Python OpenCV实现五种经典图像特效：素描、怀旧、光照、流年与滤镜

夏知夏

发布时间：2026-10-14| 5人浏览过

原创

本文详细解析使用Python和OpenCV库实现五种常见图像特效的原理与代码。涵盖素描（灰度、高斯模糊、Canny边缘检测、反二进制阈值化）、怀旧（RGB分量加权混合）、光照（中心点距离计算增强）、流年（B通道开方处理）及基于颜色查找表（LUT）的滤镜转换。提供完整可运行的Python代码示例，帮助开发者快速掌握图像增强与风格化处理技术。

图像素描特效

生成图像素描风格主要包含以下处理流程：

首先调用cv.cvtColor()函数将原始彩色图像转换为灰度图；接着使用cv.GaussianBlur()进行高斯滤波以去除噪点；随后利用Canny算子执行边缘检测；最后通过cv.threshold()进行反二进制阈值化处理，从而合成最终的素描效果。


#coding:utf-8
import cv2 as cv
import numpy as np

#读取原始图像
img = cv.imread('d:/paojie.png')

#图像灰度处理
gray = cv.cvtColor(img,cv.COLOR_BGR2GRAY)

#高斯滤波降噪
gaussian = cv.GaussianBlur(gray, (5,5), 0)
 
#Canny算子
canny = cv.Canny(gaussian, 50, 150)

#阈值化处理
ret, result = cv.threshold(canny, 0, 255, cv.THRESH_BINARY_INV+cv.THRESH_OTSU)

#显示图像
#cv.imshow('src', img)
#cv.imshow('result', result)
cv.imshow('result',np.vstack((gray,result)))
cv.waitKey()
cv.destroyAllWindows()

图像素描特效展示

图像怀旧特效

怀旧风格特效通过对图像RGB三个颜色通道分别应用特定的加权比例进行计算，其核心怀旧公式如下所示：


#coding:utf-8
import cv2 as cv
import numpy as np

#读取原始图像
img = cv.imread('d:/paojie.png')

#获取图像行和列
rows, cols = img.shape[:2]

#新建目标图像
dst = np.zeros((rows, cols, 3), dtype="uint8")

#图像怀旧特效
for i in range(rows):
  for j in range(cols):
    B = 0.272*img[i,j][2] + 0.534*img[i,j][1] + 0.131*img[i,j][0]
    G = 0.349*img[i,j][2] + 0.686*img[i,j][1] + 0.168*img[i,j][0]
    R = 0.393*img[i,j][2] + 0.769*img[i,j][1] + 0.189*img[i,j][0]
    if B>255:
      B = 255
    if G>255:
      G = 255
    if R>255:
      R = 255
    dst[i,j] = np.uint8((B, G, R))
    
#显示图像
cv.imshow('result',np.vstack((img,dst)))
cv.waitKey()
cv.destroyAllWindows()

图像怀旧特效展示

图像光照特效

图像光照特效旨在模拟类似灯光照射的光晕效果，即图像像素值围绕指定的光照中心点，在圆形区域内进行亮度增强。Python实现逻辑主要涉及双层循环遍历图像像素，定位图像中心点，并计算当前像素点到光照中心的距离（基于平面坐标系两点间距离公式）。通过比较该距离与预设图像中心圆半径的大小，对中心圆范围内的像素灰度值进行增强处理，范围外则保留原值，同时结合边界范围判断生成最终的光照视觉效果。


#coding:utf-8
import cv2 as cv
import math
import numpy as np

#读取原始图像
img = cv.imread('d:/paojie.png')

#获取图像行和列
rows, cols = img.shape[:2]

#设置中心点和光照半径
centerX = rows / 2 - 20
centerY = cols / 2 + 20
radius = min(centerX, centerY)

#设置光照强度
strength = 100

#新建目标图像
dst = np.zeros((rows, cols, 3), dtype="uint8")

