简介
- 如何将图片转换成素描图呢，只需要下面四个步骤即可：
- 首先将彩色图转换成灰度图；
- 对灰度图进行求其反色的操作；
- 对第2步得到的结果采用一个高斯模糊的操作；
- 采用颜色亮化(color dodge)的技术将第一步的灰度图和第三步操作后的图片进行混合。
- 事先准备，首先是安装好 opencv，可以直接通过 pip 进行安装：
pip install opencv-python
接着准备一张图片，最好是颜色鲜明一点的图片，方便对比转换的效果。
- original.png
第一步：彩色图变灰度图
第一步变成灰度图，其实非常简单，直接调用 opencv 的函数即可，如下面代码所示：
import cv2
img_rgb = cv2.imread('example.jpg')
img_gray = cv2.cvtColor(img_rgb, cv2.COLOR_BGR2GRAY)
图片转换效果如下所示：
- gray.png
- 上面的代码是读取图片后，再通过调用cv2.cvtColor函数将图片转换成灰度图，实际上我们可以直接在读取图片时候就直接转换图片，即：
img_gray = cv2.imread('example.jpg', cv2.IMREAD_GRAYSCALE)
这里调用cv2.imread函数时，设置了cv2.IMREAD_GRAYSCALE的标志，表示加载灰度图。在imread函数中是设置了三种标志，分别是
cv2.IMREAD_COLOR : 默认使用该种标识。加载一张彩色图片，忽视它的透明度。
cv2.IMREAD_GRAYSCALE : 加载一张灰度图。
cv2.IMREAD_UNCHANGED : 加载图像，包括它的Alpha 通道(Alpha 表示图片的透明度)。
另外，如果觉得以上标志太长，可以简单使用 1，0，-1 代替，效果是相同的。
第二步：灰度图进行反色操作
- 第二步就是对灰度图进行反色操作，其实就是非常简单的采用灰度图的最大像素值 255 减去当前像素值即可（因为灰度图的范围是[0, 255]），代码如下所示：
img_gray_inv = 255 - img_gray
结果如下所示：
- gray_inv.png
- 其实就是原本比较暗的地方变光亮了，而比较亮的地方变暗了。
第三步：高斯模糊
- 高斯模糊操作是一个有效减少图片噪音以及对图片进行平滑操作的方法，在数学上等价于对图像采用高斯核进行卷积的操作。我们可以直接调用cv2.GaussianBlur来实现高斯模糊操作，这里需要设置参数ksize，表示高斯核的大小，sigmaX和sigmaY分别表示高斯核在 X 和 Y 方向上的标准差。
img_blur = cv2.GaussianBlur(img_gray_inv, ksize=(21, 21),
sigmaX=0, sigmaY=0)
效果如下所示，右边图是进行高斯模糊后的结果，是有了一定的模糊效果。
- gray_blur.png
第四步：混合操作
第四步，就是见证奇迹的时刻！这一步骤自然就是需要得到最终的素描图结果了。在传统照相技术中，当需要对图片某个区域变得更亮或者变暗，可以通过控制它的曝光时间，这里就用到亮化(Dodging)和暗化(burning)的技术。
在现代图像编辑工具，比如 PS 可以实现上述说的两种技术。比如对于颜色亮化技术，给定一张图片 A 和 蒙版 B，那么实现做法如下所示：
(B[idx] == 255)?B[idx]:min(255, ((A[idx] << 8) / (255-B[idx])))
- 通过 python 代码实现上述公式，那么原始代码如下所示：
import cv2
import numpy as np
def dodgeNaive(image, mask):
# determine the shape of the input image
width, height = image.shape[:2]
# prepare output argument with same size as image
blend = np.zeros((width, height), np.uint8)
for col in range(width):
for row in range(height):
# do for every pixel
if mask[col, row] == 255:
# avoid division by zero
blend[col, row] = 255
else:
# shift image pixel value by 8 bits
# divide by the inverse of the mask
tmp = (image[col, row] << 8) / (255 - mask)
# make sure resulting value stays within bounds
if tmp > 255:
tmp = 255
blend[col, row] = tmp
return blend
- 上述代码虽然实现了这个功能，但是很明显会非常耗时，中间采用了一个两层循环，计算复杂度是 O(w*h) ，也就是如果图片的宽和高的乘积越大，耗时就越长，所以就有了升级版的代码版本：
def dodgeV2(image, mask):
return cv2.divide(image, 255 - mask, scale=256)
运行上述代码，得到的最终结果如下所示：
- sketch.png
- 效果看起来还可以，除了右下角部分对于原图中黑色区域处理得不是很好。
- 完整版代码如下所示：
import cv2
import numpy as np
def dodgeNaive(image, mask):
# determine the shape of the input image
width, height = image.shape[:2]
# prepare output argument with same size as image
blend = np.zeros((width, height), np.uint8)
for col in range(width):
for row in range(height):
# do for every pixel
if mask[col, row] == 255:
# avoid division by zero
blend[col, row] = 255
else:
# shift image pixel value by 8 bits
# divide by the inverse of the mask
tmp = (image[col, row] << 8) / (255 - mask)
# print('tmp={}'.format(tmp.shape))
# make sure resulting value stays within bounds
if tmp.any() > 255:
tmp = 255
blend[col, row] = tmp
return blend
def dodgeV2(image, mask):
return cv2.divide(image, 255 - mask, scale=256)
def burnV2(image, mask):
return 255 - cv2.divide(255 - image, 255 - mask, scale=256)
def rgb_to_sketch(src_image_name, dst_image_name):
img_rgb = cv2.imread(src_image_name)
img_gray = cv2.cvtColor(img_rgb, cv2.COLOR_BGR2GRAY)
# 读取图片时直接转换操作
# img_gray = cv2.imread('example.jpg', cv2.IMREAD_GRAYSCALE)
img_gray_inv = 255 - img_gray
img_blur = cv2.GaussianBlur(img_gray_inv, ksize=(21, 21),
sigmaX=0, sigmaY=0)
img_blend = dodgeV2(img_gray, img_blur)
cv2.imshow('original', img_rgb)
cv2.imshow('gray', img_gray)
cv2.imshow('gray_inv', img_gray_inv)
cv2.imshow('gray_blur', img_blur)
cv2.imshow("pencil sketch", img_blend)
cv2.waitKey(0)
cv2.destroyAllWindows()
cv2.imwrite(dst_image_name, img_blend)
if __name__ == '__main__':
src_image_name = 'example.jpg'
dst_image_name = 'sketch_example.jpg'
rgb_to_sketch(src_image_name, dst_image_name)
- 最后，还有一种更加快速的实现，代码如下所示，仅需三行代码即可实现转换成素描图的效果。
def rgb_to_sketch_v2(src_image_name):
img_gray = cv2.imread(src_image_name, 0)
img_blur = cv2.GaussianBlur(img_gray, (21, 21), 0, 0)
img_blend = cv2.divide(img_gray, img_blur, scale=256)
