圖片在 Python 中表示為一組數(shù)字。所以我們可以進(jìn)行各種矩陣操作來(lái)得到令人興奮的結(jié)果。在本教程中，將向你展示如何只用幾行代碼創(chuàng)建“鉛筆”草圖圖像。

這個(gè)過(guò)程非常簡(jiǎn)單：

1. 灰度圖像

2. 反轉(zhuǎn)顏色

3. 模糊倒置圖像

4. 將減淡混合應(yīng)用于模糊和灰度圖像

我們可以為此選擇任何我們想要的圖像。將演示如何創(chuàng)建可以應(yīng)用于任何圖像、視頻或?qū)崟r(shí)流的對(duì)象。

導(dǎo)入庫(kù)

OpenCV 和 Numpy 是項(xiàng)目所需的唯一庫(kù)。我們使用以下兩行代碼導(dǎo)入它們：

import cv2

import numpy as np

讀取照片

這是使用 OpenCV 讀取存儲(chǔ)在磁盤(pán)上的圖像的命令之一：

frame ＝ cv2．imread（＂porche．png＂）

此命令讀取位于當(dāng)前文件夾中的文件“image．png”，并作為幀存儲(chǔ)在內(nèi)存中。但正如我所提到的，這可以是幀序列或通過(guò)其他方法加載的圖像。

使用 OpenCV 顯示圖像

下一個(gè)重要步驟是在屏幕上顯示圖像：

cv2．imshow（＇image＇， frame）

cv2．waitKey（0）

cv2．destroyAllWindows（）

圖像將在一個(gè)標(biāo)題為“image”的新窗口中打開(kāi)：

灰度圖像

首先，我們需要對(duì)圖像進(jìn)行灰度處理（將其轉(zhuǎn)換為黑白）。我們可以使用 cv2 庫(kù)或 numpy．

numpy 沒(méi)有任何用于灰度的內(nèi)置函數(shù)，但我們也可以很容易地將我們的圖像轉(zhuǎn)換為灰度，公式如下所示：

grayscale ＝ np．a(chǎn)rray（np．dot（frame［．．．， ：3］， ［0．299， 0．587， 0．114］）， dtype＝np．uint8）

grayscale ＝ np．stack（（grayscale，） ＊ 3， axis＝－1）

在這里，我們將 RGB 圖像通道與適當(dāng)?shù)闹迪喑瞬�將它們連接到單個(gè)通道。

因此，我們需要返回到 3 層圖像，使用 numpy stack 函數(shù)來(lái)實(shí)現(xiàn)。這是我們得到的灰度圖像：

反轉(zhuǎn)圖像

現(xiàn)在我們需要反轉(zhuǎn)圖像，白色應(yīng)該變成黑色。

它簡(jiǎn)單地從每個(gè)圖像像素中減去 255 。因?yàn)�，默認(rèn)情況下，圖像是 8 位的，最多有 256 個(gè)色調(diào)：

inverted＿img ＝ 255 － grayscale

當(dāng)我們顯示反轉(zhuǎn)圖像或?qū)⑵浔４嬖诠獗P(pán)上時(shí)，我們會(huì)得到以下圖片：

模糊圖像

現(xiàn)在我們需要模糊倒置的圖像。通過(guò)對(duì)倒置圖像應(yīng)用高斯濾波器來(lái)執(zhí)行模糊。這里最重要的是高斯函數(shù)或 sigma 的方差。隨著 sigma 的增加，圖像變得更模糊。Sigma 控制色散量，從而控制模糊程度�？梢酝ㄟ^(guò)反復(fù)試驗(yàn)選擇合適的 sigma 值：

blur＿img ＝ cv2．GaussianBlur（inverted＿img， ksize＝（0， 0）， sigmaX＝5

模糊圖像的結(jié)果如下所示：

減淡和融合

顏色減淡和融合模式并通過(guò)降低對(duì)比度來(lái)加亮基色以反映混合色。

def dodge（self， front： np．ndarray， back： np．ndarray） －＞ np．ndarray：
   ＂＂＂The formula comes from https：／／en．wikipedia．org／wiki／Blend＿modes

