［实战］四行代码教你把彩色图片转成素描图

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 cv2img_rgb = cv2.imread('example.jpg')img_gray = cv2.cvtColor(img_rgb, cv2.COLOR_BGR2GRAY)复制代码

图片转换效果如下所示：

图片转灰度图

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)复制代码

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复制代码

结果如下所示：

灰度图反色

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)复制代码

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。

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])))复制代码

通过 python 代码实现上述公式，那么原始代码如下所示：

import cv2import numpy as npdef 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复制代码

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)复制代码

运行上述代码，得到的最终结果如下所示：

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。

而另一种技术---暗化操作的代码如下所示：

def burnV2(image, mask):    return 255 - cv2.divide(255 - image, 255 - mask, scale=256)复制代码

效果如下图所示：

burning

完整版代码如下所示：

import cv2import numpy as npdef 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 blenddef 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)复制代码

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)复制代码

最后用本人比较喜欢的一个女演员的照片来看看这个转换的效果：

效果还是挺不错的！

以上就是本文的主要内容和总结，因为我还没有开通留言功能，所以欢迎关注我的微信公众号--一个算法汪的技术成长之路或者扫描下方的二维码，和我分享你的建议和看法，指正文章中可能存在的错误，大家一起交流，学习和进步！

如果你觉得我写得还不错，可以给我点个赞！