建筑物转手绘稿（也适用于其他图片）

最新推荐文章于 2024-08-22 11:58:45 发布
原创 最新推荐文章于 2024-08-22 11:58:45 发布 · 3.1k 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#ps #手绘稿 #图片

本文详细介绍了一种使用Photoshop将彩色图片转换成黑白素描效果的方法。具体步骤包括：去色并复制图层，对复制图层进行反向及颜色减淡处理，应用最小值滤镜，并通过调整图层混合选项实现最终效果。

步骤一：打开要处理的图片     


步骤二：在菜单栏选择图像-调整-去色，然后复制图层
步骤三：选择复制的图层，执行图像-调整-反向，设置图像混合模式为颜色减淡，此时图形几乎为白纸
步骤四：执行滤镜-其他-最小值，弹出最小值对话框，设置半径为2像素，单击确定

步骤五：单击图层面板下面的图层样式按钮，执行混合选项命令，弹出图层样式对话框，选中混合颜色带中的灰色，按住alt键，拖动“下一图层”的深色滑块到右边的合适位置，单击确定。此时，图像已经装换为黑白素描效果



controlnet的preprocessor类型
liguandong
05-08 365
Tile 分块绘制的处理方法，原理就是将超大尺寸的图像切割为显卡可以支持的小尺寸图片进行挨个绘制，再将其拼接成完整的大图，虽然绘图时间被拉长，但极大的提升了显卡性能的上限，真正意义上实现了小内存显卡绘制高清大图的操作。canny提取后的线稿类似电脑绘制的硬直线，粗细都是1px大小，而Lineart则是有明显的笔触痕迹线稿，更像是现实的手绘稿。这里面会有一些和softedge重合的算法，其实算法本身都是一样，但是在不同的预处理器中会有一些后处理是不同的，导致最终的预处理图也是又不一样的地方。
AI绘画-Stable Diffusion【线稿转绘】：建筑图片的线稿转绘，制作教程来了（附教程）
2401_85725028的博客
08-12 1372
当我学到一定基础，有自己的理解能力的时候，会去阅读一些前辈整理的书籍或者手写的笔记资料，这些笔记详细记载了他们对一些技术点的理解，这些理解是比较独到，可以学到不一样的思路。：BondyStudio，单色，灰度，虚线，线阴影，精致，干净的白色背景，杰作，最好的质量，精细的细节，8K,UHD，壁纸。观看全面零基础学习视频，看视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。：拱线，素描，透视，单色，灰度，白色背景，杰作，最好的质量，精细的细节，8K,UHD，壁纸。
PS照片转手绘教程
03-12
PS照片转手绘教程，教你把照片转成唯美风格的漫画图片
图像转手绘图
He_YI的博客
04-13 608
import numpy as np from PIL import Image im = Image.open("C:/Users/22905/Desktop/test1.jpg") a = np.array(im.convert('L')).astype('uint8') np.savetxt('C:/Users/22905/Desktop/a.txt', a, fmt = '%d', d...
详细PS转手绘视频教程，手把手
mingyang_wang的博客
09-18 1678
之前的那篇转手绘汇总，很多人看后可能还是觉得无从下手，经过多次寻找，再次找到一个PS转手绘视频教程。这次的教程可以说很详细： 视频链接地址：https://www.bilibili.com/video/av9178142/   ，或者直接在b站搜索转手绘教程。这个视频一共分为五个部分，作者乌鸦讲述了各个部分的转手绘细节。为了检验教程的可行性，我自己全部看了一遍，并且进行了实际操作（我也是PS...
AI绘图实战（七）：室内设计线稿渲染、景观设计手绘稿改动、建筑照片转线稿｜Stable Diffusion成为设计师生产力工具
暂时先用这个名字
04-26 8223
S：AI能取代设计师么？I ：至少在设计行业，目前AI扮演的主要角色还是超级工具，要顶替？除非甲方对设计效果无所畏惧~~stable diffusion就只能小姐姐么？不，今天我们用stable diffusion对三种建筑设计图进行修改。
AI绘画工具 Stable Diffusion【插画转绘】：建筑 | 风景| 人像照片的插画转绘制作教程，照片秒变插画风格图片！
A1353192296的博客
08-22 1588
关于Stable Diffusion 的插画转绘，今天给大家分享一种制作方法。我们先看一下效果图。本期教程我们将使用AI绘画工具Stable Diffusion，关于SD的安装和入门使用可以看看我的往期入门教程：[什么是AI绘画工具Stable Diffusion？如何安装使用？最新版秋枼SD4.9整合包保姆级教程建议收藏！] 如需安装包请看下方扫描免费获取哦
古建筑油漆彩画施工方案.zip
09-03
1. 调研与分析：首先，施工团队需要对古建筑进行深入调研，了解其历史背景、风格特点以及油漆彩画的原有状态，这有助于制定出符合原貌的施工方案。 2. 设计与绘稿：根据调研结果，设计师会绘制出油漆彩画的设计图稿...
数控浮雕加工工艺的设计说明.doc
09-22
ArtCAM包含多个功能模块，如布尔运算、渲染处理和多种加工策略，适用于雕刻、模具制造、珠宝生产等多个领域。 **1.1 ArtCAM的应用范围** ArtCAM不仅能够将平面数据转化为浮雕模型，还可以通过布尔运算创建复杂形状...
免费图纸加密软件
03-20
五秒-CAD图纸文档加密 支持格式：dwg、dxf、dws、dwt、pdf、xls、xlsx、...适用场景3：假设你的图纸需要其他人二次绘制，但是你的底稿被人修改了怎么办？您只要在图纸交给别人之前执行背景化，别人就无法修改你的底稿。
技能竞赛动画制作素材
04-16
高质量的素材可以显著提升作品的视觉效果，同时也能提高制作效率。在提供的素材包中，图片文件可能是各种角色、场景、道具的预览或详细设计，而音频文件可能包括背景音乐、音效和配音。 3. **图片文件**：图片文件...
照片快速生成素描。
02-06
本小工具可以快速将照片，生成一个铅笔素描风格的素描画。
java 图像特效之素描
epleone的专栏
07-28 3440
阅读本系列，请先看前言！谢谢
用java写一些有趣的特效,Java代码赋予图像素描效果[和其他有趣/有趣的效果]
weixin_36275605的博客
02-27 303
I'm creating an application for which I need to convert color images to pencil sketches, for example see this.answer at Implementing Modified Sketch generation in Java gives similar effect but not qui...
java 版 opencv 实现图片素描处理
heshiyuan1406146854的博客
04-13 293
【代码】java 版 opencv 实现图片素描处理。
纯java实现相片转素描
guanshengg的博客
08-15 325
修图可以说是国内技术领先的一大特点了，现在的图片处理技术可以说是非常厉害了，比如老旧照片修复，自动美化，各种滤镜，自动抠图等等，结合高大上的机器学习，功能越强大，感觉对于我这种图像门外汉来说，门槛也响应的越来越高了...
photoshop第四章：图片的处理
wenzhi的博客
02-16 1650
photoshop第四章：图片的处理，这章是对图片的简单处理
python怎么画简单图片-只需 45 秒，Python 给故宫画一组手绘图！
weixin_37988176的博客
11-01 951
作者 | 丁彦军责编 | 屠敏13 日早晨，当北京市民拉开窗帘时发现，窗外雪花纷纷扬扬在空中飘落，而且越下越大，树上、草地、屋顶、道路上，都落满雪花。京城银装素裹，这是今冬以来北京迎来的第二场降雪。一下雪，北京就变成了北平，故宫就变成了紫禁城。八万张门票在雪花飘下来之前，便早已预订一空。看着朋友圈、微博好友都在纷纷晒图，作为程序员的我只能坐在办公室里羡慕不已。不过普通人得去故宫赏雪，程序员可以...
使用Canvas把照片转换成素描画
精彩人生
07-30 2179
一、引子 话说前阵子想把一张照片转换成素描，然后发个微博。结果发现mac上没找到能直接转换素描的软件（PS不算，可要好几步呢），坑爹啊～～google 了下，Web上竟然也是没有直接把照片转换成素描的东西，连让我包含期望的美图秀秀（Web版）竟然都没有素描功能，T_T。 手机上是有很多这类app，但是我只是想一键转换下，发个微博嗟，至于这么折腾么…… 所以自己动手整一个在线版的吧
对比两张图纸的相似度，使用Python语言
最新发布
06-12
<think>嗯，用户想用Python对比两张图纸的相似度，参考了几条关于图像处理的引用文献。用户可能是个工程师或者研究人员，需要做图纸的相似性检测，可能是为了自动化质检或版权保护。从ta明确要求“图纸”而非普通照片来看，场景偏向工业或设计领域。注意到用户引用的资料里提到了PIL库、SIFT算法、边缘检测和GAN等概念，但ta真正需要的其实是相似度比较的解决方案。用户似乎有一定图像处理基础，但可能没做过相似度对比，需要从基础方法到进阶方案的系统指导。之前回复时已经整理了经典特征匹配（如SIFT+FLANN）和深度学习两种主流方案。现在需要强化实用性建议：图纸对比特别关注几何特征，传统算法可能比端到端深度学习更合适；但若涉及风格化图纸（如艺术设计），则用ResNet特征提取可能更准。关键是要提醒用户根据图纸类型选方法：1如果是CAD工程图，建议先二值化处理再用MSE/SSIM2若为手绘草图，用ORB特征匹配更抗变形3深度学习方案更适合带纹理的渲染图需要补充的细节：-PIL库具体如何计算MSE-如何设置FLANN的匹配阈值-提醒安装opencv-contrib-python以获取SIFT专利算法</think> 以下是根据您需求整理的Python图像相似度对比方案，结合图像处理算法和主流库实现，分为传统方法和深度学习方法两种路径： ### 一、传统图像处理方案（适合结构清晰的图纸） ```python import cv2 import numpy as np from skimage.metrics import structural_similarity as ssim def compare_images(img1_path, img2_path): # 读取并预处理 img1 = cv2.imread(img1_path, cv2.IMREAD_GRAYSCALE) img2 = cv2.imread(img2_path, cv2.IMREAD_GRAYSCALE) img1 = cv2.resize(img1, (500, 500)) # 统一尺寸 # 算法1: 