python用opencv实现图片的美白磨皮_12 - OpenCV+TensorFlow 入门人工智能图像处理-磨皮美白-多智时代...

磨皮美白

上节课的+固定值，我们还可以变为乘以一个系数。

foriinrange(0,height):forjinrange(0,width): (b,g,r)=img[i,j] bb=int(b*1.3)+10 gg=int(g*1.2)+15 ifbb>255: bb=255 ifgg>255: gg=255

只修改b和g的值，然后分别加上系数。

#p=p+40#改进:p=p*1.2+40#g+rP*piexl=newimportcv2importnumpyasnp img=cv2.imread('image0.jpg',1) imgInfo=img.shape height=imgInfo[0] width=imgInfo[1] cv2.imshow('src',img) dst=np.zeros((height,width,3),np.uint8)foriinrange(0,height):forjinrange(0,width): (b,g,r)=img[i,j] bb=int(b*1.3)+10 gg=int(g*1.2)+15 ifbb>255: bb=255 ifgg>255: gg=255 dst[i,j]=(bb,gg,r) cv2.imshow('dst',dst) cv2.waitKey(0)

mark

可以看到这次就没有蒙上白色

磨皮美白(双边滤波)

#双边滤波importcv2 img=cv2.imread('1.jpg',1) cv2.imshow('src',img)#双边滤波过滤器:到时候讲解dst=cv2.bilateralFilter(img,15,35,35) cv2.imshow('dst',dst) cv2.waitKey(0)

mark

可以看到已经有很大效果了

高斯均值滤波

高斯滤波使用opencv api形式。均值滤波使用源码

滤波与我们的边缘检测有点类似，就是用一个滤波核与我们的图像进行卷积运算。

高斯滤波，既然要进行滤波说明原来图片有问题。

importcv2importnumpyasnp img=cv2.imread('image11.jpg',1) cv2.imshow('src',img)#这些参数在讲解高斯核时介绍dst=cv2.GaussianBlur(img,(5,5),1.5) cv2.imshow('dst',dst) cv2.waitKey(0)

mark

可以看到原图片中有很多小点，这些点都是一些椒盐噪声。

去除这些点，使用高斯滤波

基本上没有模糊的点了，但是图片相比较于原图变模糊了。

均值滤波

定义一个6*6的模板,它里面的值全为1.

使用这个全为1的数据，乘以一个(6,6) 矩阵中所有的图像数据，乘完之后除以36得到均值，将这个均值替换到中心的这个元素。实现均值滤波。

#均值6*61。*【6*6】/36=mean-》Pimportcv2importnumpyasnp#读取带噪声的图片img=cv2.imread('image11.jpg',1) cv2.imshow('src',img) imgInfo=img.shape height=imgInfo[0] width=imgInfo[1]#目标图片dst=np.zeros((height,width,3),np.uint8)#遍历所有点。(6,6)foriinrange(3,height-3):forjinrange(3,width-3):#统计模板中6,6的矩阵元素和。 sum_b=int(0) sum_g=int(0) sum_r=int(0)#(6,6) forminrange(-3,3):#-3-2-1012共6个值 forninrange(-3,3):#读取6,6这个小块中的每一个数据累加 (b,g,r)=img[i+m,j+n] sum_b=sum_b+int(b) sum_g=sum_g+int(g) sum_r=sum_r+int(r)#bgr获取均值 b=np.uint8(sum_b/36) g=np.uint8(sum_g/36) r=np.uint8(sum_r/36) dst[i,j]=(b,g,r) cv2.imshow('dst',dst) cv2.waitKey(0)

这跟毛玻璃搞得是一回事啊。

mark

中值滤波

#中值滤波取中间值代替原来像素值过程#3*3模板九个像素进行排序，排序之后中间值替换原来像素值importcv2importnumpyasnp#读取噪声图片img=cv2.imread('image11.jpg',1) imgInfo=img.shape height=imgInfo[0] width=imgInfo[1]#灰度化img=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) cv2.imshow('src',img)#最终生成结果dst=np.zeros((height,width,3),np.uint8)#数组，这九个元素。大小为9collect=np.zeros(9,np.uint8)#两层for循环遍历每一个点foriinrange(1,height-1):forjinrange(1,width-1): #描述即将装取数据的下标 k=0 #(3,3)从-1开始到2 forminrange(-1,2):#-101 forninrange(-1,2):#获取当前灰度值 gray=img[i+m,j+n]#下标就是我们的k collect[k]=gray k=k+1 #012345678 #1 #拿一个元素和其他元素进行比较 #如果这个元素最大或者最小都放到最后面 #完成大小排序 forkinrange(0,9):#第一个元素 p1=collect[k]fortinrange(k+1,9):#如果p1小于比较值 ifp1

mark

把旁边的去掉了，反倒本来没啥麻子的全是麻子

总结

图片美化直方图 & 直方图均衡化 & 亮度增强

磨皮美白 & 图片滤波 & 高斯滤波

重点复习，直方图均匀化和图像滤波的相关知识直方图: 本质统计每个像素灰度出现的概率 x: 0 - 255 p(0-1)

在原有基础上将概率离散化统计每个颜色出现的概率

累计概率 最后的几个概率接近1

根据累计概率，进行0-255映射表的创建

公式:newp=255*p计算新的像素值。

YUV方式不改变颜色。

我们的滤波核就是通过高斯滤波函数来生成的。

滤波的本质是

mark

用当前窗口中的像素点与我们的滤波核进行相乘。

实质； 矩阵对应点相乘并求和

左侧是图片，右侧是我们的高斯滤波核。

我们想计算中心点新的像素。就用(3,3)图像乘以(3,3)的滤波核

7*1 4*2 1*1

完成9个像素的对应相乘，完成之后再乘以1/16

为什么是16，因为我们滤波核中所有数加起来是16.平均。

滤波核的特点，越往中间值越大。

mark

mark

这也是二维高斯的特点。

双边滤波实际是由一个高斯核和r距离核组成。

api实现。

g + r 两者加权形成一个共同的核。

当前这个核p 乘以像素 与像素进行卷积可以得到新的像素。

像素乘以滤波核。像素与滤波核的乘法就是我们的卷积运算。