惊艳!利用 Python 图像处理绘制专属头像

00

阿酱中秋节出去浪了一圈,拍了些好看的图片回来,想着以什么样的方式给大家分享,刚好阿酱想借这个机会给自己制作专属头像,顺便感受感受 Python 图像处理的强大之出。

说到图像处理,咱们就得先了解 Python 图像处理的相关知识-OpenCVOpenCV-Python

OpenCV 是一个基于BSD许可(开源)发行的跨平台计算机视觉库,可以运行在Linux、Windows、Android和Mac OS操作系统上。它轻量级而且高效——由一系列 C 函数和少量 C++ 类构成,同时提供了Python、Ruby、MATLAB等语言的接口,实现了图像处理和计算机视觉方面的很多通用算法。

OpenCV-Python 是 OpenCV 的 Python 的 API 接口,它拥有 OpenCV C++ API 的功能,同时也拥有 Python 语言的特性,可以做到跨平台使用。

事先请准备好一张或者多张美美的照片,阿酱使用下图:

01

02

环境搭建

此次图像处理需要使用的模块如下:

1
2
3
4
import cv2
import numpy as np
import matplotlib.pyplot as plt
import math

以上模块除了 Math 模块以外,其他模块都需要一一安装。

模块安装语句如下:

1
2
pip install opencv-python
pip install matplotlib

安装成功如下图:

03

安装成功后咱们就开始吧。go go go!

专属头像制作

详细制作步骤如下:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
import cv2
import numpy as np
import matplotlib.pyplot as plt
import math

# 读取图片
img = cv2.imread('me.jpg')
src = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)

# 新建目标图像
dst1 = np.zeros_like(img)

# 获取图像行和列
rows, cols = img.shape[:2]

# --------------毛玻璃效果--------------------
# 像素点邻域内随机像素点的颜色替代当前像素点的颜色
offsets = 5
random_num = 0
for y in range(rows - offsets):
    for x in range(cols - offsets):
        random_num = np.random.randint(0, offsets)
        dst1[y, x] = src[y + random_num, x + random_num]

# -------油漆特效------------
# 图像灰度处理
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 自定义卷积核
kernel = np.array([[-1, -1, -1], [-1, 10, -1], [-1, -1, -1]])

# 图像浮雕效果
dst2 = cv2.filter2D(gray, -1, kernel)

# ----------素描特效-------------
# 高斯滤波降噪
gaussian = cv2.GaussianBlur(gray, (5, 5), 0)

# Canny算子
canny = cv2.Canny(gaussian, 50, 150)

# 阈值化处理
ret, dst3 = cv2.threshold(canny, 100, 255, cv2.THRESH_BINARY_INV)

# -------怀旧特效-----------------
# 新建目标图像
dst4 = np.zeros((rows, cols, 3), dtype="uint8")

# 图像怀旧特效
for i in range(rows):
    for j in range(cols):
        B = 0.272 * img[i, j][2] + 0.534 * img[i, j][1] + 0.131 * img[i, j][0]
        G = 0.349 * img[i, j][2] + 0.686 * img[i, j][1] + 0.168 * img[i, j][0]
        R = 0.393 * img[i, j][2] + 0.769 * img[i, j][1] + 0.189 * img[i, j][0]
        if B > 255:
            B = 255
        if G > 255:
            G = 255
        if R > 255:
            R = 255
        dst4[i, j] = np.uint8((B, G, R))

# ---------------光照特效--------------------
# 设置中心点
centerX = rows / 2
centerY = cols / 2
print(centerX, centerY)
radius = min(centerX, centerY)
print(radius)

