍历，通过流年公式修改B通道的像素值，然后进行流连处理
    for i in range(h):
        for j in range(w):
            B=int(np.sqrt(img[i,j,0])*weight)#对通道B的像素值开方，然后乘以权重
            if B>255:
                B=255
            img1[i,j]=[B,img[i,j,1],img[i,j,2]]
    return img1

2）、读取图像，调用图像流年函数，对图像进行流年处理

#导入函数库
import cv2
import numpy as np
#np.set_printoptions(threshold=np.inf)  #打印数组中的全部内容
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei'] #显示中文
#读取图像
img=cv2.imread("my.jpg")
#调用图像流年处理函数，进行图像流年处理
chronology=chronology(img,15)#传递权重参数15
#BGR转换为RGB显示格式，方便通过matplotlib进行图像显示
img=cv2.cvtColor(img,cv2.COLOR_BGR2RGB)
chronology=cv2.cvtColor(chronology,cv2.COLOR_BGR2RGB)
#图像与原图显示对比
titles = [ '原图像', '图像流年特效']  
images = [img, chronology]  
for i in range(2):
    plt.subplot(1,2,i+1), plt.imshow(images[i])  
    plt.title(titles[i])  
    plt.axis('off')#关闭坐标轴  设置为on则表示开启坐标轴
plt.show()  

对于图像流年的效果，大家可以自行调节权重参数进行设置，不同的权重参数处理得到不同的结果，但总有一个结果适合你的审美！

---

二、图像光照

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，特效如下所示：

1、图像光照原理

1）、原理：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像素值增强，范围外的图像像素值保留，并结合边界范围判断生成最终的光照效果
2）、计算公式：圆的公式$x^2+y^2=r^2$
$$\begin{gathered} 确定图像中心点(x,y)=(h/2,w/2);x,y表示图像中心点，h,w表示图像高和宽 \\ 确定半径：半径这里设置为中心点中的最小值，当然，也可以自己进行设定，radius=min(centerX,centerY) \\ 计算像素点到中心点的距离平方：distance=(x-i{)}^2+(y-j{)}^2 \\ \{\begin{array}{ll}如果distance<=radiu{s}^2& \text{img1[i,j]=设定的光照强度值}\\ 如果distance>radiu{s}^2,& \text{img1[i,j]=img[i,j]}\end{array} \\ 其中img1[i,j]表示关照处理之后的图像在(i,j)点的像素，img[i,j]表示原图在(i,j)点的像素 \end{gathered}$$
通过以上原理，我们便可以构造图像光照功能函数了，如下步骤

2、图像光照完整代码

1）、图像光照功能函数构造

'''
    图像光照处理
'''
#图像光照处理函数构造
def illumination(img,lightIntensity):#参数为原图像和光照强度
    #获取图像属性
    h,w=img.shape[0:2]
    #定义空白图像，存放图像光照处理之后的图片
    img1=np.zeros((h,w,3),dtype=img.dtype)
    #确定中心点的位置
    x,y=int(h/2),int(w/2)
    #确定半径
    r=min(x,y)
    #通过对原始图像进行遍历，通过光照公式修改像素值，然后进行光照处理
    for i in range(h):
        for j in range(w):
            #计算像素点i，j到中心点的距离的平方
            distance=(x-i)**2+(y-j)**2
            #比较距离与半径的大小，当距离大于半径，不做处理，当距离小于等于半径，设置为光照强度值
            if distance>r**2:
                img1[i,j]=img[i,j]
            else:
                result=int(lightIntensity*(1.0-np.sqrt(distance)/r ))#通过距离来计算光照强度值
                #光照特效处理后的图像三通道值与255取最小，防止溢出(0和结果中选择最大的，结果和255中选择最小的)
                B=min(max(0,img[i,j,0]+result),255)
                G=min(max(0,img[i,j,1]+result),255)
                R=min(max(0,img[i,j,2]+result),255)
                img1[i,j]=[B,G,R]#B\G\R三通道都设置为光照强度值
    return img1

