磨皮,美白,搞笑图片处理
Posted 2987831760qq-com
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了磨皮,美白,搞笑图片处理相关的知识,希望对你有一定的参考价值。
Hello!今天我们来学习一下这个神奇的图片处理的第三方函数库——PIL库
(本blog部分图片及代码来自网络)
这是一个支持图像存储、显示和处理的函数库,它能够处理几乎所有图像格式,可以完成对图像的缩放、裁剪、叠加以及图像添加条纹,文字等信息等的操作。
首先是利用pip下载一个:
它有许多子库,例如:Image、ImageChops、ImageDraw等等,他们各有神通,发挥着自己的作用,
首先我们当然学习的是经典的Image子库;
方法 | 描述 |
Image.open(filename) | 根据参数加载图像文件 |
Image.new(mode,size,color) | 根据给定参数创建一个新的图像 |
Image.open(StringIO.StringIO(buffer)) | 从字符串中获取图像 |
Image.frombytes(mode,size,data) | 根据像素点data创建图像 |
Image.verify() | 对图像文件完整性进行检查,返回异常 |
常用函数
读取一张图片:
im=Image.open(‘test.jpg’)
显示一张图片:
im.show()
保存图片:
im.save(“save.gif”,“GIF”) #保存图像为gif格式
查看图像信息
im.format, im.size, im.mode
图片裁剪:
box=(100,100,500,500)
#设置要裁剪的区域
region=im.crop(box) #此时,region是一个新的图像对象。
改变图像的大小
out=img.resize((128,128))#resize成128*128像素大小
旋转图像
out=img.rotate(45) #逆时针旋转45度
图像类型转换
im=im.convert(“RGBA”)
(2)缩略图的学习,我们有时候为了节约储存空间,会将原来的图片进行压缩,通过等比例压缩之后会变成缩略图,那么如何用Image库来实现呢??
原图
from PIL import Image
im = Image.open(‘test1.jpeg‘)
size = im.size
if size[0] > size[1]:
rate = float(200) / float(size[0])
else:
rate = float(128) / float(size[1])
new_size = (int(size[0] * rate), int(size[1] * rate))
new = im.resize(new_size, Image.BILINEAR)
new.save(‘n.jpeg‘)
im.show(‘n.jpeg‘)
缩列图;
简单的来说,浮雕就是把所要呈现的图像突起于石头表面,根据凹凸的程度不同从而形成三维的立体感。
用Python画一张浮雕画,那就进行类似的原理,通过勾画图像的轮廓,并且降低周围的像素值,那就可以产生一张具有立体感的浮雕效果图片。我们可以采用相邻像素相减的方法来得到轮廓与平面的差,类似边缘的特征,从而获得这种立体感,为了增强图片的主观感受,我们还可以给这个差加上一个固定值。
那具体怎么实现呢?首先先把图片读入内存,转化为灰度图像,使用当前像素值 = 相邻像素值之差来得到图像的边缘特征,在加上固定数值150就可以得到浮雕效果了。
实现浮雕效果的代码如下
import cv2
import numpy as np
img = cv2.imread(‘E:pythoneeLearnOpenCV est222.jpg‘,1)
imgInfo = img.shape
height = imgInfo[0]
width = imgInfo[1]
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
dstImg = np.zeros((height,width,1),np.uint8)
# 算法:newPixel = grayCurrentPixel - grayNextPixel + 150
for i in range(0,height):
for j in range(0,width-1):
grayCurrentPixel = int(gray[i,j])
grayNextPixel = int(gray[i,j+1])
newPixel = grayCurrentPixel - grayNextPixel + 150
if newPixel > 255:
newPixel = 255
if newPixel < 0:
newPixel = 0
dstImg[i,j] = newPixel
cv2.imshow(‘dstImg‘,dstImg)
cv2.waitKey(0)
注意在这里图像像素是用0-255的范围表示的,所以当像素值大于255时,需要将他变为255。
浮雕效果结果显示对比
(5)从图片中提取轮廓
通过傅里叶变换算法进行图片轮廓
import cv2
import numpy as np
from matplotlib import pyplot as plt
import copy
img = cv2.imread(‘liuyifei.jpg‘,0)
f = np.fft.fft2(img)
fshift = np.fft.fftshift(f)
rows,cols = img.shape
crow,ccol = int(rows/2) , int(cols/2)
for i in range(crow-30,crow+30):
for j in range(ccol-30,ccol+30):
fshift[i][j]=0.0
f_ishift = np.fft.ifftshift(fshift)
img_back = np.fft.ifft2(f_ishift)#进行高通滤波
# 取绝对值
img_back = np.abs(img_back)
plt.subplot(121),plt.imshow(img,cmap = ‘gray‘)#因图像格式问题,暂已灰度输出
plt.title(‘Input Image‘), plt.xticks([]), plt.yticks([])
