网页制作 
首页 > 网页制作 > 浏览文章

canvas 基础之图像处理的使用

(编辑:jimmy 日期: 2024/11/2 浏览:3 次 )

前些日子,前辈推荐了一个有趣的项目 —— Real-Time-Person-Removal ,这个项目使用了 TensorFlow.js ,以及 canvas 中的图像处理实现视频中的人物消失。借此机会,复习下 canvas 基础中的图像处理。

基础 API

canvas 的图像处理能力通过 ImageData 对象来处理像素数据。主要的 API 如下:

  • createImageData():创建一个空白的 ImageData 对象
  • getImageData():获取画布像素数据,每一个像素点有 4 个值 —— rgba
  • putImageData():将像素数据写入画布

 

imageData = {
  width: Number,
  height: Number,
  data: Uint8ClampedArray
}

width 是 canvas 画布的宽或者说 x 轴的像素数量;height 是画布的高或者说 y 轴的像素数量;data 是画布的像素数据数组,总长度 w * h * 4,每 4 个值(rgba)代表一个像素。

对图片的处理

下面,我们通过几个例子来看下 canvas 基础的图片处理能力。

原图效果:

canvas 基础之图像处理的使用

const cvs = document.getElementById("canvas");
const ctx = cvs.getContext("2d");
const img = new Image();
img.src="图片 URL";
img.onload = function () {
  ctx.drawImage(img, 0, 0, w, h);
}

底片/负片效果

算法:将 255 与像素点的 rgb 的差,作为当前值。

function negative(x) {
  let y = 255 - x;
  return y;
}

效果图:

canvas 基础之图像处理的使用

const imageData =  ctx.getImageData(0, 0, w, h);
const { data } = imageData;
let l = data.length;
for(let i = 0; i < l; i+=4) {
  const r = data[i];
  const g = data[i + 1];
  const b = data[i + 2];
  data[i] = negative(r);
  data[i + 1] = negative(g);
  data[i + 2] = negative(b);
}
ctx.putImageData(imageData, 0, 0);

单色效果

单色效果就是保留当前像素的 rgb 3个值中的一个,去除其他色值。

for(let i = 0; i < l; i+=4) { // 去除了 r 、g 的值
  data[i] = 0;
  data[i + 1] = 0;
}

效果图:

canvas 基础之图像处理的使用 

灰度图

灰度图:每个像素只有一个色值的图像。0 到 255 的色值,颜色由黑变白。

for(let i = 0; i < l; i+=4) {
  const r = data[i];
  const g = data[i + 1];
  const b = data[i + 2];
  const gray = grayFn(r, g, b);
  data[i] = gray;
  data[i + 1] = gray;
  data[i + 2] = gray;
}

算法1——平均法:

const gray = (r + g + b) / 3;

效果图:

canvas 基础之图像处理的使用 

算法2——人眼感知:根据人眼对红绿蓝三色的感知程度:绿 > 红 > 蓝,给定权重划分

const gray = r * 0.3 + g * 0.59 + b * 0.11

效果图:

canvas 基础之图像处理的使用

除此以外,还有:

取最大值或最小值。

const grayMax = Math.max(r, g, b); // 值偏大,较亮
const grayMin = Math.min(r, g, b); // 值偏小,较暗

取单一通道,即 rgb 3个值中的一个。

 二值图

算法:确定一个色值,比较当前的 rgb 值,大于这个值显示黑色,否则显示白色。

for(let i = 0; i < l; i+=4) {
  const r = data[i];
  const g = data[i + 1];
  const b = data[i + 2];
  const gray = gray1(r, g, b);
  const binary = gray > 126 ? 255 : 0;
  data[i] = binary;
  data[i + 1] = binary;
  data[i + 2] = binary;
}

效果图:

canvas 基础之图像处理的使用 

高斯模糊

高斯模糊是“模糊”算法中的一种,每个像素的值都是周围相邻像素值的加权平均。原始像素的值有最大的高斯分布值(有最大的权重),相邻像素随着距离原始像素越来越远,权重也越来越小。

一阶公式:

canvas 基础之图像处理的使用

(使用一阶公式是因为一阶公式的算法比较简单)

const radius = 5; // 模糊半径
const weightMatrix = generateWeightMatrix(radius); // 权重矩阵
for(let y = 0; y < h; y++) {
  for(let x = 0; x < w; x++) {
    let [r, g, b] = [0, 0, 0];
    let sum = 0;
    let k = (y * w + x) * 4;
    for(let i = -radius; i <= radius; i++) {
      let x1 = x + i;
      if(x1 >= 0 && x1 < w) {
      let j = (y * w + x1) * 4;
      r += data[j] * weightMatrix[i + radius];
      g += data[j + 1] * weightMatrix[i + radius];
      b += data[j + 2] * weightMatrix[i + radius];
      sum += weightMatrix[i + radius];
      }
    }
    data[k] = r / sum;
    data[k + 1] = g / sum;
    data[k + 2] = b / sum;
  }
}
for(let x = 0; x < w; x++) {
  for(let y = 0; y < h; y++) {
    let [r, g, b] = [0, 0, 0];
    let sum = 0;
    let k = (y * w + x) * 4;
    for(let i = -radius; i <= radius; i++) {
      let y1 = y + i;
      if(y1 >= 0 && y1 < h) {
        let j = (y1 * w + x) * 4;
        r += data[j] * weightMatrix[i + radius];
        g += data[j + 1] * weightMatrix[i + radius];
        b += data[j + 2] * weightMatrix[i + radius];
        sum += weightMatrix[i + radius];
      }
    }
    data[k] = r / sum;
    data[k + 1] = g / sum;
    data[k + 2] = b / sum;
  }
}
function generateWeightMatrix(radius = 1, sigma) { // sigma 正态分布的标准偏差
  const a = 1 / (Math.sqrt(2 * Math.PI) * sigma);
  const b = - 1 / (2 * Math.pow(sigma, 2));
  let weight, weightSum = 0, weightMatrix = [];
  for (let i = -radius; i <= radius; i++){
    weight = a * Math.exp(b * Math.pow(i, 2));
    weightMatrix.push(weight);
    weightSum += weight;
  }
  return weightMatrix.map(item => item / weightSum); // 归一处理
}

效果图:

canvas 基础之图像处理的使用 

其他效果

这里再简单介绍下其他的图像效果处理,因为例子简单重复,所以不再给出代码和效果图。

  • 亮度调整:将 rgb 值,分别加上一个给定值。
  • 透明化处理:改变 rgba 值中的 a 值。
  • 对比度增强:将 rgb 值分别乘以 2,然后再减去一个给定值。

总结

好了,上面就是一些基础的图像处理算法。

参考资料

高斯模糊的算法
高斯模糊

上一篇:HTML5手指下滑弹出负一屏阻止移动端浏览器内置下拉刷新功能的实现代码
下一篇:用canvas显示验证码的实现
一句话新闻
微软与英特尔等合作伙伴联合定义“AI PC”:键盘需配有Copilot物理按键
几个月来,英特尔、微软、AMD和其它厂商都在共同推动“AI PC”的想法,朝着更多的AI功能迈进。在近日,英特尔在台北举行的开发者活动中,也宣布了关于AI PC加速计划、新的PC开发者计划和独立硬件供应商计划。
在此次发布会上,英特尔还发布了全新的全新的酷睿Ultra Meteor Lake NUC开发套件,以及联合微软等合作伙伴联合定义“AI PC”的定义标准。
友情链接:杰晶网络 DDR爱好者之家 南强小屋 黑松山资源网 白云城资源网 SiteMap