Haste makes waste

PythonDataAnalysis-03-图像的手绘效果

Posted on By lijun

[PythonDataAnalysis-XX…]系列,参考Python数据分析与展示 嵩天@北京理工

根据第三方库内容特点,课程共分8个内容单元和4个实战单元:

  • 单元1:NumPy库入门:一维、二维、N维、高维数据表示和操作
  • 单元2:NumPy数据存取与函数:多维数据存储、随机数函数、统计函数、梯度函数
  • 单元3:实战:图像的手绘效果
  • 单元4:Matplotlib库的入门和基本使用
  • 单元5:Matplotlib基础绘图函数:饼图、直方图、极坐标图、散点图
  • 单元6:实战:引力波的绘制
  • 单元7:Pandas库入门:Series、DataFrame类型、基本操作
  • 单元8:Pandas数据特征分析:数据排序、基本统计分析、累计分析、相关分析

1. 图像的数组表示

图像一般使用RGB色彩模式,即每个像素点的颜色由红(R)、绿(G)、蓝(B)组成。 RGB三个颜色通道的变化和叠加得到各种颜色,其中

  • R 红色,取值范围,0‐255
  • G 绿色,取值范围,0‐255
  • B 蓝色,取值范围,0‐255

RGB形成的颜色包括了人类视力所能感知的所有颜色。

1.1 PIL库

PIL, Python Image Library,PIL库是一个具有强大图像处理能力的第三方库。 在命令行下的安装方法: pip install pillow

  • from PIL import Image ,Image是PIL库中代表一个图像的类(对象)

image 图像是一个由像素组成的二维矩阵,每个元素是一个RGB值。

In [102]: from PIL import Image

In [103]: import numpy as np

In [104]: im = np.array(Image.open('01.jpg'))

In [105]: print(im.shape,im.dtype)
(372, 672, 3) uint8

图像是一个三维数组,维度分别是高度、宽度和像素RGB值。

In [135]: a
Out[135]:
array([[[160, 193, 228],
        ...,
        [239, 235, 226]]], dtype=uint8)

2. 图像的变换:

In [123]: a = np.array(Image.open('01.jpg').convert('L'))

In [124]: a.shape
Out[124]: (372, 672)

In [125]: b = 255-a

In [126]: im = Image.fromarray(b.astype('uint8'))

In [127]: im.save('03.jpeg')

In [128]: im = Image.fromarray(a.astype('uint8'))

In [129]: im.save('04.jpeg')

下面分别是1,2,3,4处理后的图片

  • 1是原始图片
  • 2是RGB取补后的图片
  • 3是处理成灰度后取补的图片
  • 4是处理成灰度后的图片

image

通过对RGB值二维数组的处理,可以实现更多的图像处理。

3. 手绘效果示例分析

手绘效果的几个特征:黑白灰色 / 边界线条较重 / 相同或相近色彩趋于白色 / 略有光源效果

from PIL import Image
import numpy as np

a = np.asarray(Image.open('01.jpg').convert('L')).astype('float')

depth = 10.                      # (0-100)
grad = np.gradient(a)             #取图像灰度的梯度值
grad_x, grad_y = grad               #分别取横纵图像梯度值
grad_x = grad_x*depth/100.
grad_y = grad_y*depth/100.
A = np.sqrt(grad_x**2 + grad_y**2 + 1.)
uni_x = grad_x/A
uni_y = grad_y/A
uni_z = 1./A

vec_el = np.pi/2.2                   # 光源的俯视角度,弧度值
vec_az = np.pi/4.                    # 光源的方位角度,弧度值
dx = np.cos(vec_el)*np.cos(vec_az)   #光源对x 轴的影响
dy = np.cos(vec_el)*np.sin(vec_az)   #光源对y 轴的影响
dz = np.sin(vec_el)              #光源对z 轴的影响

b = 255*(dx*uni_x + dy*uni_y + dz*uni_z)     #光源归一化
b = b.clip(0,255)

im = Image.fromarray(b.astype('uint8'))  #重构图像
im.save('01-1.jpg')

实现效果如下:

image

3.1 代码解析 - 梯度的重构

利用像素之间的梯度值和虚拟深度值对图像进行重构,根据灰度变化来模拟人类视觉的远近程度 。

depth = 10.                      # 预设深度值为10 取值范围0‐100
grad = np.gradient(a)             #取图像灰度的梯度值
grad_x, grad_y = grad               #分别取横纵图像梯度值
grad_x = grad_x*depth/100.
grad_y = grad_y*depth/100.  # 根据深度调整x和y方向的梯度值

3.2 代码解析 - 光源效果

根据灰度变化来模拟人类视觉的远近程度。

image

vec_el = np.pi/2.2                   # 光源的俯视角度,弧度值
vec_az = np.pi/4.                    # 光源的方位角度,弧度值
dx = np.cos(vec_el)*np.cos(vec_az)   #光源对x 轴的影响
dy = np.cos(vec_el)*np.sin(vec_az)   #光源对y 轴的影响
dz = np.sin(vec_el)              #光源对z 轴的影响

  • np.cos(vec_el)为单位光线在地平面上的投影长度
  • dx, dy, dz是光源对x/y/z三方向的影响程度

3.3 代码解析 - 梯度归一化

# 构造x和y轴梯度的三维归一化单位坐标系
A = np.sqrt(grad_x**2 + grad_y**2 + 1.)
uni_x = grad_x/A
uni_y = grad_y/A
uni_z = 1./A

# 梯度与光源相互作用,将梯度转化为灰度
b = 255*(dx*uni_x + dy*uni_y + dz*uni_z)     #光源归一化

3.4 代码解析 - 图像生成

# 为避免数据越界,将生成的灰度值裁剪至0‐255区间
b = b.clip(0,255)

im = Image.fromarray(b.astype('uint8'))  #重构图像
im.save('01-1.jpg')

上面代码还是不够理解,只知道应用了梯度等概念。详细的应该在计算机图形学中去了解。