介紹

在本文中，我們將研究能夠?qū)�圖像更改為水彩藝術(shù)形式的應(yīng)用程序，我們將僅使用計(jì)算機(jī)視覺操作，即不涉及任何機(jī)器學(xué)習(xí)技術(shù)，僅涉及精細(xì)的圖像處理技術(shù)。

計(jì)算機(jī)視覺的現(xiàn)實(shí)應(yīng)用

因此，在討論該方法并跳轉(zhuǎn)到代碼部分之前，讓我們首先討論一下該項(xiàng)目中使用的技術(shù)如何在實(shí)際場景中提供幫助。

1．將圖像卡通化：雖然在這個問題陳述中我們將研究水彩藝術(shù)，但最重要的是，如果我們能夠微調(diào)參數(shù)，我們只需要復(fù)習(xí)相關(guān)的概念就可以解決這個問題。

2．應(yīng)用過濾器：我們可以使用相同的技術(shù)選擇各種過濾器，從人工智能市場的角度來看，這對 VR／AR 公司來說非常有用。

3．修改圖像：現(xiàn)在市場上開發(fā)了許多應(yīng)用程序，這些應(yīng)用程序給圖像帶來了多種多樣的效果，而這種濾波圖像處理無疑有助于這些應(yīng)用程序。

處理此問題的方法

在本文的這一部分中，我們將列出開發(fā)應(yīng)用程序的所有有效步驟／階段，該應(yīng)用程序?qū)⑹褂糜?jì)算機(jī)視覺操作將我們的原始圖像轉(zhuǎn)換為水彩效果藝術(shù)。

階段 1：輸入圖像并調(diào)整其大�。何覀兌贾�道我們需要一個圖像來執(zhí)行計(jì)算機(jī)視覺概念，但是調(diào)整它的大小背后有一個嚴(yán)格的邏輯，讓我們舉個例子來解釋這個原因，假設(shè)你將對一個圖像的唯一分布進(jìn)行操作，我們將使用3×3內(nèi)核對圖像進(jìn)行操作，而在這種情況下，3×3內(nèi)核將對圖像的唯一分布進(jìn)行不同的操作，以消除這種復(fù)雜性，并確保在每種類型的圖像中，我們的結(jié)果應(yīng)該是相同的，使用resize函數(shù)是一個很好的實(shí)踐，這樣我們的內(nèi)核操作就可以有效地完成。

階段 2：清除雜質(zhì)：在這個階段，我們將清除所有雜質(zhì)，由于顏色變化，圖像中的雜質(zhì)將滯后于操作�？赡苁前唿c(diǎn)或不均勻的像素分布，可能導(dǎo)致應(yīng)用過濾器的延遲。為了從圖像中去除這些雜質(zhì)，我們有足夠的功能，我們將在本階段詳細(xì)討論它們。

階段 3：應(yīng)用過濾：在這個階段，我們將對這個特定問題陳述中的圖像應(yīng)用我們想要的過濾器。我們將應(yīng)用這些過濾技術(shù)，將真實(shí)圖像轉(zhuǎn)換為水彩畫效果。為此，我們將執(zhí)行一些過濾技術(shù)，如高斯或雙邊過濾。

階段 4：調(diào)整藝術(shù)：在這個階段，我們將調(diào)整以提供更精確的過濾結(jié)果，假設(shè)在應(yīng)用所需的過濾器后，我們獲得了模糊效果，以便去除我們將應(yīng)用的圖像銳化，如果我們得到的結(jié)果顯示了一些松散的顏色，那么我們將通過管理圖像的顏色對比度來應(yīng)用去霧操作，從而獲得結(jié)果的精細(xì)形式

導(dǎo)入庫

import cv2

import numpy as np

import matplotlib．pyplot as plt

階段 1：讀取圖像并調(diào)整大小

在這里，我們將首先讀取示例圖像并調(diào)整其大小，為了獲得更好的體驗(yàn)，我們將使用兩個示例圖像來仔細(xì)檢查我們的結(jié)果。

image ＝ cv2．imread（＇sample．jpg＇）

plt．figure（figsize ＝ ［10， 10］）

plt．title（＂Image＂）；plt．a(chǎn)xis（＇off＇）；plt．imshow（image［：，：，：：－1］）；plt．show（）

輸出：

image ＝ cv2．imread（＇sample2．jpg＇）

plt．figure（figsize ＝ ［10， 10］）

plt．title（＂Image＂）；plt．a(chǎn)xis（＇off＇）；plt．imshow（image［：，：，：：－1］）；plt．show（）

輸出

代碼分解：

在這里，我們首先使用read函數(shù)讀取了圖像，請注意圖像類型是＊＊．webp＊＊。

然后我們使用 Matplotlib 庫中的figure函數(shù)來設(shè)置圖形大小。

最后，我們將使用show方法簡單地顯示圖像。

調(diào)整圖像大小

image＿resized ＝ cv2．resize（image， None， fx＝0．5， fy＝0．5）

關(guān)于resize函數(shù)

在這里，我們正在調(diào)整圖像的大小，以便特定大小（比如 3×3）的內(nèi)核將給出相同的結(jié)果，而與圖像的分布無關(guān)。密切關(guān)注我們在 resize 函數(shù)中給出的參數(shù)。

image：這里我們傳遞我們想要調(diào)整大小的圖像。

fx：這將有助于將 x 軸減半（因?yàn)橹禐?0．5）。

fy：這將有助于將 y 軸減半（因?yàn)橹禐?0．5）。

None：此選項(xiàng)會將高度和寬度操作設(shè)置為無，因?yàn)槲覀冎皇歉�改圖像的軸。

階段 2：去除／清除雜質(zhì)

