该系列文章是讲解Python OpenCV图像处理知识，前期主要讲解图像入门、OpenCV基础用法，中期讲解图像处理的各种算法，包括图像锐化算子、图像增强技术、图像分割等，后期结合深度学习研究图像识别、图像分类应用。希望文章对您有所帮助，如果有不足之处，还请海涵~
前文参考：
[Python图像处理] 一.图像处理基础知识及OpenCV入门函数
[Python图像处理] 二.OpenCV+Numpy库读取与修改像素
[Python图像处理] 三.获取图像属性、兴趣ROI区域及通道处理
[Python图像处理] 四.图像平滑之均值滤波、方框滤波、高斯滤波及中值滤波
[Python图像处理] 五.图像融合、加法运算及图像类型转换
[Python图像处理] 六.图像缩放、图像旋转、图像翻转与图像平移
[Python图像处理] 七.图像阈值化处理及算法对比
[Python图像处理] 八.图像腐蚀与图像膨胀
[Python图像处理] 九.形态学之图像开运算、闭运算、梯度运算
[Python图像处理] 十.形态学之图像顶帽运算和黑帽运算
[Python图像处理] 十一.灰度直方图概念及OpenCV绘制直方图
[Python图像处理] 十二.图像几何变换之图像仿射变换、图像透视变换和图像校正
[Python图像处理] 十三.基于灰度三维图的图像顶帽运算和黑帽运算
[Python图像处理] 十四.基于OpenCV和像素处理的图像灰度化处理
[Python图像处理] 十五.图像的灰度线性变换
[Python图像处理] 十六.图像的灰度非线性变换之对数变换、伽马变换
[Python图像处理] 十七.图像锐化与边缘检测之Roberts算子、Prewitt算子、Sobel算子和Laplacian算子
[Python图像处理] 十八.图像锐化与边缘检测之Scharr算子、Canny算子和LOG算子
[Python图像处理] 十九.图像分割之基于K-Means聚类的区域分割
[Python图像处理] 二十.图像量化处理和采样处理及局部马赛克特效
[Python图像处理] 二十一.图像金字塔之图像向下取样和向上取样
[Python图像处理] 二十二.Python图像傅里叶变换原理及实现
[Python图像处理] 二十三.傅里叶变换之高通滤波和低通滤波
[Python图像处理] 二十四.图像特效处理之毛玻璃、浮雕和油漆特效
前面一篇文章我讲解了常见的图像特效处理——毛玻璃、浮雕和油漆特效，本篇文章继续分享素描特效、怀旧特效、光照特效、流年特效以及滤镜特效。代码通过Python和OpenCV实现，基础性文章，希望对你有所帮助。同时，该部分知识均为杨秀璋查阅资料撰写，转载请署名CSDN+杨秀璋及原地址出处，谢谢！！
1.图像素描特效
2.图像怀旧特效
3.图像光照特效
4.图像流年特效
5.图像滤镜特效
6.本文小结
PS：文章参考自己以前系列图像处理文章及OpenCV库函数，同时参考如下文献：
《数字图像处理》（第3版），冈萨雷斯著，阮秋琦译，电子工业出版社，2013年.
《数字图像处理学》（第3版），阮秋琦，电子工业出版社，2008年，北京.
《OpenCV3编程入门》，毛星云，冷雪飞，电子工业出版社，2015，北京.
Eastmount - [Android] 通过Menu实现图片怀旧、浮雕、模糊、光照和素描效果
使用python和opencv将图片转化为素描图-python代码解析
謝灰灰在找胡蘿蔔. IOS开发－－使用lookup table为图片添加滤镜
百度百科. 滤镜
一.图像素描特效
图像素描特效会将图像的边界都凸显出来，通过边缘检测及阈值化处理能实现该功能。一幅图像的内部都具有相似性，而在图像边界处具有明显的差异，边缘检测利用数学中的求导来扩大这种变化。但是求导过程中会增大图像的噪声，所以边缘检测之前引入了高斯滤波降噪处理。本文的图像素描特效主要经过以下几个步骤：
- 调用cv2.cvtColor()函数将彩色图像灰度化处理；
- 通过cv2.GaussianBlur()函数实现高斯滤波降噪；
- 边缘检测采用Canny算子实现；
- 最后通过cv2.threshold()反二进制阈值化处理实现素描特效。
其运行代码如下所示。
#coding:utf-8
import
cv2
import
numpy
as
np
#读取原始图像
img
=
cv2
.
imread
(
'scenery.png'
)
#图像灰度处理
gray
=
cv2
.
cvtColor
(
img
,
cv2
.