#图像光照特效
for i in range(rows):
  for j in range(cols):
    #计算当前点到光照中心距离(平面坐标系中两点之间的距离)
    distance = math.pow((centerY-j), 2) + math.pow((centerX-i), 2)
    #获取原始图像
    B = img[i,j][0]
    G = img[i,j][1]
    R = img[i,j][2]
    if (distance < radius * radius):
      #按照距离大小计算增强的光照值
      result = (int)(strength*( 1.0 - math.sqrt(distance) / radius ))
      B = img[i,j][0] + result
      G = img[i,j][1] + result
      R = img[i,j][2] + result
      #判断边界 防止越界
      B = min(255, max(0, B))
      G = min(255, max(0, G))
      R = min(255, max(0, R))
      dst[i,j] = np.uint8((B, G, R))
    else:
      dst[i,j] = np.uint8((B, G, R))
    
#显示图像
cv.imshow('result',np.vstack((img,dst)))
cv.waitKey()
cv.destroyAllWindows()

图像光照特效展示

图像流年特效

“流年”在图像处理中特指将原图转换为带有时代感或岁月沉淀感的视觉效果。Python实现代码逻辑如下：将原始图像的蓝色（B）通道像素值进行开平方运算，再乘以一个权重参数，从而生成最终的流年风格效果。


#coding:utf-8
import cv2 as cv
import math
import numpy as np

#读取原始图像
img = cv.imread('d:/paojie.png')

#获取图像行和列
rows, cols = img.shape[:2]

#新建目标图像
dst = np.zeros((rows, cols, 3), dtype="uint8")

#图像流年特效
for i in range(rows):
  for j in range(cols):
    #B通道的数值开平方乘以参数12
    B = math.sqrt(img[i,j][0]) * 12
    G = img[i,j][1]
    R = img[i,j][2]
    if B>255:
      B = 255
    dst[i,j] = np.uint8((B, G, R))
    
#显示图像
cv.imshow('result',np.vstack((img,dst)))
cv.waitKey()
cv.destroyAllWindows()

图像流年特效展示

图像滤镜特效

滤镜主要用于实现图像的各种特殊艺术效果，在Photoshop等专业软件中应用广泛。为达到最佳艺术效果，滤镜通常需结合通道、图层等机制联合使用。本小节介绍一种基于颜色查找表（Look Up Table, LUT）的滤镜处理方法，其核心机制是将原始颜色通过查找表转换为新颜色。例如，若原始图像某像素为红色（R-255, G-0, B-0），经转换后可能变为绿色（R-0, G-255, B-0），此后所有红色区域均自动转换为绿色。颜色查找表本质上是一个执行颜色转换的矩阵，众多滤镜功能正是通过提供此类转换矩阵，在原始色彩基础上实现颜色映射。假设存在一张新的滤镜颜色查找表（如图所示），其尺寸为512×512像素，包含了各像素颜色的分布信息。将该图片另存为本地文件后，即可直接用于图像滤镜处理。


#coding:utf-8
import cv2 as cv 
import numpy as np

#获取滤镜颜色
def getBGR(img, table, i, j):
  #获取图像颜色
  b, g, r = img[i][j]
  #计算标准颜色表中颜色的位置坐标
  x = int(g/4 + int(b/32) * 63)
  y = int(r/4 + int((b%32) / 4) * 63)
  #返回滤镜颜色表中对应的颜色
  return lj_map[x][y]

#读取原始图像
img = cv.imread('d:/paojie.png')
lj_map = cv.imread('lvjing.png')

#获取图像行和列
rows, cols = img.shape[:2]

#新建目标图像
dst = np.zeros((rows, cols, 3), dtype="uint8")

#循环设置滤镜颜色
for i in range(rows):
  for j in range(cols):
    dst[i][j] = getBGR(img, lj_map, i, j)
    
#显示图像
cv.imshow('result',np.vstack((img,dst)))

cv.waitKey()
cv.destroyAllWindows()