OpenCV笔记—进阶篇（图像效果处理）

OpenCV笔记-进阶（图像效果处理）

此章节是基于本人OpenCV笔记-基础篇的延续，如果对此章节有疑惑的话，可以先看基础篇学习一下。
通过此篇可以学习到美图秀秀等P图软件实现图片效果原理及实现过程

1、灰度处理

灰度处理是图像处理的重要部分，大部分图像识别都需要使用到图像灰度处理
灰度处理则是对像素进行整合处理，将像素改为单一化数值：

左图为彩色图片像素，右图为灰色图片像素
可见彩色图片像素中的三基色比例数值改为灰度的单一数值
灰度图片中的RGB是相同的，R=G=B值

本人将讲解四种图像灰度处理方法：

（1）图像读取灰度处理：

图像读取命令：cv2.imread(filename,flags=None),将图像灰度化，则是将flags=0即可
程序示例：

import cv2
img = cv2.imread('imageTest.png',0)
cv2.imshow('img',img)
cv2.waitKey(0)

结果：

（2）颜色空间转换函数灰度处理

颜色空间转换函数：

cv2.cvtColor(src,code,dst=None,dstCn=None)

src：改变其颜色空间的图像
code：色彩空间转换代码，cv2.COLOR_BGR2GRAY为灰度转换代码

程序示例：

import cv2
img = cv2.imread('imageTest.png',1)
dst = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
cv2.imshow('dst',dst)
cv2.waitKey(0)

结果：
与上图灰度相似

（3）图像像素平均值灰度处理

灰度图像中的RGB是相同的，因此可以通过RGB求取平均值进行计算
公式：灰度值=（R+G+B）/3
步骤：1、读取图片；2、建立空白模板；3、求RGB平均值，填入模板
程序示例：

import cv2
import numpy as np
img = cv2.imread('imageTest.png',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]
        gray = (int(b)+int(g)+int(r))/3
        dst[i,j] = np.uint8(gray)
cv2.imshow('dst',dst)
cv2.waitKey(0)

结果：
与以上灰度图片相似

（4）心理学灰度计算

心理学灰度计算公式：
gray = r × 0.299+g × 0.587+b × 0.114

步骤与第三种方法相同：
程序示例：

import cv2
import numpy as np
img = cv2.imread('imageTest.png',1)
imgInfo = img.shape
height = imgInfo[0]
width = imgInfo[1]
#获取图像像素平均值
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]
        gray = int(r)*0.299+int(g)*0.587+int(b)*0.114
        dst[i,j] = np.uint8(gray)
cv2.imshow('dst',dst)
cv2.waitKey(0)

结果：
与上图灰度图像相同

2、图像颜色反转

颜色反转原理：
获取图像像素信息RGB，使用满像素值 255 减该像素值

（1）灰度反转

步骤：
1、读取图片；2、灰度处理，建立空模板；
3、获取像素，255-对应像素；4、填入模板
程序示例：

import cv2
import numpy as np
img = cv2.imread('imageTest.png',1)
imgInfo = img.shape
height = imgInfo[0]
width = imgInfo[1]
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)#灰度处理
dst = np.zeros((height,width,1),np.uint8)#建立空白模板
for i in range(0,height):
    for j in range(0,width):
        ger = gray[i,j]#获取对应像素
        dst[i,j] = 255-ger#反转像素
cv2.imshow('dst',dst)
cv2.waitKey(0)

结果：

此便是灰度反转图像，似相机底板效果

（2）彩色反转

步骤与灰度反转相同，唯一不同则是可以选择三基色中任意一种或者几种进行反转
程序示例：（仅反转蓝基色）

import cv2
import numpy as np
img = cv2.imread('imageTest.png',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] #获取像素BGR
        b = 255-b #反转蓝基色
#         g = 255-g 反转绿基色
#         r = 255-r 反转红基色
        dst[i,j] = (b,g,r)
cv2.imshow('dst',dst)
cv2.waitKey(0)

结果：

3、图像马赛克效果

马赛克效果则是对范围像素进行同化效果：

如上图，将范围内的多种像素同化为一种像素
步骤：
1、读取图像；2、指定需要马赛克的范围
3、对需要马赛克的图像进行范围取值替代，如上图中取左上像素替代范围内全部像素
4、填入模板，显示图像
程序示例：

import cv2
import numpy as np
img = cv2.imread('imageTest.png',1)
imgInfo = img.shape
height = imgInfo[0]
width = imgInfo[1]
for m in range(100,300):
    for n in range(100,200):
        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)

