OpenCV基于均值漂移算法(pyrMeanShiftFiltering)的水彩画特效

1、均值漂移算法原理

pyrMeanShiftFiltering算法结合了均值迁移(Mean Shift)算法和图像金字塔(Image Pyramid)的概念,用于图像分割和平滑处理。以下是该算法的详细原理:

1.1 、均值迁移(Mean Shift)算法原理

  • 目标:均值迁移算法的目标是找到图像中颜色分布的峰值,这些峰值代表了图像中的不同区域或对象。
  • 特征空间:对于一幅彩色图像,每个像素点可以表示为一个五维向量(x, y, r, g, b),其中(x, y)是像素的位置坐标,(r, g, b)是像素的颜色值。
  • 迭代过程
  1. 以某个像素点P为圆心,构建一个空间球体(在特征空间中),球体的半径由空间域半径sr和颜色域半径sp决定。
  2. 在这个空间球体内,计算所有点相对于中心点P的色彩向量之和,然后移动中心点P到这个向量的终点,作为新的中心点P1。
  3. 重复上述步骤,直到中心点Pn不再移动,满足迭代终止条件(如达到最大迭代次数或迭代精度)。
  • 结果:经过迭代,收敛到同一点的起始点被归为一类,这些点的像素值被更新为该类中心点的像素值。这样,图像中的相似区域就被平滑处理,同时保留了边缘等差异较大的特征。

1.2 图像金字塔(Image Pyramid)原理

图像金字塔是一种多分辨率图像表示方法,通过将图像在不同尺度下进行下采样,生成一系列分辨率逐渐降低的图像。在pyrMeanShiftFiltering算法中,图像金字塔用于在不同尺度上对图像进行均值迁移滤波,从而增强算法对图像细节的捕捉能力。

2、 pyrMeanShiftFiltering算法实现

函数原型

python 复制代码
dst = cv2.pyrMeanShiftFiltering(src, sp, sr[, dst[, maxLevel[, termcrit]]])

参数说明

src(输入图像):

  • 类型:8位、3通道图像。
  • 说明:这是待处理的源图像。

dst(输出图像):

  • 类型:与源图像格式和大小相同的图像。
  • 说明:这是处理后的输出图像。

sp(空间窗口半径):

  • 类型:double。
  • 说明:定义了像素在物理空间中的邻域范围。该值越大,表示考虑的邻域范围越广。

sr(颜色窗口半径):

  • 类型:double。
  • 说明:定义了像素在颜色空间中的邻域范围。该值越大,表示在颜色空间中考虑的相似颜色范围越广。

maxLevel(最大金字塔层级):

  • 类型:int。
  • 默认值:1。
  • 说明:用于控制图像金字塔的层级数。当maxLevel > 0时,会构建高斯金字塔,并在最小层上首先运行均值迁移过程。之后,结果会传播到较大的层,并且仅在金字塔较低分辨率层的颜色与当前层的颜色相差超过sr的像素上再次运行迭代。

termcrit(终止准则):

  • 类型:TermCriteria。
  • 默认值:TermCriteria(TermCriteria::MAX_ITER+TermCriteria::EPS,5,1)。
  • 说明:定义了何时停止均值迁移迭代的条件。可以是迭代次数满足终止条件、迭代目标与中心点偏差满足终止条件,或者两者的结合。

处理过程

  • 首先,在最高尺度的图像上应用均值迁移滤波。
  • 然后,将滤波后的图像下采样到下一尺度,并重复应用均值迁移滤波。
    这个过程一直持续到达到指定的金字塔层次max_level。
  • 输出:算法输出一张经过平滑处理和分割的图像。在这张图像中,相似颜色的区域被平滑处理,不同区域之间的边缘被保留下来。

效果调试

pyrMeanShiftFiltering算法在图像分割、平滑处理、特征提取等方面有广泛应用。通过调整算法参数(如sp、sr、max_level等),可以获得不同的处理效果。例如,较大的sp和sr值会导致更强烈的平滑效果,而较小的值则能保留更多的图像细节。

3、基于均值漂移的水彩画特效

python 复制代码
import cv2 as cv
import numpy as np

if __name__ == '__main__':
    #读取原始图像
    image = cv.imread('oldman.jpg', cv.IMREAD_COLOR)
    #均值漂移分割
    meanshift = cv.pyrMeanShiftFiltering(image, 16, 64, 2)
    #高斯平滑
    gaussian_filter = cv.GaussianBlur(meanshift, (3, 3), 0.8)
    #中值滤波
    result = cv.medianBlur(gaussian_filter, 3)
    ada_result = np.concatenate((image, result), axis=1)
    cv.imwrite('wash-painting.jpeg', ada_result)
    cv.waitKey()
相关推荐
起个破名想半天了1 小时前
计算机视觉cv入门之答题卡自动批阅
人工智能·opencv·计算机视觉
早睡早起吧1 小时前
目标检测篇---Fast R-CNN
人工智能·目标检测·计算机视觉·cnn
鸿蒙布道师1 小时前
OpenAI为何觊觎Chrome?AI时代浏览器争夺战背后的深层逻辑
前端·人工智能·chrome·深度学习·opencv·自然语言处理·chatgpt
神奇侠20242 小时前
基于opencv和PaddleOCR识别身份证信息
opencv·paddleocr
追逐☞2 小时前
机器学习(7)——K均值聚类
机器学习·均值算法·聚类
满怀10154 小时前
【OpenCV图像处理实战】从基础操作到工业级应用
图像处理·人工智能·python·opencv·计算机视觉·编程入门
Tech Synapse4 小时前
人脸识别考勤系统实现教程:基于Face-Recognition、OpenCV与SQLite
人工智能·opencv·sqlite
硅谷秋水6 小时前
ORION:通过视觉-语言指令动作生成的一个整体端到端自动驾驶框架
人工智能·深度学习·机器学习·计算机视觉·语言模型·自动驾驶
basketball6167 小时前
Python torchvision.transforms 下常用图像处理方法
开发语言·图像处理·python
jndingxin7 小时前
OpenCV 图形API(62)特征检测-----在图像中查找最显著的角点函数goodFeaturesToTrack()
人工智能·opencv·计算机视觉