現(xiàn)在是我們清除雜質(zhì)部分，我們將使用中值模糊算法，但稍后我們將應(yīng)用雙邊過濾。

image＿cleared ＝ cv2．medianBlur（image＿resized， 3）

image＿cleared ＝ cv2．medianBlur（image＿cleared， 3）

image＿cleared ＝ cv2．medianBlur（image＿cleared， 3）

image＿cleared ＝ cv2．edgePreservingFilter（image＿cleared， sigma＿s＝5）

代碼分解

1．在查看代碼時，一個問題是確定的，即為什么我對圖像進(jìn)行了三次過濾？

· 答：我們想要過濾最多的圖像，因此，我們需要過濾相同的圖像多次（這里是三次），因此現(xiàn)在我們可以相對地獲得過濾次數(shù)更多的圖像。

2．除了中值模糊過濾外，我們還將研究邊緣保留過濾，它負(fù)責(zé)保持整個圖像的恒定顏色分布。

階段 3：雙邊圖像過濾

高斯濾波和雙邊圖像濾波之間的主要區(qū)別在于，在高斯模糊中，它只適用于圖像的模糊，即只考慮空間（不保留角點(diǎn)），但在雙邊濾波中，我們將使用圖像的高斯核，這將反過來聚焦于更強(qiáng)烈的圖像，并將保留角點(diǎn)。

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

for i in range（2）：

  image＿filtered ＝ cv2．bilateralFilter（image＿filtered， 3， 20， 10）

for i in range（3）：

  image＿filtered ＝ cv2．bilateralFilter（image＿filtered， 5， 30， 10）

代碼分解

在分解代碼之前，我們需要了解為什么我們使用循環(huán)進(jìn)行雙邊過濾？

答：因?yàn)槿绻�我們一次性增加參�?shù)值，那么我們將獲得卡通圖像而不是水彩藝術(shù)，這不是我們的目標(biāo)，因此我們正在循環(huán)應(yīng)用過濾并逐漸增加 sigma 空間的值。

參數(shù) Bilateral filtering：

1．Source：需要過濾的源圖像。

2．D：D是每個像素的直徑值（這里是3／5）。

3．Sigma 顏色：Sigma 顏色的值越大，顏色混合得越深。

4．Sigma 空間：Sigma 空間的值越大，空間越寬的顏色就會開始混合。

階段 4：調(diào)整藝術(shù) － 銳化圖像

所以，當(dāng)我們使用雙邊濾波時，它用來模糊圖像。它保留了圖像的一角，并將其轉(zhuǎn)換為模糊形式，以便消除這種情況，獲得更清晰的輸出，我們用來銳化圖像。

gaussian＿mask＝ cv2．GaussianBlur（image＿filtered， （7，7）， 2）

image＿sharp ＝ cv2．a(chǎn)ddWeighted（image＿filtered， 1．5， gaussian＿mask， －0．5， 0）

image＿sharp ＝ cv2．a(chǎn)ddWeighted（image＿sharp， 1．4， gaussian＿mask， －0．2， 10）

代碼分解：

1．首先在高斯模糊的幫助下，我們將減去圖像的一部分以獲得高斯蒙版。

2．然后使用上面的高斯蒙版，我們將使用weighted（）函數(shù)銳化圖像，如果你注意到參數(shù)，我們正在嘗試不同的alpha 和 gamma值以獲得所需的結(jié)果。

使用計(jì)算機(jī)視覺顯示圖像

plt．figure（figsize＝［30，30］）

plt．subplot（131）；plt．imshow（image＿sharp［：，：，：：－1］）；plt．title（＂Final Image＂）；plt．a(chǎn)xis（＇off＇）；

plt．subplot（132）；plt．imshow（image＿cleared［：，：，：：－1］）；plt．title（＂Clear Impurities＂）；plt．a(chǎn)xis（＇off＇）；

plt．subplot（133）；plt．imshow（image［：，：，：：－1］）；plt．title（＂Original＂）；plt．a(chǎn)xis（＇off＇）；

輸出 1：

輸出 2：

代碼分解

正如我們之前在文章中已經(jīng)討論過繪制圖像一樣，因此可以參考。這部分只有一點(diǎn)需要注意，這是一個子圖，將圖像的部分分為三個部分：

1．最終圖像

2．清除雜質(zhì)

3．原圖

關(guān)于計(jì)算機(jī)視覺的結(jié)論

因此，從上面的輸出中，你可以看到圖像已轉(zhuǎn)換為水彩畫，你可以使用相同的過程和圖像處理技術(shù)轉(zhuǎn)換你想要的任何圖像，為了確保圖像質(zhì)量足夠好，可以應(yīng)用過濾器。

1．在這里，我們學(xué)到的第一件事是關(guān)于調(diào)整大小的功能，這非常重要。

2．然后我們開始了解不同的算法和概念，這些算法和概念有助于清除圖像中的雜質(zhì)。

3．最后，我們了解了如何對處理進(jìn)行最后的處理，即調(diào)整圖像，以提高結(jié)果的質(zhì)量。

       原文標(biāo)題 : 使用計(jì)算機(jī)視覺轉(zhuǎn)換水彩藝術(shù)中的圖像