程序解释：此取程序中各十个像素值为范围，十个像素中，取整除十的像素替代范围像素
结果：

此图黄花的左边便是马赛克范围

4、图像毛玻璃效果

何为毛玻璃效果呢？
先展示图片：

毛玻璃效果则是使图片像素变得模糊。
图像毛玻璃效果原理与图像马赛克原理相似，都是通过改变指定范围内的像素达成效果的。但是改变的方式不同。
原理图：

图像毛玻璃原理实现是将图像中范围像素进行随机替换，如上图。
步骤流程：
1、读取图像；2、建立空模板，指定随机获取像素范围
3、对随机像素范围进行随机像素获取，并替换原像素
4、填入模板，显示图像
程序示例：

import cv2
import numpy as np
import random
img = cv2.imread('imageTest.png',1)
imgInfo = img.shape
height = imgInfo[0]
width = imgInfo[1]
dst = np.zeros((height,width,3),np.uint8)
mn = 8 #随机范围获取像素
for m in range(0,height-mn):
    for n in range(0,width-mn):
        index = int(random.random()*8)#random.random：随机生成[0,1)实数
        (b,g,r) = img[m+index,n+index]
        dst[m,n] = (b,g,r)
cv2.imshow('dst',dst)
cv2.waitKey(0)

程序解释：此为指定随机像素范围为8个像素，即在8个像素范围中，随机替换范围像素。
结果：

5、图片融合效果

图片融合效果则是通过两个图片进行重叠混合。

实现步骤：
1、读取图片，获取图片信息
2、指定目标期望范围ROI（ROI范围不可超出两张图片的范围）
3、建立模板，使用cv2.addWeighted函数进行重叠
4、显示图片
重要函数：
cv2.addWeighted：图片混合与叠加

cv2.addWeighted(src1, alpha, src2, beta, gamma, dst=None, dtype=None)

src1：输入第一张图片
alpha：第一张图片权重
src2：输入第二张图片
beta：第二张图片权重
gamma：亮度调节量
权重：图片所占比例，全值为1.0

程序示例1：
示例图片：

两张不同的图片

import cv2
import numpy as np
img0 = cv2.imread('imageTest.png',1)
img1 = cv2.imread('image1.jpg',1)
imgInfo = img0.shape
height = imgInfo[0]
width = imgInfo[1]
#ROI 目标期望范围
roiH = int(height/2)
roiW = int(width/2)
img0ROI = img0[0:roiH,0:roiW]
img1ROI = img1[0:roiH,0:roiW]
#dst
dst = np.zeros((roiH,roiW,3),np.uint8)
dst = cv2.addWeighted(img0ROI,0.5,img1ROI,0.5,0)
cv2.imshow('img0',img0)
cv2.imshow('img1',img1)
cv2.imshow('dst',dst)
cv2.waitKey(0)

程序解释：此为获取图片左上角四分之一进行重叠
结果：

程序示例2：（全图片重叠）

import cv2
import numpy as np
img0 = cv2.imread('imageTest.png',1)
img1 = cv2.imread('image1.jpg',1)
imgInfo0 = img0.shape
imgInfo1 = img1.shape
height = imgInfo1[0]
width = imgInfo1[1]
img0ROI = img0[0:height,0:width]
img1ROI = img1[0:height,0:width]
dst = np.zeros((height,width,3),np.uint8)
dst = cv2.addWeighted(img1ROI,0.3,img0ROI,0.7,0)
#add src1*a+src2*b 0:亮度调节量
cv2.imshow('dst',dst)
cv2.waitKey(0)

结果：

6、图片边缘检测

边缘检测的目的是标识数字图像中亮度变化明显的点。图像属性中的显著变化通常反映了属性的重要事件和变化。
图片边缘检测在后期学习中是非常重要的部分，尤其是在特征处理分析中。
边缘检测示例：

（1）cv2.Canny函数进行边缘化

左图为原图，右图为边缘检测图
边缘检测步骤：
1、读取图片，获取信息
2、灰度图像处理
3、高斯滤波降噪处理
4、cv2.Canny方法处理，显示图片

重要函数讲解：
cv2.GaussianBlur：高斯滤波函数，适用于消除高斯噪声，广泛用于图像处理的减噪过程。

cv2.GaussianBlur(src, ksize, sigmaX, dst=None, sigmaY=None, borderType=None)

src：输入图像
ksize：高斯内核大小，必须为正数、奇数和零
sigmaX：X方向上的高斯核标准偏差
sigmaX：Y方向上的高斯核标准偏差，如不设置，则与sigmaX相同

cv2.Canny：边缘检测函数
因为此函数比较复杂，在此不过多见解，如想深入了解，可看此文章：Canny边缘检测算法

cv2.Canny(image, threshold1, threshold2, edges=None, apertureSize=None, L2gradient=None)

image：输入原图，必须为单通道图（如灰度图片）
threshold1，threshold2：监测阀值，threshold1为下阀值，threshold2为上阀值。用于检测图像明显边缘值
apertureSize：Sobel算子的大小

