油画的实现原理
油画简单的理解是带有艺术感的图像，色彩相对于原图要更加鲜艳，但却是失真的。
而且对于喜欢欣赏艺术的读者，肯定或多或少关注过油画，油画并不细腻，而且小部分因为色块的堆积非常模糊。所以，我们实现油画的原理是：逐行对图像进行处理，使周围相邻距离的像素进行打乱。
至于打乱的算法，你可以随机设计。不过，需要注意的是在处理到图像边缘时，比如左下角最后一个像素，那么如果打乱其像素，取右边的显然不可取，因为右边没有像素会导致数组越界。所以在处理油画时，可以人为的剪掉部分边缘像素用于混淆。
还有，油画因为用色大胆，所以我们需要增强图像的色彩空间。而python的pil库有一个现成的类imageenhance。该类专门用于图像的增强处理，不仅可以增强图像的亮度，对比度，色度，还可以增强图像的锐度，因此我们实现油画可以通过它快速实现图像增强的操作。
下面，我们来看看其图像增强如何实现。代码如下：
|
1
2
3
|
enh_col=imageenhance.color(img)
color = 2.0
new_img = enh_col.enhance(color)
|
此处的img是pil读取的图片，如果想pil读取图片转到opencv读取图片的格式可以通过如下代码完成：
|
1
|
new_img = cv2.cvtcolor(np.asarray(new_img), cv2.color_rgb2bgr)
|
其中，new_img为pil读取的图片格式。
而enhance函数的参数color代表了图像色彩的丰富程度和饱和度，数值为1时保持色度不变，数值增加表示色度比例增加，以此达到图像增强的效果。
实现油画效果
既然已经了解了实现油画效果的原理。下面，我们直接上代码来完成油画的操作。具体代码如下所示：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
|
# 油画效果
def oil_effect(img):
h, w, n = img.shape
new_img = np.zeros((h - 2, w, n), dtype=np.uint8)
for i in range(h - 2):
for j in range(w):
if random.randint(1, 10) % 3 == 0:
new_img[i, j] = img[i - 1, j]
elif random.randint(1, 10) % 2 == 0:
new_img[i, j] = img[i + 1, j]
else:
new_img[i, j] = img[i + 2, j]
return new_img
# 图像增强
def img_add():
img = image.open("oil.jpg")
enh_col = imageenhance.color(img)
color = 2.0
new_img = enh_col.enhance(color)
new_img = cv2.cvtcolor(np.asarray(new_img), cv2.color_rgb2bgr)
return new_img
if __name__ == "__main__":
img = cv2.imread("49.jpg")
oil_img = oil_effect(img)
cv2.imwrite("oil.jpg", oil_img)
cv2.imshow("0", img)
cv2.imshow("1", img_add())
cv2.waitkey()
cv2.destroyallwindows()
|
运行之后，效果如下：
水彩效果
像油画效果一样，水彩效果也可以用单行代码完成，但不包括导入和图像读取。
cv2.stylization()
|
1
2
3
4
5
6
7
8
9
|
import cv2
img = cv2.imread('img.jpg')
res = cv2.stylization(img, sigma_s=60, sigma_r=0.6)
# sigma_s controls the size of the neighborhood. range 1 - 200
# sigma_r controls the how dissimilar colors within the neighborhood will be averaged. a larger sigma_r results in large regions of constant color. range 0 - 1
|
到此这篇关于opencv-python实现油画效果的实例的文章就介绍到这了,更多相关opencv 油画内容请搜索服务器之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持服务器之家！
原文链接：https://liyuanjinglyj.blog.csdn.net/article/details/115137927