import?cv2?as?cv
import?matplotlib.pyplot?as?plt

img?=?cv.imread('導(dǎo)入圖像的路徑',0)
edges?=?cv.Canny(img,100,200)
plt.subplot(121)
plt.imshow(img,?cmap='gray')
.........
plt.show()

output：

將照片變成素描風(fēng)格

我們最終要實(shí)現(xiàn)的目的在于將照片變成素描風(fēng)格，大致的邏輯在于首先需要將圖片變成灰色圖像然后反轉(zhuǎn)，在反轉(zhuǎn)之后進(jìn)行模糊化處理，代碼如下：

import?cv2
img?=?cv2.imread("導(dǎo)入照片的路徑")

##?將照片灰度化處理
gray_image?=?cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
##?將灰度化的照片反轉(zhuǎn)處理
inverted_gray_image?=?255-gray_image
##?將反轉(zhuǎn)的照片模糊化處理
blurred_inverted_gray_image?=?cv2.GaussianBlur(inverted_gray_image,?(19,19),0)
##?再一次的進(jìn)行反轉(zhuǎn)
inverted_blurred_image?=?255-blurred_inverted_gray_image
###?顏色減淡混合處理
sketck?=?cv2.divide(gray_image,?inverted_blurred_image,scale=?256.0)

cv2.imshow("Original?Image",img)
cv2.imshow("Pencil?Sketch",?sketck)
cv2.waitKey(0)

output：

判斷形狀

現(xiàn)在我們需要來判斷圖片當(dāng)中圖形的輪廓，而識(shí)別輪廓的算法在opencv模塊當(dāng)中是有內(nèi)置的，代碼如下：

import?cv2
import?numpy?as?np
from?matplotlib?import?pyplot?as?plt

#?導(dǎo)入照片
img?=?cv2.imread('3.png')
#?將照片灰度化處理，當(dāng)然要是您的照片已經(jīng)是黑白的，就可以跳過這一步
gray?=?cv2.cvtColor(img,?cv2.COLOR_BGR2GRAY)
#?setting?threshold?of?the?gray?image
_,?threshold?=?cv2.threshold(gray,?127,?255,?cv2.THRESH_BINARY)

#?識(shí)別輪廓的方法
contours,?_?=?cv2.findContours(
????threshold,?cv2.RETR_TREE,?cv2.CHAIN_APPROX_SIMPLE)

i?=?0
for?contour?in?contours:
????#?cv2.approxPloyDP()?function?to?approximate?the?shape
????approx?=?cv2.approxPolyDP(contour,?0.01?*?cv2.arcLength(contour,?True),?True)
????#?找到圖片的中心點(diǎn)
????M?=?cv2.moments(contour)
????if?M['m00']?!=?0.0:
????????x?=?int(M['m10']?/?M['m00'])
????????y?=?int(M['m01']?/?M['m00'])
????#?將輪廓的名字放在各個(gè)圖形的中央
????if?len(approx)?==?3:
????????cv2.putText(img,?'Triangle',?(x,?y),
????????????????????cv2.FONT_HERSHEY_SIMPLEX,?0.6,?(0,?0,?0),?2)
????elif?len(approx)?==?4:
????????.......
????elif?len(approx)?==?5:
????????......
????elif?len(approx)?==?6:
????????......
????else:
????????......

#?將最后的圖形呈現(xiàn)出來
cv2.imshow('shapes',?img)
cv2.waitKey(0)
cv2.destroyAllWindows()

output：