grafx的专栏

图像处理中，图像亮度调节可能是最简单的算法了，非常常见的线性运算即可完成亮度调节，比如所有像素点亮度值乘或者加一个增强系数，使得图像整体变亮或者变暗。photoshop中是如何实现的不得而知，每个版本可能也不一样。还是说说我的实现方法，其实就是在调节过程中，根据像素点亮度，做非线性调节，即高光、阴影部分调节小一点，中间部分多调节一些，这样亮度调节看着更自然一些。

很多图像处理算法，编写完毕、调试正确后，就是漫长的算法优化。有些算法处理效果很棒，但是运算非常耗时，还是无法集成进产品给用户用。本文介绍的基于多线程和图像分块实现加速运算，只是众多加速方法的一种，比较容易编写和实现。

       用了美颜app，瞬间可以将自己变成脸小、大眼、白肤的女神、男神。那有没有人想看看自己一脸皱纹的样子呢？好奇心大家都应该有，不过没人想变老，虽然这个现实每个人都要面对。app store上有相关应用，曾经在做变老特效时，特意下载几个，当用自己照片体验时，真心做不到从容面对自己变老时的模样。那么变老特效是如何实现的呢？下面简单讲讲我做变老特效时的思路。       1. 面部皱纹纹理...

现在很多图像美颜app，处理后不但使人物皮肤变得平滑、白皙，还会稍微瘦下脸、放大眼睛，给人眼前一亮的感觉。这其中涉及人脸检测及特征点提取算法，一般提取68个特征点就足够了，同时也涉及图像局部变形算法。

简单白平衡算法，核心思想是：在rgb三通道上分别计算直方图，然后将1%的最大值和最小值设置为255和0，其余值映射到(0, 255)区间内，这样使得每个通道的值均匀分布，以实现简单的颜色平衡。

和滤镜一样，美颜也是图像类app必不可少的功能之一，也有的app叫人像美容，主要包括美肤及美白等几大功能。甚至有很多专门美颜的app，比如美颜相机什么的，可见美颜功能需求量之大。很多女孩子自拍必美颜，发朋友圈必美颜，爱美之心人皆有之，每个人都想变成美颜之后的样子。

程序员拿到设计师的滤镜设计稿后，要做的就是编写程序高度还原设计效果。这一点多多少少还是有些挑战，因为ps经过多年发展后，不同版本有些功能效果还不一样，比如最为常见的亮度、对比度调节，算法很简单，但是要做到和ps效果一样，还是要花时间摸索、调试。

基本所有图像美化app都有该特效，有的app叫晕影效果，有的app叫暗角效果，其实就是以图像为中心，提高图像四角的亮度或者降低亮度。为图像四角提高亮度的不多，更多的还是给图像增加暗角效果，以突出图像主体。 尤其是很多lomo滤镜，基本都会加一个暗角。

本文主要是单纯分享代码，具体关于Lab色彩空间是怎么被设计出来的，相互转换公式是什么样的，这里就不做过多介绍了，相关文章很多。工作中用的比较多是yuv空间，Lab空间用的少，实际RGB与Lab转换还是挺复杂的，完全套公式的话，还是挺耗时的，因为中间还涉及到通过XYZ空间中转。

在研究非真实感绘制相关算法时，水彩画算法是第一个开始看的，不过却拖到最后总结。水彩画算法主要涉及的计算环节有：（1）简化细节；（2）边缘抖动；（3）边缘加深；（4）颜料分散；（5）紊流效果；（6）叠加纸张纹理等。

鱼眼镜头拍摄的图像还是挺好玩的，当时做这个特效时，下载了很多应用一一体验，但是发现苹果应用商店或者安卓应用市场上很多鱼眼镜头相关应用，很多都是按照图像变形做的，与真正鱼眼镜头拍摄的效果相差较远。

当初做这个算法时，参考的是相机360中的卡通特效。实际对比发现，有些图片处理后，效果要优于相机360中的效果。

图像漫画特效算法，主要思路可以分两部分，第一，简化图像，即去除图像细节，仅保留图像主要信息，第二，生成合适的边缘线条，最后将两者合成即可，合成其实就是将两者简单一乘即可。

本文实现的铅笔画算法，基于论文《Combining Sketch and Tone for Pencil Drawing Production》算法实现。不过有些细节并没有完全按照论文算法实现，而是根据自己所学，做了一些二次创新。整体效果，接近原文算法，不过对于某些图片处理效果感觉要优于原文。

本文实现的水面倒影特效算法，实际上并没有具体原理或者公式推导，当时是参考网上一篇ps教程——《使用ps制作水面倒影特效 》实现的，即将教程中的步骤，依次程序化，这样就可以实现图像一键水面倒影特效了。

图像增强拉亮方法很多，这个算法也是无意中设计出来的，感觉效果还可以，增强拉亮后的图片看着很自然。并且算法没什么复杂原理，计算逻辑也简单，处理速度很快。

图像去雾的最大挑战是：去雾的同时，能够保持图像不偏色，并且速度要快。本文算法来自《 Optimized contrast enhancement for real-time image and video dehazing》这篇文章，在实际测试中效果还可以。

