使用计算机视觉转换水彩艺术中的图像-600学习网

600学习网终身会员188，所有资源无秘无压缩-购买会员

介绍

在本文中，我们将研究将图像转换为水彩艺术形式的应用。我们将只使用计算机视觉操作，也就是说，我们将不涉及任何机器学习技术，而只涉及精细图像处理技术。

计算机视觉的现实应用

因此，在讨论这个方法并跳到代码部分之前，让我们先讨论一下这个项目中使用的技术如何在实际场景中有所帮助。

1.图像卡通化：虽然我们将在这个问题陈述中研究水彩艺术，但最重要的是，如果我们能够微调参数，我们只需要回顾相关概念来解决这个问题。

2.应用过滤器：我们可以使用相同的技术来选择各种过滤器。从人工智能市场的角度来看，这对VR/AR公司非常有用。

3.图像修改：市场上已经开发了许多应用程序。这些应用给图像带来了各种效果，这种滤波图像处理无疑对这些应用很有帮助。

如何处理这个问题

在本文的这一部分，我们将列出开发应用程序的所有有效步骤/阶段，该应用程序将使用计算机视觉操作将原始图像转换为水彩效果艺术。

第一阶段：输入图像并调整其大小：我们都知道我们需要一个图像来实现计算机视觉概念，但调整图像大小背后有一个严格的逻辑。让我们举个例子来解释这个原因。假设您将对图像的唯一分布进行操作，我们将使用3×。使用resize函数是一个很好的实践，这样我们的内核操作就可以有效地完成。

第2阶段：去除杂质：在此阶段，我们将去除所有杂质。由于颜涩变化，图像中的杂质将滞后于操作。可能是散斑或像素分布不均匀，这可能会导致应用滤波器的延迟。为了从图像中去除这些杂质，我们有足够的功能，我们将在这个阶段详细讨论它们。

阶段3：应用过滤：在这个阶段，我们将在这个特定的问题陈述中对图像应用我们想要的过滤器。我们将应用这些过滤技术将真实图像转换为水彩效果。为此，我们将实现一些滤波技术，例如高斯或双边滤波。

阶段4：调整艺术：在这个阶段，我们将进行调整，以提供更准确的过滤结果。假设在应用了所需的过滤器之后，我们得到了一个模糊效果来去除我们将应用的图像锐化。如果我们得到的结果显示一些松散的颜涩，我们将通过管理图像的颜涩对比度来应用去雾操作，以获得良好的结果形式

导入库

导入cv2

将numpy导入为np

将matplotlib.pyplot导入为plt

阶段1：读取图像并调整大小

在这里，我们将首先读取示例图像并调整其大小。为了获得更好的体验，我们将使用两个样本图像来仔细检查我们的结果。

image＝cv2.imread(“sample.jpg”)

plt.figure(图＝〔10，10〕)

plt.title(“图像”)plt.轴(“关闭”)plt.imshow(图像〔：，：，：－1〕)plt.show()

输出：

图像＝cv2.imread(“sample2.jpg”)

plt.figure(图＝〔10，10〕)

plt.title(“图像”)plt.轴(“关闭”)plt.imshow(图像〔：，：，：－1〕)plt.show()

输出

代码分解：

这里，我们首先使用read函数来读取图像。请注意，图像类型为**。webp**。

然后我们使用Matplotlib库中的figure函数来设置图形大小。

最后，我们将简单地使用show方法显示图像。

调整图像大小

image_ resized＝cv2.resize(image，None，fx＝0.5，fy＝0.5)

关于调整大小功能

这里，我们将图像调整为特定大小(例如3×3)。无论图像的分布如何，的内核都会给出相同的结果。请密切注意我们在resize函数中给出的参数。

图像：这里我们传递我们想要调整大小的图像。

Fx：这将有助于将x轴减半(因为该值为0.5)。

Fy：这将有助于减半t

阶段3：双边图像滤波

高斯滤波和双边图像滤波之间的主要区别在于，在高斯模糊中，它仅适用于图像模糊，也就是说，只考虑空间(不保留角点)，但在双边滤波中，我们将使用图像的高斯核，而高斯核将聚焦于更强的图像，并且将保留角点。

image＿filtered＝cv2.biteralFilter(image＿cleared，3，10，5)

对于范围(2)中的i：

图像_滤波＝cv2.双边滤波器(图像_滤波，3，20，10)

对于范围(3)中的i：

图像_滤波＝cv2.双边滤波器(图像_滤波，5，30，10)

代码分解

在反汇编代码之前，我们需要了解为什么我们使用循环进行双向过滤？

A： 因为如果我们一次增加参数值，我们将获得卡通图像而不是水彩艺术，这不是我们的目标。因此，我们循环地应用滤波，并逐渐增加sigma空间的值。

参数双边过滤：

1.源：要过滤的源图像。

2.D:D是每个像素的直径(此处为3/5)。

3.西格玛颜涩：西格玛的颜涩值越大，混合的颜涩越深。

4.西格玛空间：西格玛的值越大，空间越宽，颜涩就会开始混合。

阶段4：调整艺术-锐化图像

因此，当我们使用双边滤波时，它用于模糊图像。它保留了图像的一角，并将其转换为模糊形式，以消除这种情况并获得更清晰的输出，我们使用它来锐化图像。

高斯_掩码＝cv2.高斯模糊(图像_滤波，(7,7)，2)

image＿sharp＝cv2.addWeighted(image＿filtered，1.5，gaussian＿mask，－0.5，0)

image＿sharp＝cv2.addWeighted(image＿sharp，1.4，gaussian＿mask，－0.2，10)

代码分解：

1.首先，在高斯模糊的帮助下，我们将减去图像的一部分以获得高斯掩模。

2.然后使用上面的高斯掩模。我们将使用加权()函数来锐化图像。如果您注意到这些参数，我们将尝试不同的alpha和gamma值以获得所需的结果。

使用计算机视觉显示图像

plt.figure(图＝[30,30])

plt.子地块(131)plt.imshow(图像_锐利[：，：：：-1])plt.title(“最终图像”)plt.轴(“关闭”)

plt.子地块(132)plt.imshow(图像被清除〔：，：，：－1〕)plt.title(“清除杂质”)plt.轴(“关闭”)

plt.子地块(133)plt.imshow(图像〔：，：，：－1〕)plt.title(“原件”)plt.轴(“关闭”)

输出1：

输出2：

代码分解

正如我们之前在文章中讨论过的绘制图像，您可以参考它。这一部分只需要注意一件事。这是一个子图，它将图像分为三部分：

1.最终图像

2.去除杂质

3.原始图纸

计算机视觉结论

因此，从上面的输出中，您可以看到图像已转换为水彩。您可以使用相同的过程和图像处理技术来转换您想要的任何图像。为了确保图像质量足够好，可以应用过滤器。

1.我们在这里学到的第一件事是调整大小，这非常重要。

2.然后我们开始了解不同的算法和概念，这有助于去除图像中的杂质。

3.最后，我们学习了如何执行处理的最终处理，即调整图像以提高结果的质量。