使用 Python 的铅笔素描图像

人工智能等各类编程培训资料整理，所有资源无秘无压缩-购买会员

图片在 Python 中表示为一组数字。所以我们可以进行各种矩阵操作来得到令人兴奋的结果。在本教程中，将向你展示如何只用几行代码创建“铅笔”草图图像。

这个过程非常简单：

1. 灰度图像

2. 反转颜涩

3. 模糊倒置图像

4. 将减淡混合应用于模糊和灰度图像

我们可以为此选择任何我们想要的图像。将演示如何创建可以应用于任何图像、视频或实时流的对象。

导入库

OpenCV 和 Numpy 是项目所需的唯一库。我们使用以下两行代码导入它们：

import cv2

import numpy as np

读取照片

这是使用 OpenCV 读取存储在磁盘上的图像的命令之一：

frame ＝ cv2．imread（＂porche．png＂）

此命令读取位于当前文件夹中的文件“image．png”，并作为帧存储在内存中。但正如我所提到的，这可以是帧序列或通过其他方法加载的图像。

使用 OpenCV 显示图像

下一个重要步骤是在屏幕上显示图像：

cv2．imshow（＇image＇， frame）

cv2．waitKey（0）

cv2．destroyAllWindows（）

图像将在一个标题为“image”的新窗口中打开：

灰度图像

首先，我们需要对图像进行灰度处理（将其转换为黑白）。我们可以使用 cv2 库或 numpy．

numpy 没有任何用于灰度的内置函数，但我们也可以很容易地将我们的图像转换为灰度，公式如下所示：

grayscale ＝ np．array（np．dot（frame［．．．， ：3］， ［0．299， 0．587， 0．114］）， dtype＝np．uint8）

grayscale ＝ np．stack（（grayscale，） ＊ 3， axis＝－1）

在这里，我们将 RGB 图像通道与适当的值相乘并将它们连接到单个通道。

因此，我们需要返回到 3 层图像，使用 numpy stack 函数来实现。这是我们得到的灰度图像：

反转图像

现在我们需要反转图像，白涩应该变成黑涩。

它简单地从每个图像像素中减去 255 。因为，默认情况下，图像是 8 位的，最多有 256 个涩调：

inverted＿img ＝ 255 － grayscale

当我们显示反转图像或将其保存在光盘上时，我们会得到以下图片：

模糊图像

现在我们需要模糊倒置的图像。通过对倒置图像应用高斯滤波器来执行模糊。这里最重要的是高斯函数或 sigma 的方差。随着 sigma 的增加，图像变得更模糊。Sigma 控制涩散量，从而控制模糊程度。可以通过反复试验选择合适的 sigma 值：

blur＿img ＝ cv2．GaussianBlur（inverted＿img， ksize＝（0， 0）， sigmaX＝5

模糊图像的结果如下所示：

减淡和融合

颜涩减淡和融合模式并通过降低对比度来加亮基涩以反映混合涩。

def dodge（self， front： np．ndarray， back： np．ndarray） －＞ np．ndarray： ＂＂＂The formula comes from https：／／en．wikipedia．org／wiki／Blend＿modes

Args：

front： （np．ndarray） － front image to be applied to dodge algorithm

back： （np．ndarray） － back image to be applied to dodge algorithm

Returns：

image： （np．ndarray） － dodged image

＂＂＂

result ＝ back＊255．0 ／ （255．0－front）

result［result＞255］ ＝ 255

result［back＝＝255］ ＝ 255

return result．astype（＇uint8＇）

final＿img ＝ self．dodge（blur＿img， grayscale）

就是这样！结果如下：

完整代码：

class PencilSketch：

＂＂＂Apply pencil sketch effect to an image

＂＂＂

def ＿＿init＿＿（

self，

blur＿simga： int ＝ 5，

ksize： typing．Tuple［int， int］ ＝ （0， 0），

sharpen＿value： int ＝ None，

kernel： np．ndarray ＝ None，

） －＞ None：

＂＂＂

Args：

blur＿simga： （int） － sigma ratio to apply for cv2．GaussianBlur

ksize： （float） － ratio to apply for cv2．GaussianBlur

sharpen＿value： （int） － sharpen value to apply in predefined kernel array

kernel： （np．ndarray） － custom kernel to apply in sharpen function

＂＂＂

self．blur＿simga ＝ blur＿simga

self．ksize ＝ ksize

self．sharpen＿value ＝ sharpen＿value

self．kernel ＝ np．array（［［0， －1， 0］， ［－1， sharpen＿value，－1］， ［0， －1， 0］］） if kernel ＝＝ None else kernel

def dodge（self， front： np．ndarray， back： np．ndarray） －＞ np．ndarray：

＂＂＂The formula comes from https：／／en．wikipedia．org／wiki／Blend＿modes

Args：

front： （np．ndarray） － front image to be applied to dodge algorithm

back： （np．ndarray） － back image to be applied to dodge algorithm

Returns：

image： （np．ndarray） － dodged image

＂＂＂

result ＝ back＊255．0 ／ （255．0－front）

result［result＞255］ ＝ 255

result［back＝＝255］ ＝ 255

return result．astype（＇uint8＇）

def sharpen（self， image： np．ndarray） －＞ np．ndarray： ＂＂＂Sharpen image by defined kernel size

Args：

image： （np．ndarray） － image to be sharpened

Returns：

image： （np．ndarray） － sharpened image

＂＂＂

if self．sharpen＿value is not None and isinstance（self．sharpen＿value， int）：

inverted ＝ 255 － image

return 255 － cv2．filter2D（src＝inverted， ddepth＝－1， kernel＝self．kernel）

return image

def ＿＿call＿＿（self， frame： np．ndarray） －＞ np．ndarray：

＂＂＂Main function to do pencil sketch

Args：

frame： （np．ndarray） － frame to excecute pencil sketch on

Returns：

frame： （np．ndarray） － processed frame that is pencil sketch type

＂＂＂

grayscale ＝ np．array（np．dot（frame［．．．， ：3］， ［0．299， 0．587， 0．114］）， dtype＝np．uint8）

grayscale ＝ np．stack（（grayscale，） ＊ 3， axis＝－1） ＃ convert 1 channel grayscale image to 3 channels grayscale

inverted＿img ＝ 255 － grayscale

blur＿img ＝ cv2．GaussianBlur（inverted＿img， ksize＝self．ksize， sigmaX＝self．blur＿simga）

final＿img ＝ self．dodge（blur＿img， grayscale）

sharpened＿image ＝ self．sharpen（final＿img）

return sharpened＿image

可以猜测，除了模糊期间的blur＿sigma参数外，我们没有太多的空间可以使用。添加了一个额外的功能来锐化图像以解决这个问题。

它与模糊过程非常相似，只是现在，我们不是创建一个核来平均每个像素的强度，而是创建一个内核，使像素强度更高，因此更容易被人眼看到。

下面是关于如何将 PencilSketch 对象用于我们的图像的基本代码：

＃ main．py

from pencilSketch import PencilSketch

from engine import Engine

if ＿＿name＿＿ ＝＝ ＇＿＿main＿＿＇：

pencilSketch ＝ PencilSketch（blur＿simga＝5）

selfieSegmentation ＝ Engine（image＿path＝＇data／porche．jpg＇， show＝True， custom＿objects＝［pencilSketch］）

selfieSegmentation．run（）

结论：

这是一个非常不错的教程，不需要任何深入的 Python 知识就可以从任何图像中实现这种“铅笔”素描风格。