OpenCV实现“蓝线挑战“特效

原理

算法原理可以分为三个流程:

1、将视频(图像)从(顶->底)或(左->右)逐行(列)扫描图像。

2、将扫描完成的行(列)像素重新生成定格图像。

3、使用原帧图像像素填充未扫描到的像素。

图像扫描

首先第一步,拿到一个视频(很多帧图像)可以简单的看成图像处理。我们需要将图像从顶到底逐行进行像素扫描,当然也可以从左到右逐列扫描,这要看你想要实现什么样的效果。在这里,我实现的是从上到下逐行扫描。效果如图所示。

生成定格图像

所谓生成定格图像就是将我们每扫描到的行像素重新进行绘制。

复制代码
    //从顶向下逐行扫描图像
    if (h < height)
    {
        h++;
        //将扫描到的图像像素进行重新绘制,生成新图像
        for (int j = 0; j < width; j++)
        {
            for (int c = 0; c < 3; c++)
            {
                temp.at<Vec3b>(h, j)[c] = canvas.at<Vec3b>(h, j)[c];
            }
        }
        //绘制扫描过程
        line(canvas, Point(0, h), Point(width, h), Scalar(255, 255, 0), 2);
    }

如图所示,这是使用上面代码段实现的逐行扫描生成定格图像。从效果上看,已经得到了我们想要的大致效果了。不过现在的问题是,经扫描到的行有像素填充,未扫描到的行还是漆黑一片。所以接下来我们需要做的就是将未扫描到的行用原图进行填充。具体请看源码注释。

图像混合

复制代码
//将两幅图像进行线性混合
bool Linear_Blend(Mat src1, Mat src2, Mat& dst)
{
    /*
    参数说明:
    src1:生成的定格图像。由于生成的定格图像是从顶往下逐行扫描,故在扫描线下的像素为0
    src2:原视频帧图像
    dst:新生成的定格图像。
    算法原理:经扫描到的像素用src1进行填充,未扫描到的像素用src2进行填充,这样就可以得到我们所要的效果了。
    */

    for (int i = 0; i < src1.rows; i++)
    {
        for (int j = 0; j < src1.cols; j++)
        {
            for (int c = 0; c < 3; c++)
            {
                if (src1.at<Vec3b>(i, j)[0] != 0)
                {
                    dst.at<Vec3b>(i, j)[c] = src1.at<Vec3b>(i, j)[c];
                }
                else
                {
                    dst.at<Vec3b>(i, j)[c] = src2.at<Vec3b>(i, j)[c];
                }
            }
        }
    }

    return true;
}

效果

源码

复制代码
#include<iostream>
#include<opencv2/opencv.hpp>
using namespace std;
using namespace cv;

/*
抖音特效:蓝线挑战
算法原理:
    1、将视频(图像)从(顶->底)或(左->右)逐行(列)扫描图像。
    2、将扫描完成的行(列)像素重新生成定格图像
    3、使用原帧图像像素填充未扫描到的像素
*/

//将两幅图像进行线性混合
bool Linear_Blend(Mat src1, Mat src2, Mat& dst)
{
    /*
    参数说明:
    src1:生成的定格图像。由于生成的定格图像是从顶往下逐行扫描,故在扫描线下的像素为0
    src2:原视频帧图像
    dst:新生成的定格图像。
    算法原理:经扫描到的像素用src1进行填充,未扫描到的像素用src2进行填充,这样就可以得到我们所要的效果了。
    */

    for (int i = 0; i < src1.rows; i++)
    {
        for (int j = 0; j < src1.cols; j++)
        {
            for (int c = 0; c < 3; c++)
            {
                if (src1.at<Vec3b>(i, j)[0] != 0)
                {
                    dst.at<Vec3b>(i, j)[c] = src1.at<Vec3b>(i, j)[c];
                }
                else
                {
                    dst.at<Vec3b>(i, j)[c] = src2.at<Vec3b>(i, j)[c];
                }
            }
        }
    }

    return true;
}

int main()
{
    VideoCapture capture;
    capture.open("test.avi");
    if (!capture.isOpened())
    {
        cout << "can not open the camera!" << endl;
        system("pause");
        return -1;
    }

    int width = capture.get(CAP_PROP_FRAME_WIDTH);//视频帧宽
    int height = capture.get(CAP_PROP_FRAME_HEIGHT);//视频帧高

    //保存视频
    VideoWriter writer;
    int fourcc = writer.fourcc('m', 'p', '4', 'v'); //视频编码
    Size size(capture.get(CAP_PROP_FRAME_WIDTH), capture.get(CAP_PROP_FRAME_HEIGHT));
    writer.open("result.avi", fourcc, 30, size, true);

    int h = 0;//定义变量,代表当前扫描高度

    //用于生成定格照
    Mat temp = Mat::zeros(Size(width, height), CV_8UC3);
    
    Mat frame;
    while (capture.read(frame))
    {
        //将图像拷贝一份,用于每帧更新
        Mat canvas = frame.clone();

        //从顶向下逐行扫描图像
        if (h < height)
        {
            h++;
            //将扫描到的图像像素进行重新绘制,生成新图像
            for (int j = 0; j < width; j++)
            {
                for (int c = 0; c < 3; c++)
                {
                    temp.at<Vec3b>(h, j)[c] = canvas.at<Vec3b>(h, j)[c];
                }
            }
            //绘制扫描过程
            line(canvas, Point(0, h), Point(width, h), Scalar(255, 255, 0), 2);
        }

        Mat result = Mat::zeros(frame.size(), frame.type());//蓝线挑战最终定格图
        Linear_Blend(temp, canvas, result); //将两张图像进行像素叠加

        //writer.write(temp);//进行视频保存

        imshow("定格图像", temp);
        imshow("原视频帧", canvas);
        imshow("蓝线挑战", result);

        char key = waitKey(10);
        if (key == 27) break;
    }

    capture.release();
    system("pause");
    return 0;
}
相关推荐
神经星星1 分钟前
新加坡国立大学基于多维度EHR数据实现细粒度患者队列建模,住院时间预测准确率提升16.3%
人工智能·深度学习·机器学习
TY-20252 分钟前
深度学习——神经网络1
人工智能·深度学习·神经网络
y_y_liang4 分钟前
图生生AI商品换背景,高效商拍!
大数据·人工智能·ai·ai作画
中杯可乐多加冰18 分钟前
百度文心一言开源ERNIE-4.5深度测评报告:技术架构解读与性能对比
人工智能·掘金·金石计划
198923 分钟前
【零基础学AI】第31讲:目标检测 - YOLO算法
人工智能·rnn·yolo·目标检测·tensorflow·lstm
沐尘而生27 分钟前
【AI智能体】智能音视频-硬件设备基于 WebSocket 实现语音交互
大数据·人工智能·websocket·机器学习·ai作画·音视频·娱乐
巴伦是只猫31 分钟前
【机器学习笔记Ⅰ】3 代价函数
人工智能·笔记·机器学习
NetX行者32 分钟前
基于Vue 3的AI前端框架汇总及工具对比表
前端·vue.js·人工智能·前端框架·开源
hans汉斯1 小时前
【人工智能与机器人研究】基于力传感器坐标系预标定的重力补偿算法
人工智能·算法·机器人·信号处理·深度神经网络
cver1231 小时前
CSGO 训练数据集介绍-2,427 张图片 AI 游戏助手 游戏数据分析
人工智能·深度学习·yolo·目标检测·游戏·计算机视觉