OpenCV的一种改进型的素描特效算法

实现素描特效的原理主要基于图像处理中的边缘检测和灰度反转等技术。边缘检测能够突出图像中的轮廓信息,而灰度反转则用于增强对比,使图像看起来更像手绘素描。

1 素描特效的常规算法

  1. 图像读取与预处理

    • 使用图像处理库(如OpenCV)读取原始图像。
    • 将图像转换为灰度图,因为素描效果主要依赖于图像的亮度信息,而不是颜色。
  2. 边缘检测

    • 应用边缘检测算法,如Sobel算子、Canny边缘检测或Laplacian算子等,来识别图像中的边缘。
    • Sobel算子是一种常用的边缘检测算法,它通过在图像上应用水平和垂直方向的卷积核来计算梯度。
    • Canny边缘检测则是一种更高级的边缘检测算法,它使用多阶段处理来识别强边缘和弱边缘,并通过滞后阈值来连接边缘。
    • Laplacian算子是一种二阶导数算子,用于检测图像中的急剧亮度变化。
  3. 灰度反转

    • 为了增强素描效果,可以对边缘检测后的图像进行灰度反转处理。

    • 灰度反转是将每个像素的灰度值替换为其最大可能值(通常是255)减去该像素的当前灰度值。

示例代码如下:

python 复制代码
def sketch(input):
    #转换为灰度图像
    gray = cv.cvtColor(input, cv.COLOR_BGR2GRAY)
    #使用高斯模糊来平滑图像,减少噪声
    #blurred = cv.GaussianBlur(gray, (5, 5), 0)
    # 使用X方向上的Sobel算子来获取水平边缘
    sobel_x = cv.Sobel(gray, cv.CV_64F, 1, 0, ksize=3)
    # 使用Y方向上的Sobel算子来获取垂直边缘
    sobel_y = cv.Sobel(gray, cv.CV_64F, 0, 1, ksize=3)
    # 计算梯度幅值
    gradient_magnitude = np.sqrt(sobel_x ** 2 + sobel_y ** 2)
    gradient_magnitude = np.uint8(gradient_magnitude / np.max(gradient_magnitude) * 255)
    # 反转梯度图像以得到素描效果
    inverted_gradient = cv.bitwise_not(gradient_magnitude)
    return inverted_gradient

运行效果如下:

2 改进型的素描特效

2.1 八方向sobel算子

四方向Sobel算子是对传统Sobel算子的一种改进,旨在更好地检测图像中的斜方向边缘,从而提高边缘检测的准确性和完整性。传统的Sobel算子只能检测出水平和垂直方向上的边缘,对于斜方向上的边缘则不够敏感。为了改进这一点,四方向Sobel算子被提出,它能够检测0°、45°、90°和135°这四个方向上的边缘。

2.2 算法改进

改进后源码如下:

python 复制代码
def advancedSketch(input):
    gray = cv.cvtColor(input, cv.COLOR_BGR2GRAY)
    #0度方向模板
    filter_0 = np.array([[1, 0, -1],
                         [2, 0, -2],
                         [1, 0, -1]])
    gradient_0 = cv.filter2D(gray, cv.CV_64F, filter_0)

    # 45度方向模板
    filter_45 = np.array([[0, -2, -1],
                         [2, 0, -2],
                         [1, 2, 0]])
    gradient_45 = cv.filter2D(gray, cv.CV_64F, filter_45)

    # 90度方向模板
    filter_90 = np.array([[-1, -2 ,-1],
                         [0, 0, 0],
                         [1, 2, 1]])
    gradient_90 = cv.filter2D(gray, cv.CV_64F, filter_90)

    # 135度方向模板
    filter_135 = np.array([[-1, -2 , 0],
                         [-2, 0, 2],
                         [0, 2, 1]])
    gradient_135 = cv.filter2D(gray, cv.CV_64F, filter_135)

    gradient_magnitude = np.sqrt(gradient_0 ** 2 + gradient_45 ** 2 + gradient_90 ** 2 + gradient_135 ** 2)
    gradient_magnitude = np.uint8(gradient_magnitude / np.max(gradient_magnitude) * 255)

    # 反转梯度图像以得到素描效果
    inverted_gradient = cv.bitwise_not(gradient_magnitude)
    return inverted_gradient

改进后素描效果如下:

相关推荐
小王爱学人工智能24 分钟前
OpenCV的图像金字塔
人工智能·opencv·计算机视觉
AI 嗯啦1 小时前
数据结构深度解析:二叉树的基本原理
数据结构·算法
和光同尘@2 小时前
66. 加一 (编程基础0到1)(Leetcode)
数据结构·人工智能·算法·leetcode·职场和发展
CHEN5_022 小时前
leetcode-hot100 11.盛水最多容器
java·算法·leetcode
songx_992 小时前
leetcode18(无重复字符的最长子串)
java·算法·leetcode
@areok@2 小时前
C++mat传入C#OpencvCSharp的mat
开发语言·c++·opencv·c#
max5006003 小时前
实时多模态电力交易决策系统:设计与实现
图像处理·人工智能·深度学习·算法·音视频
其古寺3 小时前
贪心算法与动态规划:数学原理、实现与优化
算法·贪心算法·动态规划
rit84324993 小时前
基于灰狼算法(GWO)优化支持向量回归机(SVR)参数C和γ的实现
c语言·算法·回归
蒋士峰DBA修行之路3 小时前
实验五 静态剪枝
数据库·算法·剪枝