訂閱
糾錯(cuò)
加入自媒體

使用 Python 的鉛筆素描圖像

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⑺鼈冞B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

聲明: 本文由入駐維科號(hào)的作者撰寫(xiě),觀點(diǎn)僅代表作者本人,不代表OFweek立場(chǎng)。如有侵權(quán)或其他問(wèn)題,請(qǐng)聯(lián)系舉報(bào)。

發(fā)表評(píng)論

0條評(píng)論,0人參與

請(qǐng)輸入評(píng)論內(nèi)容...

請(qǐng)輸入評(píng)論/評(píng)論長(zhǎng)度6~500個(gè)字

您提交的評(píng)論過(guò)于頻繁,請(qǐng)輸入驗(yàn)證碼繼續(xù)

  • 看不清,點(diǎn)擊換一張  刷新

暫無(wú)評(píng)論

暫無(wú)評(píng)論

人工智能 獵頭職位 更多
掃碼關(guān)注公眾號(hào)
OFweek人工智能網(wǎng)
獲取更多精彩內(nèi)容
文章糾錯(cuò)
x
*文字標(biāo)題:
*糾錯(cuò)內(nèi)容:
聯(lián)系郵箱:
*驗(yàn) 證 碼:

粵公網(wǎng)安備 44030502002758號(hào)