有声小说,大主宰txt全集下载

主頁 > 知識庫 > canvas 基礎之圖像處理的使用

canvas 基礎之圖像處理的使用

前些日子，前輩推薦了一個有趣的項目 —— Real-Time-Person-Removal ，這個項目使用了 TensorFlow.js ，以及 canvas 中的圖像處理實現視頻中的人物消失。借此機會，復習下 canvas 基礎中的圖像處理。

基礎 API

canvas 的圖像處理能力通過 ImageData 對象來處理像素數據。主要的 API 如下：

createImageData()：創(chuàng)建一個空白的 ImageData 對象
getImageData()：獲取畫布像素數據，每一個像素點有 4 個值 —— rgba
putImageData()：將像素數據寫入畫布

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

width 是 canvas 畫布的寬或者說 x 軸的像素數量；height 是畫布的高或者說 y 軸的像素數量；data 是畫布的像素數據數組，總長度 w * h * 4，每 4 個值（rgba）代表一個像素。

對圖片的處理

下面，我們通過幾個例子來看下 canvas 基礎的圖片處理能力。

原圖效果：

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

底片/負片效果

算法：將 255 與像素點的 rgb 的差，作為當前值。

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

效果圖：

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);

單色效果

單色效果就是保留當前像素的 rgb 3個值中的一個，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;
}

效果圖：

灰度圖

灰度圖：每個像素只有一個色值的圖像。0 到 255 的色值，顏色由黑變白。

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;

效果圖：

算法2——人眼感知：根據人眼對紅綠藍三色的感知程度：綠 > 紅 > 藍，給定權重劃分

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

效果圖：

除此以外，還有：

取最大值或最小值。

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

取單一通道，即 rgb 3個值中的一個。

二值圖

算法：確定一個色值，比較當前的 rgb 值，大于這個值顯示黑色，否則顯示白色。

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;
}

效果圖：

高斯模糊

高斯模糊是“模糊”算法中的一種，每個像素的值都是周圍相鄰像素值的加權平均。原始像素的值有最大的高斯分布值（有最大的權重），相鄰像素隨著距離原始像素越來越遠，權重也越來越小。

一階公式：

（使用一階公式是因為一階公式的算法比較簡單）

const radius = 5; // 模糊半徑
const weightMatrix = generateWeightMatrix(radius); // 權重矩陣
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 正態(tài)分布的標準偏差
  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); // 歸一處理
}

效果圖：