国产乱来╳╳A片视频,国产成人久久久久久,天天射网,成人免费黄色视频网站,在线吴梦梦视频一区二区,爆操嫩逼,五月婷婷俺来也,中文字幕免费观看

點擊上方“AI算法與圖像處理”，選擇加"星標"或“置頂”

重磅干貨，第一時間送達

我們都看過3D電影，他們看起來都很酷，這給了我們一個想法，使用一些工具通過改變看圖像視角，模擬觀眾的頭部移動。

效果如何？
我們都熟悉"視差"這一術語，它是描述對象在左右眼中的位置差距，視差的大小這取決于我們離它有多遠。

視差

因此，如果我們能在2D圖像中獲得與不同圖像層的相同效果，那么我們可以在這些圖像中產生類似的感覺，并產生我們想要的酷效果。

讓我們分解一下這個過程

深度圖

因此，首先，我們需要將圖像分解為不同的圖層，并且，我們需要一個2D圖像的深度圖。深度圖只是一個黑白圖像，其中圖像的白色顯示對象與鏡頭的接近度。獲得基本圖層后，我們需要從每個圖層中畫出缺失的部分。最后，我們將單個圖像分解成不同的圖層。現在，我們可以顯示不同的圖層，這些圖層看起來與原始圖像相同。現在，我們可以使用相機進行人臉檢測，并測量用戶頭部的移動，然后移動這些圖層并進行匹配。

讓我們看看如何編寫此工具的代碼

因此，首先，我們需要導入一些文件，建議使用版本 4.1.0.25 的 OpenCV。

import os, sysimport numpy as npimport pygame as pgimport cv2

現在，我們需要加載圖像和深度圖，并調整它們的大小以匹配大小。現在，我們將提供一個深度圖、代碼，但你可以生成自己的模型MiDaS。

img = cv2.imread('moon.jpg', flags=cv2.CV_8UC4)depth_map = cv2.imread('moon_depth_map.png')depth_map = cv2.cvtColor(depth_map,cv2.COLOR_RGB2GRAY)img = cv2.resize(img, depth_map.shape[:2])

現在，在加載深度貼圖后，我們可以通過按不同閾值對深度貼圖不同圖層創(chuàng)建蒙版。在制作一個圖層時，我們需要兩個蒙版，一個是該圖層，另一個是上一層的第二個蒙版，用于畫上一個圖層的缺失部分。我們將在循環(huán)之外取最后一個圖層，以便提取此層中的所有剩余部分。

   layers = []     prev_thres = 255div=30     for thres in range(255 - div, 0, -div):           ret, mask = cv2.threshold(depth_map, thres, 255,          cv2.THRESH_BINARY)           ret, prev_mask = cv2.threshold(depth_map, prev_thres, 255, cv2.THRESH_BINARY)            prev_thres = thres           inpaint_img = cv2.inpaint(img, prev_mask, 10, cv2.INPAINT_NS)   layer = cv2.bitwise_and(inpaint_img, inpaint_img, mask = mask)    layers.append(conv_cv_alpha(layer, mask))      # adding last layer    mask = np.zeros(depth_map.shape, np.uint8)    mask[:,:] = 255    ret, prev_mask = cv2.threshold(depth_map, prev_thres, 255, cv2.THRESH_BINARY)     inpaint_img = cv2.inpaint(img, prev_mask, 10, cv2.INPAINT_NS)    layer = cv2.bitwise_and(inpaint_img, inpaint_img, mask = mask)layers.append(conv_cv_alpha(layer, mask))     layers = layers[::-1]

我們已經反轉了圖層，因此我們可以按最后一個層排列到第一層的順序排列它們。當我們將圖層添加到列表中時，我們使用的是函數[conv_cv_alpha]，這將添加 alpha 值（使 RGB 到 RGBA），并使用蒙版使圖層的某些部分透明。

def conv_cv_alpha(cv_image, mask):        b, g, r = cv2.split(cv_image)        rgba = [r, g, b, mask]        cv_image = cv2.merge(rgba,4)                  return cv_image

