基于opencv和np.repeat的图像马赛克和人脸检测马赛克（python源码）

文章目录

• • 基于opencv和np.repeat实现的图像马赛克
  • • 包的导入:
    • 原图像读取：
    • 马赛克实现方式1： 原图像 -> resize缩小 -> resize放大还原为原来的尺寸
    • • 效果：
    • 马赛克实现方式2：缩小n倍 -> 行重复n次 -> 列重复n次
    • • 效果：
    • 马赛克实现方式3：每n个像素取一次值-> 用`cv.namedwindow`接收
    • • 效果：
  • 图像的人脸马赛克：
  • • 手标位置实现：
    • • 效果：
    • 级联分类器实现人脸的自动检测：
    • • 效果:

基于opencv和np.repeat实现的图像马赛克 包的导入:

import cv2 as cv
import numpy as np

原图像读取：

img = cv.imread(r'.lena.jpg')
cv.imshow('lena', img)

马赛克实现方式1： 原图像 -> resize缩小 -> resize放大还原为原来的尺寸

img1 = cv.resize(img, (img.shape[0] // 20, img.shape[1] // 20))
img2 = cv.resize(img1, (512, 512))
cv.imshow('Mosaic', img2)
print(img.shape)
cv.waitKey(0)

效果：

马赛克实现方式2：缩小n倍 -> 行重复n次 -> 列重复n次

cv.resize()相当于池化，按图像的宽和高分别隔几个像素取一个值，直到取够期望新图像的宽高。

np.repeat()可以将矩阵元素按行/列，乘以倍数，生成新的矩阵。

例：

[ 1 2 3 4 ] → n p . r e p e a t ( [ 1 2 3 4 ] , 2 , a x i s = 0 ) → [ 1 2 1 2 3 4 3 4 ] → n p . r e p e a t ( [ 1 2 1 2 3 4 3 4 ] , 2 , a x i s = 1 ) → [ 1 1 2 2 1 1 2 2 3 3 4 4 3 3 4 4 ] begin{bmatrix} 1 & 2 \ 3 & 4 end{bmatrix} rightarrow np.repeat(begin{bmatrix} 1 & 2 \ 3 & 4 end{bmatrix},2,axis=0) rightarrow begin{bmatrix} 1 & 2 \ 1 & 2 \3 & 4 \ 3 & 4 end{bmatrix}rightarrow np.repeat(begin{bmatrix} 1 & 2 \ 1 & 2 \3 & 4 \ 3 & 4 end{bmatrix},2,axis=1) rightarrow begin{bmatrix} 1 &1 & 2 & 2\ 1&1 & 2&2 \3 &3& 4&4 \ 3&3 & 4&4 end{bmatrix} [13​24​]→np.repeat([13​24​],2,axis=0)→⎣⎢⎢⎡​1133​2244​⎦⎥⎥⎤​→np.repeat(⎣⎢⎢⎡​1133​2244​⎦⎥⎥⎤​,2,axis=1)→⎣⎢⎢⎡​1133​1133​2244​2244​⎦⎥⎥⎤​

img1 = cv.resize(img,(img.shape[0] // 20, img.shape[1] // 20))
img2 = np.repeat(img1,20,axis=0) # 行重复十次，axis不给值，数据会变成一维
img3 = np.repeat(img2,20,axis=1) # 列重复十次
cv.imshow('mosaic2',img3)
cv.waitKey(0)

效果：

马赛克实现方式3：每n个像素取一次值-> 用cv.namedwindow接收

主要用到数组的切片操作，搁n为几，则搁几个值取数

[ 1 2 3 4 5 6 7 8 1 3 5 7 2 4 6 8 ] [ : : 2 , : : 2 ] → [ 2 4 3 7 ] begin{bmatrix} 1 &2 & 3 & 4\ 5&6 & 7&8 \1 &3& 5&7 \ 2&4 & 6&8 end{bmatrix}begin{bmatrix} ::2,::2end{bmatrix} rightarrow begin{bmatrix} 2 & 4\ 3& 7 end{bmatrix} ⎣⎢⎢⎡​1512​2634​3756​4878​⎦⎥⎥⎤​[::2,::2​]→[23​47​]

cv.resizeWindow()可以更改窗体的大小，将其改为原来的尺寸来接收图像并显示，等同于方式二的实现效果。

本质上，还是先缩小，再原比例放大。

img1 = img[::10, ::10]
cv.namedWindow('mosaic3', flags=cv.WINDOW_NORMAL)
cv.resizeWindow('mosaic3',img.shape[0],img.shape[1])
cv.imshow('mosaic3', img1)
cv.waitKey(0)

效果：

图像的人脸马赛克：

有上面三种马赛克方式，基本已经可以满足我们日常的使用了

人脸马赛克，只需要找到人脸位置，并对人脸roi进行马赛克，再贴回原图的位置就好。

手标位置实现：

我们先简单的用手标记，对图像二维矩阵进行切片，看看效果。

img = cv.imread(r'.lena.jpg')
cv.imshow('lena', img)

face = img[250:380,250:350]
# 使用马赛克方式2来马赛克人脸
face = face[::10,::10]
face = np.repeat(face,10,axis=0)
face = np.repeat(face,10,axis=1)

img[230:380, 250:350] = face # 填充
cv.imshow('lenaFaceMosaic', img)
    
cv.waitKey(0)
cv.destroyAllWindows()

效果：

级联分类器实现人脸的自动检测：

根据级联分类器的xml文件(包含了对人脸所有特征的描述，生成一个人脸检测器)，使用检测器自动找到人脸，并实现马赛克。

级联分类器的原理请移步：级联分类器原理 - wumh7 - 博客园 (cnblogs.com)

import cv2 as cv

img = cv.imread(r'.lena.jpg')
gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
# 人脸特征的详细说明，一万多行
# 级联分类器
face_detector = cv.CascadeClassifier(r".lbpcascade_frontalface_improved.xml")
faces = face_detector.detectMultiScale(gray,
                                       scaleFactor=1.1,
                                       minNeighbors=3)
s = 15
for x, y, w, h in faces:
    face = img[y:y + h, x:x + w][::s, ::s]
    face = np.repeat(face, s, axis=0)
    face = np.repeat(face, s, axis=1)
    face = cv.resize(face, (h, w))
    img[y:y + h, x:x + w] = face
    cv.rectangle(img, (x, y), (x + w, y + h), (100, 255, 200), 2)
    cv.imshow('face_detect_demo', img)
    cv.waitKey(0)
    cv.destroyAllWindows()

效果: