1.如何使图像卡通画

我们通常需要执行两个主要步骤将图像转换为卡通图像：边缘检测和区域平滑。
边缘检测的主要目的显然是为了强调图像的边缘，因为卡通图像通常具有良好的边 缘。同时，区域平滑的主要目的是消除颜色边界并减少图像的噪点，使图像像素化程 度降低。
根据不同滤波器，我们可以获得不同的图像卡通化结果。在本文中，将有四个不同的 过滤器：

• 铅笔素描
• 细节增强
• 双边过滤器
• 铅笔边缘
  接下来，我们将展示如何应用每个过滤器，以及从每个过滤器中获得什么样的结果。

2.铅笔素描滤波器

使用“铅笔素描”滤波器，您的图像将被转换为素描，就像使用铅笔绘制图像一样。下 面是使用OpenCV将图像转换为铅笔素描的完整代码。

int main()
{
    cv::Mat img = cv::imread("/Users/xialz/Downloads/7.jpg");
    cv::Mat gray_img;
    cv::cvtColor(img, gray_img, cv::COLOR_BGR2GRAY);

    cv::Mat gauss_img;
    cv::GaussianBlur(gray_img, gauss_img, Size(25,25), 0);

    cv::Mat cartoon;
    cv::divide(gray_img, gauss_img, cartoon, 255);

    cv::imshow("cartoon", cartoon);
    cv::waitKey(0);

    return 0;
}

令人惊讶的是，使用OpenCV，我们只需三行代码就可以将图像转换成铅笔素描状的图 片。现在让我逐行解释一下该图像发生了哪些变化。 在第一行中，我们使用OpenCV的cvtColor()功能将图像从彩色通道转换为灰度通 道。这很简单，处理的结果是我们将图像变成了灰度图。 接下来，我们使用高斯模糊对图像进行模糊处理。模糊灰度图像，实际上是在平滑图 像，减少图像的噪点。另外，模糊也是我们检测图像边缘的必要步骤。
模糊图像，可以使用OpenCV中的GaussianBlur()功能。我在GaussianBlur() 函数中输入的（25，25）是内核的大小。 由于我们使用高斯模糊，因此内核中像素值的分布遵循正态分布。核数越大，标准偏 差将越大，因此模糊效果越强。
最后一步是将原始灰度图像除以模糊后的灰度图像。这样可以得出两个图像中每个像 素之间的变化率。模糊效果越强，每个像素的值相对于其原点的变化就越大，因此， 它使我们的铅笔素描更加清晰
以下是使用铅笔素描过滤器的结果

3. 细节增强滤波器

简而言之，“细节增强”滤镜通过锐化图像，平滑颜色以及增强边缘效果为我们提供了 卡通效果。以下是使用此滤镜将您的图像转换成卡通的完整代码。

int main()
{
    cv::Mat img = cv::imread("/Users/xialz/Downloads/7.jpg");
    cv::Mat gray_img;
    cv::cvtColor(img, gray_img, cv::COLOR_BGR2GRAY);

    cv::Mat median_img;
    cv::medianBlur(gray_img, median_img, 3);

    cv::Mat cartoon, edges, color;
    cv::adaptiveThreshold(median_img, edges, 255, BORDER_REPLICATE, cv::ADAPTIVE_THRESH_MEAN_C, 3,0);

    cv::detailEnhance(img, color, 5, 0.5);

    cv::bitwise_and(color, color, cartoon, edges);

    cv::imshow("cartoon", cartoon);
    cv::waitKey(0);

    return 0;
}

第一步与之前相同，我们需要将图像转换为灰度图像。 接下来，不使用高斯模糊，而是应用中值模糊。为此，我们使用OpenCV中的 medianBlur() 函数。中值模糊通过计算与内核重叠的像素值的中值，然后将其中 心像素替换为中值。但是，我们可以根据需要先使用高斯模糊。 接下来，我们需要检测图像的边缘。为此，将自适应阈值与OpenCV中的 adaptiveThreshold() 函数一起应用。自适应阈值的主要目标是根据内核重叠的 像素的平均值，将图像每个区域中的每个像素值转换为黑色或白色。 以下是自适应阈值对模糊图像的影响的可视化结果。