COLOR_BGR2GRAY
)
#高斯滤波降噪
gaussian
=
cv2
.
GaussianBlur
(
gray
,
(
5
,
5
)
,
0
)
#Canny算子
canny
=
cv2
.
Canny
(
gaussian
,
50
,
150
)
#阈值化处理
ret
,
result
=
cv2
.
threshold
(
canny
,
100
,
255
,
cv2
.
THRESH_BINARY_INV
)
#显示图像
cv2
.
imshow
(
'src'
,
img
)
cv2
.
imshow
(
'result'
,
result
)
cv2
.
waitKey
(
)
cv2
.
destroyAllWindows
(
)
最终输出结果如下图所示，它将彩色图像素描处理。原图是作者去年九月份拍摄于喀纳斯，真的很美~
![[Python图像处理] 二十五.图像特效处理之素描、怀旧、光照、流年以及滤镜特效_第1张图片](https://img.it610.com/image/info8/e9ced295022f4330ac7ee475b85e9435.jpg)
图像的素描特效有很多种方法，本文仅提供了一种方法，主要提取的是图像的边缘轮廓，还有很多更精细的素描特效方法，提取的轮廓更为清晰，如下图所示。希望读者能自行扩展相关算法知识，并实现对应的效果。
![[Python图像处理] 二十五.图像特效处理之素描、怀旧、光照、流年以及滤镜特效_第2张图片](https://img.it610.com/image/info8/f6eb07dc985a444ebb6458ad72692b0b.jpg)
二.图像怀旧特效
图像怀旧特效是指图像经历岁月的昏暗效果，如图所示，左边“src”为原始图像，右边“dst”为怀旧特效图像。
![[Python图像处理] 二十五.图像特效处理之素描、怀旧、光照、流年以及滤镜特效_第3张图片](https://img.it610.com/image/info8/64f3c3288b8143718dd111e43bd754e0.jpg)
怀旧特效是将图像的RGB三个分量分别按照一定比例进行处理的结果，其怀旧公式如下所示：
Python实现代码主要通过双层循环遍历图像的各像素点，再结合该公式计算各颜色通道的像素值，最终生成如图所示的效果，其完整代码如下。
#coding:utf-8
import
cv2
import
numpy
as
np
#读取原始图像
img
=
cv2
.
imread
(
'nana.png'
)
#获取图像行和列
rows
,
cols
=
img
.
shape
[
:
2
]
#新建目标图像
dst
=
np
.
zeros
(
(
rows
,
cols
,
3
)
,
dtype
=
"uint8"
)
#图像怀旧特效
for
i
in
range
(
rows
)
:
for
j
in
range
(
cols
)
:
B
=
0.272
*
img
[
i
,
j
]
[
2
]
+
0.534
*
img
[
i
,
j
]
[
1
]
+
0.131
*
img
[
i
,
j
]
[
0
]
G
=
0.349
*
img
[
i
,
j
]
[
2
]
+
0.686
*
img
[
i
,
j
]
[
1
]
+
0.168
*
img
[
i
,
j
]
[
0
]
R
=
0.393
*
img
[
i
,
j
]
[
2
]
+
0.769
*
img
[
i
,
j
]
[
1
]
+
0.189
*
img
[
i
,
j
]
[
0
]
if
B
>
255
:
B
=
255
if
G
>
255
:
G
=
255
if
R
>
255
:
R
=
255
dst
[
i
,
j
]
=
np
.
uint8
(
(
B
,
G
,
R
)
)
#显示图像
cv2
.
imshow
(
'src'
,
img
)
cv2
.
imshow
(
'dst'
,
dst
)
cv2
.
waitKey
(
)
cv2
.
