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(xiàn)視頻中的人物消失。借此機會，復(fù)習(xí)下 canvas 基礎(chǔ)中的圖像處理。
基礎(chǔ) API
canvas 的圖像處理能力通過 ImageData 對象來處理像素數(shù)據(jù)。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(shù)據(jù)，每一個像素點有 4 個值 —— rgba
- putImageData()：將像素數(shù)據(jù)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(shù)量；height 是畫布的高或者說 y 軸的像素數(shù)量；data 是畫布的像素數(shù)據(jù)數(shù)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(chǔ)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(fù)片效果
算法：將 255 與像素點的 rgb 的差，作為當(dāng)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(dāng)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(jù)人眼對紅綠藍(lán)三色的感知程度：綠 > 紅 > 藍(lán)，給定權(quán)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(dāng)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(quán)平均。原始像素的值有最大的高斯分布值（有最大的權(quán)重），相鄰像素隨著距離原始像素越來越遠(yuǎn)，權(quán)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(quán)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(biāo)準(zhǔn)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：
其他效果
這里再簡單介紹下其他的圖像效果處理，因為例子簡單重復(fù)，所以不再給出代碼和效果圖。
- 亮度調(diào)整：將 rgb 值，分別加上一個給定值。
- 透明化處理：改變 rgba 值中的 a 值。
- 對比度增強：將 rgb 值分別乘以 2，然后再減去一個給定值。
總結(jié)
好了，上面就是一些基礎(chǔ)的圖像處理算法。
參考資料
高斯模糊的算法
高斯模糊
到此這篇關(guān)于canvas 基礎(chǔ)之圖像處理的使用的文章就介紹到這了,更多相關(guān)canvas 圖像處理內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持腳本之家！