左：自适应阈值之前—右：自适应阈值之后
为了使图像看起来更清晰，我们可以使用OpenCV中的detailEnhance()函数。我 们需要指定两个参数：
• sigma_s：控制着邻域的大小，该邻域的大小将被加权以替换图像中的像素值。值 越高，邻域越大。这样可以使图像更平滑。
• sigma_r：如果要在平滑图像时保留边缘，这很重要。较小的值只会产生非常相似 的颜色进行平均（即平滑），而相差很大的颜色将保持不变。 最后，我们使用自适应阈值的结果作为掩码。然后，根据蒙版的值合并细节增强的结 果，以创建具有清晰边缘的清晰效果。 以下是“细节增强”过滤器的示例结果。

细节增强过滤器实现示例

4. 双边过滤器

使用双边滤镜的一大优势是，我们可以在保留边缘的同时使图像和颜色平滑。以下是 通过双边过滤将您的图像转换为卡通图像的完整代码。

int main()
{
    cv::Mat img = cv::imread("/Users/xialz/Downloads/7.jpg");
    cv::Mat gray_img;
    cv::cvtColor(img, gray_img, cv::COLOR_BGR2GRAY);

    cv::Mat median_img;
    cv::medianBlur(gray_img, median_img, 3);

    cv::Mat cartoon, edges, color;
    cv::adaptiveThreshold(median_img, edges, 255, BORDER_REPLICATE, cv::ADAPTIVE_THRESH_MEAN_C, 3,0);

    //cv::detailEnhance(img, color, 5, 0.5);

    cv::bilateralFilter(img, color, 15, 20, 10);

    cv::bitwise_and(color, color, cartoon, edges);

    cv::imshow("cartoon", cartoon);
    cv::waitKey(0);

    return 0;
}

如果仔细看，所有步骤都与“细节增强”过滤器中的步骤相似，但是这次不是使用 detailEnhance() 函数，而是使用openCV中的bilateralFilter()函数。
调用此函数时需要传递的参数与detailEnhance()相同，只多一个附加参数，即内 核大小d。首先，我们指定图像源，然后是d，sigma_s和sigma_r值控制平滑效 果，并保持边缘。 以下是使用双边过滤器的结果示例。

5. 铅笔边缘滤波器

铅笔边缘滤镜可创建仅包含重要边缘和白色背景的新图像。要应用此滤波器，下面是 完整的代码。

int main()
{
    cv::Mat img = cv::imread("/Users/xialz/Downloads/7.jpg");
    cv::Mat gray_img;
    cv::cvtColor(img, gray_img, cv::COLOR_BGR2GRAY);

    cv::Mat median_img;
    cv::medianBlur(gray_img, median_img, 3);

    cv::Mat cartoon, edges, edges_inv;

    cv::Laplacian(median_img, edges, -1, 3);

    edges_inv = 255 - edges;

    cv::threshold(edges_inv, cartoon, 150, 255, cv::THRESH_BINARY);

    cv::imshow("edges_inv", edges_inv);
    cv::imshow("cartoon", cartoon);
    cv::waitKey(0);

    return 0;
}

前两个步骤与其他过滤器相同。首先，我们将图像转换为灰度图像。接下来，我们使 用大小为25的内核对图像进行模糊处理。 接下来，我们应用拉普拉斯滤波器来检测边缘。根据内核的大小，拉普拉斯滤波器中 的值可以不同。 Laplacian滤波器的工作是，将通过对象内部的灰度级和图像背景强度来突出对象的边 缘。以下是拉普拉斯滤波器应用结果。

左：拉普拉斯滤波器应用之前—右：拉普拉斯滤波器应用之后
接下来，我们将Laplacian滤波器的结果求反。最后，通过应用openCV中的 threshold()函数，根据指定的阈值将灰度图像转换为全黑或全白。 以下是“铅笔边缘”过滤器的结果示例

来源于：Python视觉实战项目71讲(更新).pdf，将代码由python改成了c++