#先对灰度图像进行伽马变换,以提升暗部细节
rows,cols = img_back.shape
gamma=copy.deepcopy(img_back)
rows=img.shape[0]
cols=img.shape[1]
for i in range(rows):
for j in range(cols):
gamma[i][j]=5.0*pow(gamma[i][j],0.34)#0.34这个参数是我手动调出来的,根据不同的图片,可以选择不同的数值
#对灰度图像进行反转
for i in range(rows):
for j in range(cols):
gamma[i][j]=255-gamma[i][j]
plt.subplot(122),plt.imshow(gamma,cmap = ‘gray‘)
plt.title(‘Result in HPF‘), plt.xticks([]), plt.yticks([])
plt.show()
原图
输出结果
(6)美白磨皮实现原理
大神提供的算法:
Dest =(Src * (100 - Opacity) + (Src + 2 * GuassBlur(EPFFilter(Src) - Src + 128) - 256) * Opacity) /100 ;
大神本神传送门,该算法其实是对 PS 的一种磨皮方案的脚本实现。
Python + OpenCV 实现
网上看到的一个基于上述公式的 python 实现方案beauty_face
,但是他再线性光叠加时出错,修正后如beauty_face2
(由于对Python矩阵运算不熟悉使用了比较笨的方法实现), 具体见代码:
#!/bin/python
# 祛痘美白
import numpy as np
import cv2
def beauty_face(img):
‘‘‘
Dest =(Src * (100 - Opacity) + (Src + 2 * GuassBlur(EPFFilter(Src) - Src + 128) - 256) * Opacity) /100 ;
https://my.oschina.net/wujux/blog/1563461
‘‘‘
dst = np.zeros_like(img)
#int value1 = 3, value2 = 1; 磨皮程度与细节程度的确定
v1 = 3
v2 = 1
dx = v1 * 5 # 双边滤波参数之一
fc = v1 * 12.5 # 双边滤波参数之一
p = 0.1
temp4 = np.zeros_like(img)
temp1 = cv2.bilateralFilter(img,dx,fc,fc)
temp2 = cv2.subtract(temp1,img)
temp2 = cv2.add(temp2,(10,10,10,128))
temp3 = cv2.GaussianBlur(temp2,(2*v2 - 1,2*v2-1),0)
temp4 = cv2.add(img,temp3)
dst = cv2.addWeighted(img,p,temp4,1-p,0.0)
dst = cv2.add(dst,(10, 10, 10,255))
return dst
def beauty_face2(src):
‘‘‘
Dest =(Src * (100 - Opacity) + (Src + 2 * GuassBlur(EPFFilter(Src) - Src + 128) - 256) * Opacity) /100 ;
‘‘‘
dst = np.zeros_like(src)
#int value1 = 3, value2 = 1; 磨皮程度与细节程度的确定
v1 = 3
v2 = 1
dx = v1 * 5 # 双边滤波参数之一
fc = v1 * 12.5 # 双边滤波参数之一
p = 0.1
temp4 = np.zeros_like(src)
temp1 = cv2.bilateralFilter(src,dx,fc,fc)
temp2 = cv2.subtract(temp1,src)
temp2 = cv2.add(temp2, (10,10,10,128))
temp3 = cv2.GaussianBlur(temp2,(2*v2 - 1,2*v2-1),0)
temp4 = cv2.subtract(cv2.add(cv2.add(temp3, temp3), src), (10, 10, 10, 255))
dst = cv2.addWeighted(src,p,temp4,1-p,0.0)
dst = cv2.add(dst, (10, 10, 10,255))
return dst
def init():
img = cv2.imread(‘testimg.jpg‘)
# blur1 = cv2.GaussianBlur(img, (5,5),0)
# blur2 = cv2.bilateralFilter(img, 9 , 75, 75)
blur3 = beauty_face(img)
blur4 = beauty_face2(img)
cv2.imshow(‘image0‘, img)
# cv2.imshow(‘image1‘, blur1)
# cv2.imshow(‘image2‘, blur2)
cv2.imshow(‘image3‘, blur3)
cv2.imshow(‘image4‘, blur4)
#cv2.namedWindow(‘image‘, cv2.WINDOW_NORMAL)
#cv2.resizeWindow(‘image‘, 1000, 1000) #定义frame的大小
cv2.waitKey(0)
cv2.imwrite(‘result1.png‘, blur3)
cv2.imwrite(‘result2.png‘, blur4)
cv2.destroyAllWindows()
if __name__ == "__main__":
init()
实验效果图
原图:beauty_face
与 beauty_face2
对比如下:
总结
直接使用 PS 双曲线、中性灰、高低频等磨皮方案,能比自动化处理取得不错的效果,但自动化胜在傻瓜化。目前的方案是对全图做了平滑处理,并不只是对脸部,更高级方案可参考图像算法---磨皮算法研究汇总。
。
以上是关于磨皮,美白,搞笑图片处理的主要内容,如果未能解决你的问题,请参考以下文章