   Args：

       front： （np．ndarray） － front image to be applied to dodge algorithm

       back： （np．ndarray） － back image to be applied to dodge algorithm

   Returns：

       image： （np．ndarray） － dodged image

   ＂＂＂

   result ＝ back＊255．0 ／ （255．0－front）

   result［result＞255］ ＝ 255

   result［back＝＝255］ ＝ 255

   return result．a(chǎn)stype（＇uint8＇）

final＿img ＝ self．dodge（blur＿img， grayscale）

就是這樣！結(jié)果如下：

完整代碼：

class PencilSketch：

   ＂＂＂Apply pencil sketch effect to an image

   ＂＂＂

   def ＿＿init＿＿（

       self，

       blur＿simga： int ＝ 5，

       ksize： typing．Tuple［int， int］ ＝ （0， 0），

       sharpen＿value： int ＝ None，

       kernel： np．ndarray ＝ None，

       ） －＞ None：

       ＂＂＂

       Args：

           blur＿simga： （int） － sigma ratio to apply for cv2．GaussianBlur

           ksize： （float） － ratio to apply for cv2．GaussianBlur

           sharpen＿value： （int） － sharpen value to apply in predefined kernel array

           kernel： （np．ndarray） － custom kernel to apply in sharpen function

       ＂＂＂

       self．blur＿simga ＝ blur＿simga

       self．ksize ＝ ksize

       self．sharpen＿value ＝ sharpen＿value

       self．kernel ＝ np．a(chǎn)rray（［［0， －1， 0］， ［－1， sharpen＿value，－1］， ［0， －1， 0］］） if kernel ＝＝ None else kernel

   def dodge（self， front： np．ndarray， back： np．ndarray） －＞ np．ndarray：

       ＂＂＂The formula comes from https：／／en．wikipedia．org／wiki／Blend＿modes

       Args：

           front： （np．ndarray） － front image to be applied to dodge algorithm

           back： （np．ndarray） － back image to be applied to dodge algorithm

       Returns：

           image： （np．ndarray） － dodged image

       ＂＂＂

       result ＝ back＊255．0 ／ （255．0－front）

       result［result＞255］ ＝ 255

       result［back＝＝255］ ＝ 255

       return result．a(chǎn)stype（＇uint8＇）

   def sharpen（self， image： np．ndarray） －＞ np．ndarray：
       ＂＂＂Sharpen image by defined kernel size

       Args：

           image： （np．ndarray） － image to be sharpened

       Returns：

           image： （np．ndarray） － sharpened image

       ＂＂＂

       if self．sharpen＿value is not None and isinstance（self．sharpen＿value， int）：

           inverted ＝ 255 － image

           return 255 － cv2．filter2D（src＝inverted， ddepth＝－1， kernel＝self．kernel）

       return image

   def ＿＿call＿＿（self， frame： np．ndarray） －＞ np．ndarray：

       ＂＂＂Main function to do pencil sketch

       Args：

           frame： （np．ndarray） － frame to excecute pencil sketch on

       Returns：

           frame： （np．ndarray） － processed frame that is pencil sketch type

       ＂＂＂

       grayscale ＝ np．a(chǎn)rray（np．dot（frame［．．．， ：3］， ［0．299， 0．587， 0．114］）， dtype＝np．uint8）

       grayscale ＝ np．stack（（grayscale，） ＊ 3， axis＝－1） ＃ convert 1 channel grayscale image to 3 channels grayscale

       inverted＿img ＝ 255 － grayscale

       blur＿img ＝ cv2．GaussianBlur（inverted＿img， ksize＝self．ksize， sigmaX＝self．blur＿simga）

       final＿img ＝ self．dodge（blur＿img， grayscale）

       sharpened＿image ＝ self．sharpen（final＿img）

       return sharpened＿image

可以猜測(cè)，除了模糊期間的blur＿sigma參數(shù)外，我們沒(méi)有太多的空間可以使用。添加了一個(gè)額外的功能來(lái)銳化圖像以解決這個(gè)問(wèn)題。

它與模糊過(guò)程非常相似，只是現(xiàn)在，我們不是創(chuàng)建一個(gè)核來(lái)平均每個(gè)像素的強(qiáng)度，而是創(chuàng)建一個(gè)內(nèi)核，使像素強(qiáng)度更高，因此更容易被人眼看到。

下面是關(guān)于如何將 PencilSketch 對(duì)象用于我們的圖像的基本代碼：

＃ main．py

from pencilSketch import PencilSketch

from engine import Engine

if ＿＿name＿＿ ＝＝ ＇＿＿main＿＿＇：

   pencilSketch ＝ PencilSketch（blur＿simga＝5）

   selfieSegmentation ＝ Engine（image＿path＝＇data／porche．jpg＇， show＝True， custom＿objects＝［pencilSketch］）

   selfieSegmentation．run（）

結(jié)論：

這是一個(gè)非常不錯(cuò)的教程，不需要任何深入的 Python 知識(shí)就可以從任何圖像中實(shí)現(xiàn)這種“鉛筆”素描風(fēng)格。

       原文標(biāo)題 : 使用 Python 的鉛筆素描圖像