destroyAllWindows
(
)
三.图像光照特效
图像光照特效是指图像存在一个类似于灯光的光晕特效，图像像素值围绕光照中心点呈圆形范围内的增强。如下图所示，该图像的中心点为（192，192），光照特效之后中心圆范围内的像素增强了200。
![[Python图像处理] 二十五.图像特效处理之素描、怀旧、光照、流年以及滤镜特效_第4张图片](https://img.it610.com/image/info8/104f42b93eb643fba8c342e74de630eb.jpg)
Python实现代码主要是通过双层循环遍历图像的各像素点，寻找图像的中心点，再通过计算当前点到光照中心的距离（平面坐标系中两点之间的距离），判断该距离与图像中心圆半径的大小关系，中心圆范围内的图像灰度值增强，范围外的图像灰度值保留，并结合边界范围判断生成最终的光照效果。
#coding:utf-8
import
cv2
import
math
import
numpy
as
np
#读取原始图像
img
=
cv2
.
imread
(
'scenery.png'
)
#获取图像行和列
rows
,
cols
=
img
.
shape
[
:
2
]
#设置中心点
centerX
=
rows
/
2
centerY
=
cols
/
2
print
centerX
,
centerY
radius
=
min
(
centerX
,
centerY
)
print
radius
#设置光照强度
strength
=
200
#新建目标图像
dst
=
np
.
zeros
(
(
rows
,
cols
,
3
)
,
dtype
=
"uint8"
)
#图像光照特效
for
i
in
range
(
rows
)
:
for
j
in
range
(
cols
)
:
#计算当前点到光照中心距离(平面坐标系中两点之间的距离)
distance
=
math
.
pow
(
(
centerY
-
j
)
,
2
)
+
math
.
pow
(
(
centerX
-
i
)
,
2
)
#获取原始图像
B
=
img
[
i
,
j
]
[
0
]
G
=
img
[
i
,
j
]
[
1
]
R
=
img
[
i
,
j
]
[
2
]
if
(
distance
<
radius
*
radius
)
:
#按照距离大小计算增强的光照值
result
=
(
int
)
(
strength
*
(
1.0
-
math
.
sqrt
(
distance
)
/
radius
)
)
B
=
img
[
i
,
j
]
[
0
]
+
result
G
=
img
[
i
,
j
]
[
1
]
+
result
R
=
img
[
i
,
j
]
[
2
]
+
result
#判断边界 防止越界
B
=
min
(
255
,
max
(
0
,
B
)
)
G
=
min
(
255
,
max
(
0
,
G
)
)
R
=
min
(
255
,
max
(
0
,
R
)
)
dst
[
i
,
j
]
=
np
.
uint8
(
(
B
,
G
,
R
)
)
else
:
dst
[
i
,
j
]
=
np
.
uint8
(
(
B
,
G
,
R
)
)
#显示图像
cv2
.
imshow
(
'src'
,
img
)
cv2
.
imshow
(
'dst'
,
dst
)
cv2
.
waitKey
(
)
cv2
.
destroyAllWindows
(
)
四.图像流年特效
流年是用来形容如水般流逝的光阴或年华，图像处理中特指将原图像转换为具有时代感或岁月沉淀的特效，其效果如图所示。
![[Python图像处理] 二十五.图像特效处理之素描、怀旧、光照、流年以及滤镜特效_第5张图片](https://img.it610.com/image/info8/fc59bd56b2fa44498b1aa588f536c14f.jpg)
Python实现代码如下，它将原始图像的蓝色（B）通道的像素值开根号，再乘以一个权重参数，产生最终的流年效果。
#coding:utf-8
import
cv2
import
math
import
numpy
as
np
#读取原始图像
img
=
cv2
.
imread
(
'scenery.png'
)
#获取图像行和列
rows
,
cols
=
img
.
shape
[
:
2
]
#新建目标图像
dst
=
np
.
zeros
(
(
rows
,
cols
,
3
)
,
dtype
=
"uint8"
)
#图像流年特效
for
i
in
range
(
rows
)
:
for
j
in
range
(
cols
)
:
#B通道的数值开平方乘以参数12
B
=
math
.
sqrt
(
img
[
i
,
j
]
[
0
]
)
*
12
G
=
img
[
i
,
j
]
[
1
]
R
=
img
[
i
,
j
]
[
2
]
if
B
>
255
:
B
=
255
dst
[
i
,
j
]
=
np
.
uint8
(
(
B
,
G
,
R
)
)
#显示图像
cv2
.