2）、读取图像，调用图像光照处理函数进行光照处理

#导入函数库
import cv2
import numpy as np
#np.set_printoptions(threshold=np.inf)  #打印数组中的全部内容
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei'] #显示中文
#读取图像
img=cv2.imread("my.jpg")
#调用图像光照处理函数，进行图像光照处理
illumination=illumination(img,150)#传递光照强度为200
#BGR转换为RGB显示格式，方便通过matplotlib进行图像显示
img=cv2.cvtColor(img,cv2.COLOR_BGR2RGB)
illumination=cv2.cvtColor(illumination,cv2.COLOR_BGR2RGB)
#图像与原图显示对比
titles = [ '原图像', '图像光照特效']  
images = [img, illumination]  
for i in range(2):
    plt.subplot(1,2,i+1), plt.imshow(images[i])  
    plt.title(titles[i])  
    plt.axis('off')#关闭坐标轴  设置为on则表示开启坐标轴
plt.show()  

通过传递不同光照强度的参数，我们可以设定不同光照图像处理，总有一款曝光适合你的自拍处理哦！

值得注意的是，我们输入的光照强度请输入正数哦，防止发生像素的反向溢出，及小于0

---

三、图像浮雕

图像浮雕特效是仿造浮雕艺术而衍生的处理，它将要呈现的图像突起于石头表面，根据凹凸程度不同形成三维的立体效果，浮雕特效如下所示：

1、图像浮雕原理

1）、原理：绘制浮雕图像是通过勾画图像的轮廓，并降低周围的像素值，从而产生一张具有立体感的浮雕效果图，传统的方法是设置卷积核，再调用OpenCV的filter2D()函数实现浮雕特效，后面会讲到；而本次介绍的主要通过对图像进行灰度处理后，相邻像素做差，在差的基础上加上一个固定的值，如200
2）、计算公式
$$\begin{gathered} 前一个像素值=int(gray[i,j]) \\ 后一个像素值=int(gray[i,j+1]) \\ 新的像素值=前一个像素值-后一个像素值+150 \end{gathered}$$
以上原理其实很简单的，对于python代码来说，只需要对图像进行遍历就可以实现，如下步骤

2、图像浮雕完整代码

1）、图像浮雕功能函数构造

'''
    图像浮雕处理
'''
#图像浮雕处理函数构造
def relief(img,Degree):#参数为原图像和浮雕图像程度
    #图像灰度处理
    gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
    #获取图像属性
    h,w=gray.shape[0:2]
    #定义空白图像，存放图像浮雕处理之后的图片
    img1=np.zeros((h,w),dtype=gray.dtype)
    #通过对原始图像进行遍历，通过浮雕公式修改像素值，然后进行浮雕处理
    for i in range(h):
        for j in range(w-1):
            #前一个像素值
            a=gray[i,j]
            #后一个像素值
            b=gray[i,j+1]
            #新的像素值,防止像素溢出
            img1[i,j]=min(max((int(a)-int(b)+Degree),0),255)
    return img1

2）、读取图像，调用图像浮雕功能函数，对图像进行浮雕处理

#导入函数库
import cv2
import numpy as np
#np.set_printoptions(threshold=np.inf)  #打印数组中的全部内容
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei'] #显示中文
#读取图像
img=cv2.imread("my.jpg")
#调用图像浮雕处理函数，进行图像浮雕处理
relief=relief(img,160)#设置浮雕图像程度值为160
#BGR转换为RGB显示格式，方便通过matplotlib进行图像显示
img=cv2.cvtColor(img,cv2.COLOR_BGR2RGB)
relief=cv2.cvtColor(relief,cv2.COLOR_BGR2RGB)
#图像与原图显示对比
titles = [ '原图像', '图像浮雕特效']  
images = [img, relief]  
for i in range(2):
    plt.subplot(1,2,i+1), plt.imshow(images[i])  
    plt.title(titles[i])  
    plt.axis('off')#关闭坐标轴  设置为on则表示开启坐标轴
plt.show()  

通过设置不同的浮雕图像程度值，可以得到不同的浮雕图像视觉，在满眼的3D视觉中，你的自拍，总会若隐若现，犹如3D般的视觉效果，没错，这就是浮雕特效，一个将你照片中的美丽事物打印出来的特效，调节参数，让照片中的人物走出来吧！
3）、浮雕处理的传统方法
在浮雕开始的时候，我们说到，浮雕的传统方法是通过设置卷积核，再调用OpenCV的filter2D()函数实现浮雕特效。该函数主要是利用内核实现对图像的卷积运算，函数原型：relief= filter2D(img, ddepth, kernel)