结构相似性指数 (SSIM) ssim_score, _ = ssim(img1, img2, full=True) # 算法2: 特征点匹配 sift = cv2.SIFT_create() kp1, des1 = sift.detectAndCompute(img1, None) kp2, des2 = sift.detectAndCompute(img2, None) # FLANN匹配器 index_params = dict(algorithm=1, trees=5) search_params = dict(checks=50) flann = cv2.FlannBasedMatcher(index_params, search_params) matches = flann.knnMatch(des1, des2, k=2) # 计算优质匹配点比例 good_matches = [m for m,n in matches if m.distance < 0.7*n.distance] match_score = len(good_matches) / min(len(kp1), len(kp2)) return {"SSIM": ssim_score, "Feature_Match_Ratio": match_score} # 使用示例 result = compare_images("drawing1.png", "drawing2.png") print(f"相似度评估: SSIM={result['SSIM']:.2%}, 特征点匹配率={result['Feature_Match_Ratio']:.2%}") ``` ### 关键算法解析 1. **SSIM（结构相似性）** 通过亮度、对比度、结构三个维度评估相似度，对图纸的几何结构变化敏感 *公式*: $$SSIM(x,y) = \frac{(2\mu_x\mu_y + C_1)(2\sigma_{xy} + C_2)}{(\mu_x^2 + \mu_y^2 + C_1)(\sigma_x^2 + \sigma_y^2 + C_2)}$$ 2. **SIFT特征匹配**[^2] - 提取旋转/缩放不变的特征点 - 使用FLANN加速匹配过程 - 通过比值过滤（Lowe's ratio test）排除错误匹配 ### 二、深度学习方案（适合复杂图纸） ```python from tensorflow.keras.applications import ResNet50 from tensorflow.keras.preprocessing import image from tensorflow.keras.applications.resnet50 import preprocess_input import numpy as np def deep_compare(img1_path, img2_path): model = ResNet50(weights='imagenet', include_top=False, pooling='avg') def get_features(img_path): img = image.load_img(img_path, target_size=(224, 224)) x = image.img_to_array(img) x = np.expand_dims(x, axis=0) x = preprocess_input(x) return model.predict(x) feat1 = get_features(img1_path) feat2 = get_features(img2_path) # 余弦相似度 cosine_sim = np.dot(feat1, feat2.T) / (np.linalg.norm(feat1) * np.linalg.norm(feat2)) return cosine_sim[0][0] # 使用示例 similarity = deep_compare("drawing1.jpg", "drawing2.jpg") print(f"深度特征余弦相似度: {similarity:.2%}") ``` ### 选择建议 | **方法类型** | **适用场景** | **优势** | **依赖库** | |--------------|-------------------------------|------------------------------|--------------------------| | 传统方法 | CAD图纸/工程图/二值图像 | 无需训练，解释性强 | OpenCV, scikit-image | | 深度方法 | 手绘稿/渲染图/带纹理的图纸 | 对形变和噪声鲁棒性强 | TensorFlow/PyTorch | ### 预处理关键步骤 1. **图像对齐**：使用`cv2.findHomography()`进行透视变换校正 2. **边缘增强**：应用Canny边缘检测强化结构特征[^3] 3. **二值化处理**：对工程图推荐使用大津阈值法 `cv2.threshold(img, 0, 255, cv2.THRESH_OTSU)` > **注意**：图纸对比需特别注意排除颜色干扰，建议先转为灰度图。若比较工程图与手绘草图，推荐使用深度学习方法提取高层特征。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值