OpenCV 是一个用于实时计算机视觉应用的 Python 库。OpenCV 是开源的,在图像处理、机器学习和深度学习方面有着巨大的应用。OpenCV 可用于对象检测、分类、笔迹分析等。美安预约网

OpenCV 可以与 Numpy 等库集成,用于各种数学计算。

计算机视觉的主要目的是理解图像。

OpenCV:它是关于什么的?

使用 OpenCV,我们可以执行许多任务,例如-

读取和写入图像

图像处理

捕获和保存视频

特征检测

OpenCV 代表开源计算机视觉库。它是使用 Python 用于计算机视觉的最流行的库。OpenCV 可供所有人免费使用,因此 OpenCV 可用于各种项目和应用程序。

为我们的图像赋予卡通效果

许多应用程序和网站都提供了为图像赋予卡通效果的工具。年轻一代喜欢这个功能,它在社交媒体上也很受欢迎。在这些应用程序的情况下,我们只需上传我们的图像,然后就会返回具有所需效果的图像。

但是,你有没有想过,它们是如何工作的?

为此,需要进行多次图像转换。在执行此操作时需要考虑的一些重要事项是边缘和颜色数量。

让我们继续看看代码。

import cv2
import numpy as np
import matplotlib.image as img
from matplotlib import pyplot as plt

我们将需要 OpenCV 和 NumPy。

现在,让我们阅读图像。

OpenCV

#reading the image
img = cv2.imread("person.jpeg")

我们已经将图像作为输入。

让我们看看图像数据类型是什么。

#image type
type(img)

输出:  numpy.ndarray

因此,图像基本上是一个多维的 NumPy 数组。

边缘遮罩

在卡通效果中,通常非常强调图像边缘的厚度。

我们可以使用**cv2.adaptiveThreshold()**函数检测边缘。

在我们继续处理边缘之前,我们需要将图像转换为灰度。然后,使用 cv2.medianBlur函数来降低灰度图像的噪声。

让我们继续看看代码:

#Create Edge Mask
def edge_mask(img, line_size, blur_value):
 gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
 gray_blur = cv2.medianBlur(gray, blur_value)
 edges = cv2.adaptiveThreshold(gray_blur, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, line_size, blur_value)
 return edges

line_size = 7
blur_value = 7

定义了线条大小和模糊值。为了强调较粗的边缘,采用较大的线条尺寸。

让我们得到边缘。美安预约网

edges = edge_mask(img, line_size, blur_value)

现在,我们保存图像。

filename = 'edges.jpg'
# Using cv2.imwrite() method
# Saving the image
cv2.imwrite(filename, edges)

输出:

OpenCV

我们可以看到检测到了边缘。

减少颜色数量

照片和草图/卡通之间的主要区别在于不同颜色的数量。与高清照片相比,卡通素描的颜色要少得多。

因此,使用了一种名为颜色量化的方法。这将减少照片中的颜色数量。

K均值聚类算法用于执行该过程。“k”值根据我们需要的颜色数量进行调整。

#colour quantization
#k value determines the number of colours in the image
total_color = 8
k=total_color

在这种情况下,k 的值取为 8。

# Transform the image
data = np.float32(img).reshape((-1, 3))

接下来,图像被转换。

# Determine criteria
criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 20, 0.001)

现在,我们实施 K 均值。

# Implementing K-Means
ret, label, center = cv2.kmeans(data, k, None, criteria, 10, cv2.KMEANS_RANDOM_CENTERS)
center = np.uint8(center)
result = center[label.flatten()]
result = result.reshape(img.shape)

让我们保存图像。

filename = 'colour.jpg'
# Using cv2.imwrite() method
# Saving the image
cv2.imwrite(filename, result)

输出:

OpenCV

好的,现在我们看到了一些效果。

颜色量化完成后,我们现在可以减少图像中的噪声。双边滤波器可用于此任务。

生成的图像会稍微模糊,图像清晰度会降低。

blurred = cv2.bilateralFilter(result, d=10, sigmaColor=250,sigmaSpace=250)

让我们保存图像,看看它的外观。

#saving the image
filename = 'blurred.jpg'
# Using cv2.imwrite() method
# Saving the image
cv2.imwrite(filename, blurred)

输出:

OpenCV

完成后,现在我们做最后的卡通效果。

最终图像

#blurred and edges
cartoon = cv2.bitwise_and(blurred, blurred, mask=edges)

现在,我们保存图像。美安预约网

filename = 'cartoon.jpg'
# Using cv2.imwrite() method
# Saving the image
cv2.imwrite(filename, cartoon)

让我们看看图像是什么样子的。

OpenCV

输出做得很好。图像被赋予了有趣的效果。

OpenCV 可以进行有趣的图像转换。

现在让我们尝试其他东西,这一次,我们也将使用轮廓。

应用带有轮廓的卡通效果

让我们首先正确定义函数。

首先是颜色量化函数。

#Colour Quantization
def ColourQuantization(image, K=9):
   Z = image.reshape((-1, 3))
   Z = np.float32(Z)
   criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 100, 0.001)
   compactness, label, center = cv2.kmeans(Z, K, None, criteria, 1, cv2.KMEANS_RANDOM_CENTERS)
   center = np.uint8(center)
   res = center[label.flatten()]
   res2 = res.reshape((image.shape))
   return res2

这里,对于 K-Means,K 的值取为 9。

现在让我们定义轮廓的函数。

#to get countours
def Countours(image):
   contoured_image = image
   gray = cv2.cvtColor(contoured_image, cv2.COLOR_BGR2GRAY)
   edged = cv2.Canny(gray, 200, 200)
   contours, hierarchy = cv2.findContours(edged, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)[-2:]
   cv2.drawContours(contoured_image, contours, contourIdx=-1, color=6, thickness=1)
   return contoured_image

在这个函数中,图像首先被转换为灰度,然后检测边缘。最后,还制作了轮廓。

现在,让我们使用该函数。

使用了下图。

OpenCV

image = cv2.imread("person1.jpeg")
coloured = ColourQuantization(image)
contoured = Countours(coloured)
final_image = contoured

在此之后,图像被保存。

filename = 'cartoon_final.jpg'
# Using cv2.imwrite() method
# Saving the image
cv2.imwrite(filename, final_image)

输出:

OpenCV

在这种情况下,输出也很有趣。

通过改变各种参数,可以修改卡通效果。美安预约网

说到用途,目前这类处理方法主要用于社交媒体和艺术目的。人们可以对他们的图像进行有趣的编辑,并将它们发布到社交媒体上。