• img：输入图像
• relief：输出的边缘图，其大小和通道数与输入图像相同
• ddepth：目标图像所需的深度
• kernel：卷积核，一个单通道浮点型矩阵

这里我们看一下传统方法的效果，完整代码如下：

'''浮雕传统OpenCV特效处理方法'''
#导入函数库
import cv2
import numpy as np
#np.set_printoptions(threshold=np.inf)  #打印数组中的全部内容
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei'] #显示中文
#读取图像
img=cv2.imread("my.jpg")
#调用图像浮雕处理函数，进行图像浮雕处理
kernel = np.array([[-1,0,0],[0,1,0],[0,0,0]])
relief = cv2.filter2D(img, -1, kernel)
#BGR转换为RGB显示格式，方便通过matplotlib进行图像显示
img=cv2.cvtColor(img,cv2.COLOR_BGR2RGB)
relief=cv2.cvtColor(relief,cv2.COLOR_BGR2RGB)
#图像与原图显示对比
titles = [ '原图像', '图像浮雕特效-OpenCV处理方法']  
images = [img, relief]  
for i in range(2):
    plt.subplot(1,2,i+1), plt.imshow(images[i])  
    plt.title(titles[i])  
    plt.axis('off')#关闭坐标轴  设置为on则表示开启坐标轴
plt.show()  

在看一下效果吧：

怎样？这个效果是不是让你大失所望，不过没有关系，掌握相邻像素做差法就ok拉！

---

四、图像素描

图像素描特效会将图像的边界都凸显出来，素描特效如下所示：

1、图像素描原理

1）、原理：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滤波降噪处理。
2）、图像素描原理步骤

• 图像灰度化
• 图像滤波处理
• 图像轮廓提取
• 图像反二进制阈值化

以上每个步骤的原理我们都通过该系列博客前面的章节讲解过，而且给出了原理代码和使用OpenCV库函数的代码，而这里了，为了加快图像素描的处理速度，我们将直接使用OpenCV库函数进行图像素描处理，如果需要了解以上步骤实现的原理，请参考该博客系列教程的前面对应章节

2、图像素描完整代码

1）、图像素描功能函数构造

'''
    图像素描处理
'''
#图像素描处理函数构造
def Sketch(img):#参数为原图像
    #图像灰度处理
    gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
    #通过高斯滤波过滤噪声
    gaussian = cv2.GaussianBlur(gray, (3,3), 0)
    #通过canny算法提取图像轮过
    canny = cv2.Canny(gaussian, 50, 140)
    #对轮廓图像进行反二进制阈值化处理
    ret, result = cv2.threshold(canny, 90, 255, cv2.THRESH_BINARY_INV)
    return result

2）、读取图像，调用图像素描功能函数，对图像进行素描处理

#导入函数库
import cv2
import numpy as np
#np.set_printoptions(threshold=np.inf)  #打印数组中的全部内容
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei'] #显示中文
#读取图像
img=cv2.imread("my.jpg")
#调用图像素描处理函数，进行图像素描处理
Sketch=Sketch(img)
#BGR转换为RGB显示格式，方便通过matplotlib进行图像显示
img=cv2.cvtColor(img,cv2.COLOR_BGR2RGB)
Sketch=cv2.cvtColor(Sketch,cv2.COLOR_BGR2RGB)
#图像与原图显示对比
titles = [ '原图像', '图像素描特效']  
images = [img, Sketch]  
for i in range(2):
    plt.subplot(1,2,i+1), plt.imshow(images[i])  
    plt.title(titles[i])  
    plt.axis('off')#关闭坐标轴  设置为on则表示开启坐标轴
plt.show()  

---

五、图像怀旧

图像怀旧特效是指图像经历岁月的昏暗效果，使得让人的肉眼看到感觉如同过去的事物一般，让人勾起那枯藤老树昏鸦的沧桑回忆的情感;怀旧效果如下：

1、图像怀旧原理

1）原理：图像怀旧的原理就是对图像3通道B\G\R通过不同的特定的权重处理，形成新的3通道图像，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，最终生成图像怀旧效果，而对于为什么是这些特定的权重，林君学长也没有查询到资料啦，真是一种怀旧的权重哎!
2）、计算公式
$$\begin{gathered} B=0.189b+0.769g+0.393r \\ G=0.168b+0.686g+0.349r \\ R=0.131b+0.534g+0.272r \end{gathered}$$
那么通过以上公式构造图像怀旧功能函数是不是就简单很多啦，一起来看下吧！