現在來了人臉檢測和顯示圖像的部分。對于人臉檢測，我們將使用哈卡卡德。現在，我們將加載 haar 級聯進行人臉檢測，并創(chuàng)建一個函數，該函數將從圖像中返回人臉。

face_cascade = cv2.CascadeClassifier( 'haarcascade_frontalface_default.xml')   
def get_face_rect(img):        gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)        face_rects = face_cascade.detectMultiScale(gray_img, 1.3, 5)    if len(face_rects) == 0:                 return ()    return face_rects[0]

現在，我們必須顯示圖像，將根據用戶的頭移動。我們將使用OpenCV讀取凸輪，然后使用 Pygame將每個幀呈現在彼此的頂部。為了計算每一層的移位，我們將計算從框架中心的頭部移位，然后縮小頭移位以獲得一個小的移位值。之后，我們將每個圖層的索引值相乘，以獲得相應圖層的移位值，還可以乘以一些常量值，以獲得更好的結果。

我們將創(chuàng)建一個比原始圖像稍小的 Pygame 窗口并加載相機。我們使用了比例，因此您更改其值以使最終結果變大。

scale = 1off_set = 20width, height = layers[0].get_width(), layers[0].get_height()        win = pg.display.set_mode((int((width - off_set)*scale), int((height - off_set)*scale)))    pg.display.set_caption('Parallax_image')scaled_layers = []    for layer in layers:              scaled_layers.append(pg.transform.scale(layer, (int(width*scale), int(height*scale))))cap = cv2.VideoCapture(0, cv2.CAP_DSHOW)

我們將設置一些常量。你可以玩這些常量來獲得不同的結果。

x_transform = True     # allow shift in x-axisy_transform = False    # allow shift in y-axissens = 50              # the amount of scale down of shift valueshow_cam = False       # show your face camshift_x = 0    shift_y = 0    run = True

最后，主循環(huán)渲染所有圖層。

while run:    for event in pg.event.get():        if event.type==pg.QUIT:            run = False    ret, frame = cap.read()    frame = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)    initial_pos = (frame.shape[0]/2, frame.shape[1]/2)    face_rect = get_face_rect(frame)    if len(face_rect) != 0:        x,y,w,h, = face_rect        face_rect_frame = cv2.rectangle(frame, (x, y), (x + w, y + h), (255,255,0), 3)        shift_x = (initial_pos[0] - (x + w/2))/(sens*scale)        shift_y = (initial_pos[1] - (y + h/2))/(sens*scale)    win.fill((255, 255, 255))                     for i, layer in enumerate(scaled_layers):        new_x = -off_set/2        new_y = -off_set/2        if x_transform:            new_x = 0 + shift_x*i        if y_transform:            new_y = 0 + shift_y*i        win.blit(layer, (new_x, new_y))            face_rect_frame = cv2.resize(face_rect_frame, (100, 100))   if show_cam:       win.blit(conv_cv_pygame(face_rect_frame), (0, 0))   pg.display.update()cap.release()cv2.destroyAllWindows()pg.quit()

就是這里，最終結果。

最終結果

不同圖像的演示

我已經創(chuàng)建了一個更高級版本的這個工具，你可以只選擇圖像，它會自動創(chuàng)建視差圖像，深度地圖將自動生成。

代碼鏈接：https://github.com/strikeraryu/Parallax_Image



個人微信（如果沒有備注不拉群！）
請注明：地區(qū)+學校/企業(yè)+研究方向+昵稱

下載1：何愷明頂會分享

在「AI算法與圖像處理」公眾號后臺回復：何愷明，即可下載。總共有6份PDF，涉及 ResNet、Mask RCNN等經典工作的總結分析

下載2：終身受益的編程指南：Google編程風格指南

在「AI算法與圖像處理」公眾號后臺回復：c++，即可下載。歷經十年考驗，最權威的編程規(guī)范！

下載3 CVPR2020

在「AI算法與圖像處理」公眾號后臺回復：CVPR2020，即可下載1467篇CVPR?2020論文

覺得不錯就點亮在看吧

利用OpenCV建立視差圖像