这个算法还是挺需要编程技巧的，写程序水平也都是随着解决问题难度而无形中提高的。本程序主要改写自下面的C代码，经过二次加工后感觉可读性高了一些。

本文提到的低照度图像增强的算法，这个算法很简单，但是效果尚可。当时在查阅相关资料时，无意中看到一个使用Photoshop拉亮低照度图像的方法，按照教程介绍，自己使用Photoshop操作一遍，觉得效果还可以。对，做图像算法还是要掌握一点Photoshop用法的，因为有时候图像算法就是把Photoshop上面的处理图像步骤程序化一下。

最近做了一点hdr方面的工作，在查找资料过程中，看到这篇文章，虽然在我的算法中没有用到这篇文章提到的相关计算方法，但是觉得这篇文章提到的思路和计算公式以后工作中可能会用到，于是做了转载。原文链接《Tone Mapping》。       Tone Mapping原是摄影学中的一个术语，因为打印相片所能表现的亮度范围不足以表现现实世界中的亮度域，而如果简单的将真实世界的整个亮度域线性压缩

最近在做图像增强时，发现一种简单、有效的低照度图像增强方法，仅用了几次简单的图层混合操作，没有复杂的公式和计算过程，但效果还可以，同时对逆光拍摄的图像，也有较好的增强效果。       如果修改其中一些参数，还可以得到增强更明显的图像，当然，随之噪点也会变得明显，如下图：

前几天在做图像曝光度（Exposure）这个小功能时，找了半天资料都没找到，后来在stackoverflow上翻到了计算方法，方法很简单，实际测试时，发现和photoshop效果还挺接近的。下面是基于opencv的相关代码示例，strength范围可以设置为-2.0到2.0。

最近在分析几个开源图像处理程序时，发现了几种不同的彩色图像转灰度算法，方法都很简单，也非常容易理解，但是效果还是有明显不同。在介绍计算方法前，先要说说亮度（lightness）与照度（luminosity）的区别。亮度（lightness），指的是人在看到光源时，眼睛感觉到的光亮度。照度（luminosity），指的是光源照射到物体上，单位被照射面积上的光通量。

虽然opencv已经自带了人脸、嘴巴、鼻子等分类器，但工作中有时候由于项目需要，还是需要自己训练分类器，最近我做了一下这方面工作，现在把训练分类器的过程写出来，希望对打算做这方面工作的同学有帮助。我主要参考了这篇文章。先介绍下我的工作环境，windows 7 + opencv243，下面是我的工作目录：                                           

前几天在一个技术讨论群里看到有位同学贴了些代码问问题，看了一下代码，虽然没搞明白他的程序问题出在哪，但觉得他的程序在图像遍历时效率较低。在使用OpenCV遍历图像时有好几种方式，这里将自己经常用的遍历方式（指针方式）与那位同学的遍历方式（at方法遍历）做下简单对比，希望能对正在学习OpenCV的同学有帮助。下面的实例代码实际上实现了一个小功能，即图像的反色，反色原理很简单，在一个rgb色彩空间中，

在使用图像处理软件给图像调色时，我们通常会使用色彩平衡或曲线等功能，有时调来调去似乎总是不太满意。有没有一种方便、省事的方法，通过鼠标简单点选，就能将待处理的图片调成自己喜欢的某张图片色调呢？前几天浏览SIGGRAPH 2013会议论文集，发现几篇调色相关文章，但在算法实现步骤上作者似乎讲的不是很详细，实现起来难度较大。在进一步查阅资料过程中，发现了这篇文章《Color Transfer betw

基于比较灰度直方图的方法计算两幅图像相似度误判较多，一个原因上篇博客已经提到，就是直方图自身局限性：仅反映图像像素各灰度值的数量，不能反映图像纹理结构；另一个原因就是在使用该方法时，对于彩色图像，一般都是将其转为灰度图像，然后在计算其灰度直方图，最后再参与运算比较，很明显在彩色转灰度的转换过程中将损失图像颜色信息，所以在计算时存在大量误判。由第一个原因产生的误判很难找到解决方案，除非不用这个方法；

由于项目需要，这两天看了一些图像相似度计算方面的资料，图像相似度计算就是对两幅图片之间内容的相似程度进行打分，根据分数的高低来判断图像内容的相似程度。在查找资料过程中，首先看到的图像相似度计算方法就是直方图比较。该算法计算过程很容易理解，首先对于两幅图像分别计算其直方图，然后根据某种衡量标准进行比较，比较结果即为两幅图像的相似度。贴心的OpenCV已提供了直方图比较的函数，即compareHist

二值化是图像分割的一种方法，即将256个亮度等级的灰度图像通过适当的阈值选取，使得所有小于该阈值的像素置为一个值，所有大于该阈值的像素置为另一个值，最终得到一张非黑即白的二值图像。可见阈值的选择非常重要，不同的阈值，运算后得到的结果图像是完全不同的。对于多张图像，如何选取每一张图像合适的阈值呢？采用主观判定显然不太现实，合理的选择应该是采用一种自适应的阈值计算方法。自适应阈值计算，我主要看了大津法

之所以说基于opencv，由于转换程序用到了一些OpenCV函数（imread()）及数据类型（uchar）。       OpenCV全称：Open Source Computer Vision Library，开源、免费，很好很强大。帮助文档：http://docs.opencv.org/index.html入门教程：http://www.opencv.org.cn/ope