2、图像怀旧完整代码

1）、图像怀旧功能函数构造

'''
    图像怀旧处理
'''
#图像光照处理函数构造
def Nostalgia(img):#参数为原图像
    #获取图像属性
    h,w=img.shape[0:2]
    #定义空白图像，存放图像怀旧处理之后的图片
    img1=np.zeros((h,w,3),dtype=img.dtype)
    #通过对原始图像进行遍历，通过怀旧公式修改像素值，然后进行怀旧处理
    for i in range(h):
        for j in range(w):
            B=0.131*img[i,j,0]+0.534*img[i,j,1]+0.272*img[i,j,2]
            G=0.168*img[i,j,0]+0.686*img[i,j,1]+0.349*img[i,j,2]
            R=0.189*img[i,j,0]+0.769*img[i,j,1]+0.393*img[i,j,2]
            #防止图像溢出
            if B>255:
                B = 255
            if G>255:
                G = 255
            if R>255:
                R = 255
            img1[i,j]=[int(B),int(G),int(R)]#B\G\R三通道都设置为怀旧值
    return img1

2）、读取图像，调用图像怀旧功能函数，对图像进行怀旧处理

#导入函数库
import cv2
import numpy as np
#np.set_printoptions(threshold=np.inf)  #打印数组中的全部内容
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei'] #显示中文
#读取图像
img=cv2.imread("my.jpg")
#调用图像怀旧处理函数，进行图像怀旧处理
Nostalgia=Nostalgia(img)
#BGR转换为RGB显示格式，方便通过matplotlib进行图像显示
img=cv2.cvtColor(img,cv2.COLOR_BGR2RGB)
Nostalgia=cv2.cvtColor(Nostalgia,cv2.COLOR_BGR2RGB)
#图像与原图显示对比
titles = [ '原图像', '图像怀旧特效']  
images = [img, Nostalgia]  
for i in range(2):
    plt.subplot(1,2,i+1), plt.imshow(images[i])  
    plt.title(titles[i])  
    plt.axis('off')#关闭坐标轴  设置为on则表示开启坐标轴
plt.show()  

有没有一点过去的感觉，是否勾起了你的回忆，可惜的是这段代码并不能让时间倒退，只能勾起你的对过去回忆的无限思维，夕阳夕下，你们共在天涯!

天啦，我怎么不知道品如有这件衣服^ _ ^

---

六、图像滤镜

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，滤镜特效如下所示：

1、图像滤镜原理

1）、原理：假设现在存在一张新的滤镜颜色查找表，包含各像素颜色分布的图像；然后通过演示查找表，对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。
2）、颜色查找表如下所示(尺寸512x512)

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。

2、图像滤镜完整代码

1）、自定义获取颜色查找表中的滤镜颜色

'''
    图像滤镜处理
'''
# 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 table[x][y]

2）、图像滤镜功能函数构造

#图像滤镜功能函数构造
def Filter(img,filter1):
    # 获取图像属性
    h,w=img.shape[:2]
    #定义空白图像，存放图像滤镜处理之后的图片
    img1=np.zeros((h,w,3),dtype=img.dtype)
    # 通过对原图像遍历，设置滤镜颜色
    for i in range(h):
        for j in range(w):
        	#通过演示查找表进行颜色转换
            img1[i][j]=getBGR(img,filter1,i,j)
    return img1

3）、读取图像，调用图像滤镜功能函数，对图像进行滤镜处理

#导入函数库
import cv2
import numpy as np
#np.set_printoptions(threshold=np.inf)  #打印数组中的全部内容
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei'] #显示中文
#读取图像
img=cv2.imread("my.jpg")
#读取滤镜查找表
filter1=cv2.imread('1.jpg')
#调用图像怀旧处理函数，进行图像怀旧处理
Filter=Filter(img,filter1)#传递图像和颜色查找表
#BGR转换为RGB显示格式，方便通过matplotlib进行图像显示
img=cv2.cvtColor(img,cv2.COLOR_BGR2RGB)
Filter=cv2.cvtColor(Filter,cv2.COLOR_BGR2RGB)
#图像与原图显示对比
titles = [ '原图像', '图像滤镜特效']  
images = [img, Filter]  
for i in range(2):
    plt.subplot(1,2,i+1), plt.imshow(images[i])  
    plt.title(titles[i])  
    plt.axis('off')#关闭坐标轴  设置为on则表示开启坐标轴
plt.show()