imshow
(
'src'
,
img
)
cv2
.
imshow
(
'dst'
,
dst
)
cv2
.
waitKey
(
)
cv2
.
destroyAllWindows
(
)
五.图像滤镜特效
滤镜主要是用来实现图像的各种特殊效果，它在Photoshop中具有非常神奇的作用。滤镜通常需要同通道、图层等联合使用，才能取得最佳艺术效果。本小节将讲述一种基于颜色查找表（Look up Table）的滤镜处理方法，它通过将每一个原始颜色进行转换之后得到新的颜色。比如，原始图像的某像素点为红色（R-255, G-0, B-0），进行转换之后变为绿色（R-0, G-255, B-0），之后所有是红色的地方都会被自动转换为绿色，而颜色查找表就是将所有的颜色进行一次（矩阵）转换，很多的滤镜功能就是提供了这么一个转换的矩阵，在原始色彩的基础上进行颜色的转换。
假设现在存在一张新的滤镜颜色查找表，如图所示，它是一张512×512大小，包含各像素颜色分布的图像。下面这张图片另存为本地，即可直接用于图像滤镜处理。
![[Python图像处理] 二十五.图像特效处理之素描、怀旧、光照、流年以及滤镜特效_第6张图片](https://img.it610.com/image/info8/cc8beb53068349c2860b7de931b14826.jpg)
滤镜特效实现的Python代码如下所示，它通过自定义getBRG()函数获取颜色查找表中映射的滤镜颜色，再依次循环替换各颜色。
#coding:utf-8
import
cv2
import
numpy
as
np
#获取滤镜颜色
def
getBGR
(
img
,
table
,
i
,
j
)
:
#获取图像颜色
b
,
g
,
r
=
img
[
i
]
[
j
]
#计算标准颜色表中颜色的位置坐标
x
=
int
(
g
/
4
+
int
(
b
/
32
)
*
64
)
y
=
int
(
r
/
4
+
int
(
(
b
%
32
)
/
4
)
*
64
)
#返回滤镜颜色表中对应的颜色
return
lj_map
[
x
]
[
y
]
#读取原始图像
img
=
cv2
.
imread
(
'scenery.png'
)
lj_map
=
cv2
.
imread
(
'table.png'
)
#获取图像行和列
rows
,
cols
=
img
.
shape
[
:
2
]
#新建目标图像
dst
=
np
.
zeros
(
(
rows
,
cols
,
3
)
,
dtype
=
"uint8"
)
#循环设置滤镜颜色
for
i
in
range
(
rows
)
:
for
j
in
range
(
cols
)
:
dst
[
i
]
[
j
]
=
getBGR
(
img
,
lj_map
,
i
,
j
)
#显示图像
cv2
.
imshow
(
'src'
,
img
)
cv2
.
imshow
(
'dst'
,
dst
)
cv2
.
waitKey
(
)
cv2
.
destroyAllWindows
(
)
滤镜特效的运行结果如图所示，其中左边“src”为原始风景图像，右边“dst”为滤镜处理后的图像，其颜色变得更为鲜艳，对比度更强。
![[Python图像处理] 二十五.图像特效处理之素描、怀旧、光照、流年以及滤镜特效_第7张图片](https://img.it610.com/image/info8/0d644baed1a74e8684760ffdc8608c28.jpg)
六.本文小结
本篇文章主要讲解了图像常见的特效处理，从处理效果图、算法原理、代码实现三个步骤进行详细讲解，涉及图像素描特效、怀旧特效、光照特效、流年特效、图像滤镜等，这些知识点将为读者从事Python图像处理相关项目实践或科学研究提供一定基础。
八年，从100万名挤进2万名，再到如今的top300，挺开心的。喜欢的不是那个数字，而是数字背后近三千天得奋斗史，以及分享知识和帮人解惑所带来的快乐，最近总结了安全系列，且看且珍惜，继续敲代码喽~
![[Python图像处理] 二十五.图像特效处理之素描、怀旧、光照、流年以及滤镜特效_第8张图片](https://img.it610.com/image/info8/8d45d2f8c50a42f696216ec4310961be.jpg)
（By：Eastmount 2019-08-14 下午3点写于钟书阁 https://blog.csdn.net/Eastmount )
