新年福利来一波之Python轻松集齐五福(demo)
(编辑:jimmy 日期: 2024/11/19 浏览:3 次 )
新的一年又要到来了,各个大的公司又在这年末为大家送上了新春的祝福,支付宝还是延续了这几年的传统,在年末为大家送上了集五福的活动,为了大家能更快更好的扫出来大大的“福”,今天就带领大家利用python做一个一“福”转“N”福的小demo。
先看效果图
首先,我们需要拿到一张大大的“福”字图片,然后,我们就可以对于这张图进行操作了。我们今天要实现的就是将一张“福”字转化为五种不同的风格,现为大家呈上效果图。
灰度图
首先为大家展示的是灰度图,灰度图就是将彩色的RGB三通道图像,转化为单通道的灰色图像,RGB三个通道的颜色通过比例系数进行相加。程序如下所示。
def Gray_fu(self): gray_img = cv2.cvtColor(self.ori_img, cv2.COLOR_BGR2GRAY) return gray_img
轮廓图
接下来是轮廓图,轮廓图需要输入一张灰度图像,首先是对图像进行滤波处理,去除噪声,然后针对于灰色的图片中像素突然变化的点来检测边缘,什么是边缘突然变化呢,参考我们的灰度图,灰度图中,“福”字的边缘同背景颜色出现了巨大的差异,这种差异就是寻找边缘轮廓的依据,程序如下图所示。
def Canny_fn(self): img = cv2.cvtColor(self.ori_img, cv2.COLOR_BGR2GRAY) img = cv2.GaussianBlur(img, (3, 3), 0) canny_img = cv2.Canny(img, 50, 150) return canny_img
反色图
对于反色图,理解起来并不难,就是用255减去将原图中的每一个像素值,得到的就是我们的反色图,程序如下:
def invert_fu(self): img = 255 - self.ori_img return img
腐蚀图
对于腐蚀图,因为在我们选取的图像中,红色是背景,黑色才是福字,所以对红色进行膨胀也就是对黑色进行腐蚀。这也是 OpenCV 的内置功能。我们只需要调用opencv中的膨胀函数即可。
def dilate_fu(self): # img = cv2.cvtColor(self.ori_img, cv2.COLOR_BGR2GRAY) kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5)) img = cv2.dilate(self.ori_img, kernel, iterations=1) print(img.shape) return img
福到家
最后是我们的“福到家”,我们只需要将福字进行旋转即可。
def rotate_fu(self): img = cv2.rotate(self.ori_img, 1) return img
完整代码
import cv2 class Change_pic(): def __init__(self, img): self.ori_img = cv2.imread(img) def Gray_fu(self): '''灰度图''' gray_img = cv2.cvtColor(self.ori_img, cv2.COLOR_BGR2GRAY) return gray_img def Canny_fn(self): '''轮廓图''' img = cv2.cvtColor(self.ori_img, cv2.COLOR_BGR2GRAY) img = cv2.GaussianBlur(img, (3, 3), 0) canny_img = cv2.Canny(img, 50, 150) return canny_img def invert_fu(self): '''反色图''' img = 255 - self.ori_img return img def dilate_fu(self): '''腐蚀图''' # img = cv2.cvtColor(self.ori_img, cv2.COLOR_BGR2GRAY) kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5)) img = cv2.dilate(self.ori_img, kernel, iterations=1) print(img.shape) return img def rotate_fu(self): '''福到家''' img = cv2.rotate(self.ori_img, 1) return img
总结
以上所述是小编给大家介绍的新年福利来一波之Python轻松集齐五福,希望对大家有所帮助,如果大家有任何疑问请给我留言,小编会及时回复大家的。在此也非常感谢大家对网站的支持!
如果你觉得本文对你有帮助,欢迎转载,烦请注明出处,谢谢!
下一篇:Tensorflow实现在训练好的模型上进行测试