程序示例：

import cv2
import numpy as np
import random
img = cv2.imread('imageTest.png',1)
imgInfo = img.shape
height = imgInfo[0]
width = imgInfo[1]
#cv2.imshow('src',img)
#边沿检测：1、灰度图像处理；2、高斯滤波；3、canny方法
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
imgG = cv2.GaussianBlur(gray,(3,3),0)#高斯滤波，降噪（模糊化处理）。
dst = cv2.Canny(img,50,50) 
#Canny：img：原图，50，50：上阀值与下阀值
cv2.imshow('img',img)
cv2.imshow('dst',dst)
cv2.waitKey(0)

结果：

注：调整阀值大小可使图片边缘性，阀值越高，图片边缘性越低。

（2）sobel算法边缘化原理

sobel算法原理

sobel算法原理实现边缘
 1、算子模板；2、图片卷积；3、阀值判决
算子模板：
   y轴              x轴
 [1 2 1          [ 1 0 -1
  0 0 0            2 0 -2
 -1 -2 -1 ]       1 0 -1 ]
 图片卷积：
 [1,2,3,4]：图像四个像素 [a b c d]：计算模板 
 a*1+b*2+c*3+d*4=dst
 梯度运算：grad = sqrt(a*a+b*b)
 阀值判决：
 grad > th

实现步骤：
1、读取图片，获取信息
2、图像灰度处理，建立空白模板
3、运用sobel算法原理，判决阀值
4、显示图像
程序示例：

import cv2
import numpy as np
import random
import math
img = cv2.imread('imageTest.png',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-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]+gray[i+1,j]*2+gray[i+2,j]-gray[i,j+2]-gray[i+1,j+2]*2-gray[i+2,j+2]
        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)

7、图像浮雕效果

图像浮雕效果与图像边缘效果类似，通过像素差进行计算边缘。
图像浮雕示例：

上图便是图像浮雕效果，与图像边缘化非常相似。
图像浮雕效果实现原理：
提取相邻两个像素，gray[i,j]与gray[i,j+1]像素；
新gray[i,j]像素 = gray[i,j] - gray[i,j+1] + 150，150是灰度化值，此值越小，黑度越高，反则越白。

图像浮雕效果实现步骤：
1、读取图片，获取信息
2、图像灰度化，建立空白模板
3、获取相邻点，使用公式相减+灰度化值
4、显示结果图片

程序示例：

import cv2
import numpy as np
img = cv2.imread('imageTest.png',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)

结果：

8、图像颜色风格

此节讲颜色风格类似于美图秀秀中的滤镜，光暗调节等，这些功能都是通过修改像素所完成的。

（1）颜色滤镜实现效果：

获取图像RGB值，通过修改其中一个基色或多个基色倍数，从而达成滤镜效果

程序示例：

import cv2
import numpy as np
img = cv2.imread('imageTest.png',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 = b*1.3
        g = g*1.3
        if b>255:#当结果超出255界值后，修改为255值
            b = 255
        if g>255:
            g = 255
        dst[i,j] = (b,g,r)
cv2.imshow('dst',dst)
cv2.waitKey(0)

注：此程序修改RGB中，蓝基色与绿基色，使其都增长1.3倍，
结果：

左图为原图，右图为滤镜结果图
通过此对比可看出，修改蓝基色与绿基色后，图像色调偏蓝光。
其他滤镜效果皆是由此修改，读者可自行尝试

（2）图像光暗效果调整

图像光暗效果调整也是修改像素中RGB值，不过不是单个修改，而是整体进行修改变换。
程序示例：

import cv2
import numpy as np
img = cv2.imread('imageTest.png',1)
imgInfo = img.shape
height = imgInfo[0]
width = imgInfo[1]
dst = np.zeros((height,width,3),np.uint8)
dst1 = 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*1.2
        b1 =b*0.5 
        g = g*1.2
        g1 = g*0.5
        r = r*1.2
        r1 = r*0.5
        if b>255:
            b = 255
        if g>255:
            g = 255
        if r>255:
            r = 255
        dst[i,j] = (b,g,r)
        dst1[i,j] = (b1,g1,r1)
cv2.imshow('img',img)
cv2.imshow('dst1',dst1)
cv2.imshow('dst',dst)
cv2.waitKey(0)

注：RGB值调节越高，则光度越高，反之则越暗
结果：

左图为光度调节图，中图为原图，右图为暗度调节图