可以看到，图像滤镜之后，将原图的所有像素通过滤镜查找表重新改变一次，实现滤镜的美化效果，你可能不是万一挑一，但你始终是自己的唯一！

---

七、图像毛玻璃

图像毛玻璃是是将图像模糊化，如同一般办公室那种磨砂门，给人虚幻的感觉，不能够看到里面的内容，是图像处理中通常用到的一种；毛玻璃特效如下所示：

1、图像毛玻璃原理

1）、原理：用图像邻域内随机一个像素点的颜色来替代当前像素点颜色的过程，从而为图像增加一个毛玻璃模糊的特效
2）、计算公式
$$\begin{gathered} 在该像素点随机挑选一个领域点，用num来确定周围是几领域，并且随机给出周围领域的的点 \\ random=np.random.randint(0,num) \\ img1[i,j]=img[i+random,j+random] \end{gathered}$$
通过以上原理，便可以设计我们的毛玻璃特效了，如下步骤

2、图像毛玻璃完整代码

1）、图像毛玻璃功能函数构造

'''
    图像毛玻璃处理
'''
#图像毛玻璃处理函数构造
def frostedGlass(img,size):#参数为原图像和邻域大小
    num = int((size - 1) / 2)  # 输入图像需要填充的尺寸
    #由于是领域内的点，因此，我们首先需要确定领域的大小，进行扩边
    img = cv2.copyMakeBorder(img, num, num, num, num, cv2.BORDER_REPLICATE)#对原图像进行扩充，处理黑边 
    #获取图像属性
    h,w=img.shape[0:2]
    #定义空白图像，存放图像毛玻璃处理之后的图片
    img1=np.zeros((h,w,3),dtype=img.dtype)
    #定义随机数
    random= 0
    #通过对原始图像进行遍历，通过毛玻璃公式修改像素值，然后进行毛玻璃处理
    for i in range(num,h-num):
        for j in range(num,w-num):
            #在该像素点随机挑选一个领域点，用num来确定周围是几领域，并且随机给出周围领域的的点
            random=np.random.randint(0,num)
            img1[i,j]=img[i+random,j+random]
    img1 = img1[(0 + num):(h-num), (0+num):(h-num)]#裁剪原图
    return img1

2）、读取图像，调用图像毛玻璃功能函数，对图像进行毛玻璃处理

#导入函数库
import cv2
import numpy as np
#np.set_printoptions(threshold=np.inf)  #打印数组中的全部内容
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei'] #显示中文
#读取图像
img=cv2.imread("my.jpg")
#调用图像毛玻璃处理函数，进行图像毛玻璃处理
frostedGlass=frostedGlass(img,11)#11邻域的毛玻璃特效处理
#BGR转换为RGB显示格式，方便通过matplotlib进行图像显示
img=cv2.cvtColor(img,cv2.COLOR_BGR2RGB)
frostedGlass=cv2.cvtColor(frostedGlass,cv2.COLOR_BGR2RGB)
#图像与原图显示对比
titles = [ '原图像', '图像毛玻璃特效']  
images = [img, frostedGlass]  
for i in range(2):
    plt.subplot(1,2,i+1), plt.imshow(images[i])  
    plt.title(titles[i])  
    plt.axis('off')#关闭坐标轴  设置为on则表示开启坐标轴
plt.show()  

模糊的朦胧美，相信是大多数小伙伴在进行美图秀秀中常用的伎俩吧，今天可以看到处理的原理啦！

---

八、图像油漆

图像油漆特效类似于油漆染色后的轮廓图形，是美化图像的另一种视觉体验，可以提示图像锐度和饱和度，图像油漆特效如下所示：

1、图像油漆原理

1）、原理：原图像通过特定的3x3卷积核与周围邻域进行卷积得到的效果，卷积模板如下所示：
$$K(3,3)=\left[\begin{array}{ccc}-1& -1& -1\\ -1& 10& -1\\ -1& -1& -1\end{array}\right]$$
2）、计算公式
该计算公式没有什么需要介绍的，就是像素周围的(包括该像素点本身)9个点的像素分别于卷积末班对于相乘然后相加得到一个新的像素，如下步骤

