python实例练习（9）图像的手绘效果

文章目录

- 简介
- 图像的数组表示
- 图像的手绘处理

简介

在之前的学习笔记的实例中，我们曾经使用PIL库获取了图像的轮廓，虽然我们成功提取出来了，但是这个轮廓缺少了立体感，视觉效果上缺少了丰满度，光线照射的明暗变化是空间素描的基本方法，而本文将会使用一个实例为各位介绍python程序如何来提现图片的深浅层次变化，从而使得图像轮廓更富立体感、空间感和层次感，在观感上接近真人手绘素描的效果。

图像的数组表示

图像是有规则的二维数据，可以使用numpy库将图像转为数组对象，以著名歌手周杰伦的照片为例，名称为pic.jpg，放置在程序所在目录中，方法如下：

from PIL import Image
import numpy as np
im = np.array(Image.open('pic.jpg'))
print(im.shape, im.dtype)

在这里插入图片描述
图像转换对应的ndarray是三维数据，如上图所示，(630,630,3)，前两维是图像的长度和宽度，单位是像素，第三位是每个像素点的RGB值，每个RGB值是一个单字节整数。
PIL库有着图像转换函数，可以改变图像的表示形式。使用convert()函数即可，这就是‘L’模式，表示将像素从RGB的三字节变为单一数值表示，此时数值范围为0~255，从彩色变为带有灰度的黑白色。转换后，之前三维的ndarray变为二维数据，每个像素点只有一个整数表示。
需要修改的是上例中的这条语句：

im = np.array(Image.open('pic.jpg').convert('L'))

运行后对比如下：
在这里插入图片描述
通过对图像的数组转换，可以访问图像上的任意一个像素值。例如，获取位于坐标（20，300）像素的颜色值，或者获取图像的最大最小像素值，也能够切片来获取指定行列的元素值，各位读者甚至能够在获取之后修改它。

from PIL import Image
import numpy as np
im = np.array(Image.open('pic.jpg').convert('L'))
print(im.shape, im.dtype)
print(im[20,300])
print(int(im.min()),int(im.max()))

在这里插入图片描述
读入图像后，可以通过任意数学操作获取相应的图像变换，这里以灰度变换为例子，分别对灰度变化后的图像进行反变换、区间变化以及像素值平方处理。不过需要注意，有些数学变换会改变图像的数据类型，所以在生成图像前需要通过numpy.uint()进行一次转换运行效果如下所示：

from PIL import Image
import numpy as np
im = np.array(Image.open('pic.jpg').convert('L'))
im1 = 255-im
im2 = (100/255)*im+150
im3 = 255*(im1/255)**2
pil_im = Image.fromarray(np.uint(im1))#修改参数后分别执行im1,im2,im3
pil_im.show()

im1
im2
im3
灰度处理后的原图像如下所示：
在这里插入图片描述

图像的手绘处理

在此之前，我们介绍过获取图片轮廓滤镜的使用，虽然它能够获取图像轮廓信息，但是在视觉上缺乏立体感，那么有解决方案吗？
答案是有的，为了实现手绘风格，首先需要读取原图像的明暗变化，也就是灰度值，从直观视觉感受上来讲，图像灰度值发生显著变化的地方就是梯度值，它描述的是图像灰度变化的强度，通常能够使用梯度变化来获取图像轮廓，在numpy中提供有获取灰度图像梯度的函数gradient()，传入图像数组就能够表示返回代表x和y的各自方向上的梯度变化的二维元组。下面是实例完整代码和与轮廓获取的对比以及原图图像。

from PIL import Image
import numpy as np
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
depth = 10. # (0-100)
im = Image.open('pic.jpg').convert('L')
a = np.asarray(im).astype('float')
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.
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
A = np.sqrt(grad_x**2 + grad_y**2 + 1.)
uni_x = grad_x/A
uni_y = grad_y/A
uni_z = 1./A
a2 = 255*(dx*uni_x + dy*uni_y + dz*uni_z) #光源归一化
a2 = a2.clip(0,255)
im2 = Image.fromarray(a2.astype('uint8')) #重构图像
im2.save('picHandDraw.jpg')