# 设置光照强度
strength = 200

# 新建目标图像
dst5 = np.zeros((rows, cols, 3), dtype="uint8")

# 图像光照特效
for i in range(rows):
    for j in range(cols):
        # 计算当前点到光照中心的距离(平面坐标系中两点之间的距离)
        distance = math.pow((centerY - j), 2) + math.pow((centerX - i), 2)
        # 获取原始图像
        B = src[i, j][0]
        G = src[i, j][1]
        R = src[i, j][2]
        if (distance < radius * radius):
            # 按照距离大小计算增强的光照值
            result = (int)(strength * (1.0 - math.sqrt(distance) / radius))
            B = src[i, j][0] + result
            G = src[i, j][1] + result
            R = src[i, j][2] + result
            # 判断边界 防止越界
            B = min(255, max(0, B))
            G = min(255, max(0, G))
            R = min(255, max(0, R))
            dst5[i, j] = np.uint8((B, G, R))
        else:
            dst5[i, j] = np.uint8((B, G, R))

# --------------怀旧特效-----------------
# 新建目标图像
dst6 = np.zeros((rows, cols, 3), dtype="uint8")

# 图像流年特效
for i in range(rows):
    for j in range(cols):
        # B通道的数值开平方乘以参数12
        B = math.sqrt(src[i, j][0]) * 12
        G = src[i, j][1]
        R = src[i, j][2]
        if B > 255:
            B = 255
        dst6[i, j] = np.uint8((B, G, R))

# ------------卡通特效-------------------
# 定义双边滤波的数目
num_bilateral = 7

# 用高斯金字塔降低取样
img_color = src

# 双边滤波处理
for i in range(num_bilateral):
    img_color = cv2.bilateralFilter(img_color, d=9, sigmaColor=9, sigmaSpace=7)

# 灰度图像转换
img_gray = cv2.cvtColor(src, cv2.COLOR_RGB2GRAY)

# 中值滤波处理
img_blur = cv2.medianBlur(img_gray, 7)

# 边缘检测及自适应阈值化处理
img_edge = cv2.adaptiveThreshold(img_blur, 255,
                                 cv2.ADAPTIVE_THRESH_MEAN_C,
                                 cv2.THRESH_BINARY,
                                 blockSize=9,
                                 C=2)

# 转换回彩色图像
img_edge = cv2.cvtColor(img_edge, cv2.COLOR_GRAY2RGB)

# 与运算
dst6 = cv2.bitwise_and(img_color, img_edge)

# ------------------均衡化特效--------------------
# 新建目标图像
dst7 = np.zeros((rows, cols, 3), dtype="uint8")

# 提取三个颜色通道
(b, g, r) = cv2.split(src)

# 彩色图像均衡化
bH = cv2.equalizeHist(b)
gH = cv2.equalizeHist(g)
rH = cv2.equalizeHist(r)

# 合并通道
dst7 = cv2.merge((bH, gH, rH))

# -----------边缘特效---------------------
# 高斯滤波降噪
gaussian = cv2.GaussianBlur(gray, (3, 3), 0)

# Canny算子
# dst8 = cv2.Canny(gaussian, 50, 150)

# Scharr算子
x = cv2.Scharr(gaussian, cv2.CV_32F, 1, 0)  # X方向
y = cv2.Scharr(gaussian, cv2.CV_32F, 0, 1)  # Y方向
absX = cv2.convertScaleAbs(x)
absY = cv2.convertScaleAbs(y)
dst8 = cv2.addWeighted(absX, 0.5, absY, 0.5, 0)


# 用来正常显示中文标签
plt.rcParams['font.sans-serif'] = ['SimHei']

# 循环显示图形
titles = ['原图', '毛玻璃', '浮雕', '素描', '怀旧', '光照', '卡通', '均衡化', '边缘']
images = [src, dst1, dst2, dst3, dst4, dst5, dst6, dst7, dst8]
for i in range(9):
    plt.subplot(3, 3, i + 1), plt.imshow(images[i], 'gray')
    plt.title(titles[i])
    plt.xticks([]), plt.yticks([])
    
if __name__ == '__main__':

    plt.show()

效果如下:

04

05

以上便是处理后的效果,感兴趣的朋友们可以试试。

总结

属于我的专属头像制作成功,感兴趣的朋友可以一试,同时大家也可以一起交流学习,共同进步!阿酱继续搬砖了,咱们下期见~

参考

https://blog.csdn.net/Eastmount/article/details/119324956

Python Geek Tech wechat
欢迎订阅 Python 技术,这里分享关于 Python 的一切。