2、图像油漆完整代码

1）、图像油漆功能函数构造

'''
    图像油漆处理
'''
#图像油漆处理函数构造
def paint(img):#参数为原图像和邻域大小
    #对原图像进行扩充，处理黑边
    img = cv2.copyMakeBorder(img, 1, 1, 1, 1, cv2.BORDER_REPLICATE) 
    #获取图像属性
    h,w=img.shape[0:2]
    #定义空白图像，存放图像油漆处理之后的图片
    img1=np.zeros((h,w,3),dtype=img.dtype)
    #定义卷积模板
    kernel=np.array([[-1,-1,-1],[-1,10,-1],[-1,-1,-1]])
    #通过对原始图像进行遍历，通过油漆公式修改像素值，然后进行油漆处理
    for i in range(1,h-1):
        for j in range(1,w-1):
            #周围邻域与模板进行卷积并防止像素溢出
            B=min(max(0,np.sum(img[i-1:i+1+1,j-1:j+1+1,0]*kernel)),255)
            G=min(max(0,np.sum(img[i-1:i+1+1,j-1:j+1+1,1]*kernel)),255)
            R=min(max(0,np.sum(img[i-1:i+1+1,j-1:j+1+1,2]*kernel)),255)
            img1[i,j]=[B,G,R]
    img1 = img1[(0 + 1):(h-1), (0+1):(h-1)]#裁剪恢复原图
    return img1

2）、读取图像，调用图像油漆功能函数，对图像进行油漆处理

#导入函数库
import cv2
import numpy as np
#np.set_printoptions(threshold=np.inf)  #打印数组中的全部内容
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei'] #显示中文
#读取图像
img=cv2.imread("my.jpg")
#调用油漆函数，进行图像油漆处理
paint = paint(img)
#BGR转换为RGB显示格式，方便通过matplotlib进行图像显示
img=cv2.cvtColor(img,cv2.COLOR_BGR2RGB)
paint=cv2.cvtColor(paint,cv2.COLOR_BGR2RGB)
#图像与原图显示对比
titles = [ '原图像', '图像油漆特效']  
images = [img, paint]  
for i in range(2):
    plt.subplot(1,2,i+1), plt.imshow(images[i])  
    plt.title(titles[i])  
    plt.axis('off')#关闭坐标轴  设置为on则表示开启坐标轴
plt.show()  

图像油漆效果相当于给图像的饱和度和锐度都有一定的提示，适合对图片进行光线增加，上面的卷积同样也可以用cv2.filter2D函数完整，核心代码如下所示：

#导入函数库
import cv2
import numpy as np
#np.set_printoptions(threshold=np.inf)  #打印数组中的全部内容
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei'] #显示中文
#读取图像
img=cv2.imread("my.jpg")
#自定义卷积核
kernel=np.array([[-1,-1,-1],[-1,10,-1],[-1,-1,-1]])
#调用filter2D函数，进行图像油漆处理
#图像浮雕效果
paint = cv2.filter2D(img, -1, kernel)
#BGR转换为RGB显示格式，方便通过matplotlib进行图像显示
img=cv2.cvtColor(img,cv2.COLOR_BGR2RGB)
paint=cv2.cvtColor(paint,cv2.COLOR_BGR2RGB)
#图像与原图显示对比
titles = [ '原图像', '图像油漆特效']  
images = [img, paint]  
for i in range(2):
    plt.subplot(1,2,i+1), plt.imshow(images[i])  
    plt.title(titles[i])  
    plt.axis('off')#关闭坐标轴  设置为on则表示开启坐标轴
plt.show()  

可以看到，效果是一样的，具体选择哪一种处理方法，小伙伴们自己抉择吧！

以上就是本次博客的全部内容，如果对你美化图像有所帮助，请一定记得点赞关注啦；遇到问题的小伙伴记得留言评论，学长看到会为大家进行解答的，这个学长不太冷！

生路上，很多时候看不清未来，回不到过去。那么，就别让时间在眺望未来中流逝，莫让年华在回忆过去中沧桑，把握今天，开心享受每一天

陈一月的又一天编程岁月^ _ ^