说明 【跟月影学可视化】学习笔记。 如何理解像素化？ 像素化 所谓像素化，就是把一个图像看成是由一组像素点组合而成的。每个像素点负责……
说明
【跟月影学可视化】学习笔记。
如何理解像素化？
像素化
所谓像素化，就是把一个图像看成是由一组像素点组合而成的。每个像素点负责描述图像上的一个点，并且带有这个点的基本绘图信息。
像素点是怎么存储的？
Canvas2D 以 4 个通道来存放每个像素点的颜色信息，每个通道是 8 个比特位，也就是 0~255 的十进制数值，4 个通道对应 RGBA 颜色的四个值。
应用一：实现灰度化图片
什么是灰度化？
灰度化，在RGB模型中，如果R=G=B时，则彩色表示一种灰度颜色，其中R=G=B的值叫灰度值，因此，灰度图像每个像素只需一个字节存放灰度值（又称强度值、亮度值），灰度范围为0-255。
灰度化图片：简单来说就是将一张彩色图片变为灰白色图片。
灰度化的原理
实现思路：先将该图片的每个像素点的 R、G、B 通道的值进行加权平均，然后将这个值作为每个像素点新的 R、G、B 通道值，具体公式如下：
其中 R、G、B 是原图片中的 R、G、B 通道的色值，V 是加权平均色值，a、b、c 是加权系数，满足 (a + b + c) = 1。
用加权平均的计算公式来替换图片的 RGBA 的值。这本质上其实是利用线性方程组改变了图片中每一个像素的 RGB 通道的原色值，将每个通道的色值映射为一个新色值。
灰度化图片的过程
加载图片绘制图片到canvas获取 imageData 信息循环处理每个像素的颜色信息最后写入canvas
我们先去找一张图片，等下实现灰度化图片例子需要：https://unsplash.com/photos/QRBuN0wNm-8
我们先了解一下图片的像素信息，图片的全部像素信息会以类型数组（Uint8ClampedArray）的形式保存在 ImageData 对象的 data 属性里，而类型数组的每 4 个元素组成一个像素的信息，这四个元素依次表示该像素的 RGBA 四通道的值，所以它的数据结构如下：
data[0] // 第1行第1列的红色通道值
data[1] // 第1行第1列的绿色通道值
data[2] // 第1行第1列的蓝色通道值
data[3] // 第1行第1列的Alpha通道值
data[4] // 第1行第2列的红色通道值
data[5] // 第1行第2列的绿色通道值
...
代码实现：
抽离的逻辑：/common/lib/util.js
// 异步加载图片
export function loadImage(src) {
const img = new Image();
img.crossOrigin = "anonymous";
return new Promise((resolve) => {
img.onload = () => {
resolve(img);
};
img.src = src;
});
}
const imageDataContext = new WeakMap();
// 获得图片的 imageData 数据
export function getImageData(img, rect = [0, 0, img.width, img.height]) {
let context;
if (imageDataContext.has(img)) {
context = imageDataContext.get(img)
} else {
// OffscreenCanvas 提供了一个可以脱离屏幕渲染的 canvas 对象。它在窗口环境和web worker环境均有效。
const canvas = new OffscreenCanvas(img.width, img.height);
context = canvas.getContext("2d");
context.drawImage(img, 0, 0);
imageDataContext.set(img, context);
}
console.log("imageDataContext---->", imageDataContext);
// CanvasRenderingContext2D.getImageData() 返回一个ImageData对象，用来描述 canvas 区域隐含的像素数据
return context.getImageData(...rect);
}
// 循环遍历 imageData 数据
export function traverse(imageData, pass) {
const { width, height, data } = imageData;
// width * height * 4：图片一共是width * height 个像素点，每个像素点有 4 个通道
for (let i = 0; i < width * height * 4; i += 4) {
// 除以 255 为了做归一化，接受的是0～1的值，方便矩阵运算
const [r, g, b, a] = pass({
r: data[i] / 255,
g: data[i + 1] / 255,
b: data[i + 2] / 255,
a: data[i + 3] / 255,
index: i,
width,
height,
x: ((i / 4) % width) / width,
y: Math.floor(i / 4 / width) / height,
});
data.set(
[r, g, b, a].map((v) => Math.round(v * 255)),
i
);
}
return imageData;
}
应用二：使用像素矩阵通用地改变像素颜色
创建一个 4*5 颜色矩阵，让它的第一行决定红色通道，第二行决定绿色通道，第三行决定蓝色通道，第四行决定 Alpha 通道。
如果要改变一个像素的颜色效果，只需要将该矩阵与像素的颜色向量相乘即可。通常把返回颜色矩阵的函数，一般称为颜色滤镜函数。
灰度化 grayscale 函数
人的视觉对 R、G、B 三色通道的敏感度是不一样的，对绿色敏感度高，所以加权值高，对蓝色敏感度低，所以加权值低。
// 参数 p，它是一个 0~1 的值，表示灰度化的程度，1 是完全灰度化，0 是完全不灰度(原始色彩)。
function grayscale(p = 1) {
const r = 0.2126 * p;
const g = 0.7152 * p;
const b = 0.0722 * p;
return [
r + 1 - p, g, b, 0, 0,
r, g + 1 - p, b, 0, 0,
r, g, b + 1 - p, 0, 0,
0, 0, 0, 1, 0,
];
}
过滤或增强某个颜色通道 channel 函数
function channel({r = 1, g = 1, b = 1}) {
return[
r, 0,0, 0, 0,
0, g, 0, 0, 0,
0, 0, b, 0, 0,
0, 0, 0, 1, 0,
];
}
亮度（Brightness）函数
// 改变亮度，p = 0 全暗，p > 0 且 p < 1 调暗，p = 1 原色， p > 1 调亮
function brightness(p) {
return [
p, 0, 0, 0, 0,
0, p, 0, 0, 0,
0, 0, p, 0, 0,
0, 0, 0, 1, 0,
];
}
饱和度（Saturate）函数
// 饱和度，与grayscale正好相反 p = 0 完全灰度化，p = 1 原色，p > 1 增强饱和度
function saturate(p) {
const r = 0.212 * (1 - p);
const g = 0.714 * (1 - p);
const b = 0.074 * (1 - p);
return [
r + p, g, b, 0, 0,
r, g + p, b, 0, 0,
r, g, b + p, 0, 0,
0, 0, 0, 1, 0,
];
}
对比度（Constrast）函数
// 对比度, p = 1 原色， p < 1 减弱对比度，p > 1 增强对比度
function contrast(p) {
const d = 0.5 * (1 - p);
return [
p, 0, 0, 0, d,
0, p, 0, 0, d,
0, 0, p, 0, d,
0, 0, 0, 1, 0,
];
}
透明度（Opacity）函数
// 透明度，p = 0 全透明，p = 1 原色
function opacity(p) {
return [
1, 0, 0, 0, 0,
0, 1, 0, 0, 0,
0, 0, 1, 0, 0,
0, 0, 0, p, 0,
];
}
反色（Invert）函数
// 反色， p = 0 原色， p = 1 完全反色
function invert(p) {
const d = 1 - 2 * p;
return [
d, 0, 0, 0, p,
0, d, 0, 0, p,
0, 0, d, 0, p,
0, 0, 0, 1, 0,
];
}
旋转色相（HueRotate）函数
// 色相旋转，将色调沿极坐标转过deg角度
export function hueRotate(deg) {
const rotation = deg / 180 * Math.PI;
const cos = Math.cos(rotation),
sin = Math.sin(rotation),
lumR = 0.213,
lumG = 0.715,
lumB = 0.072;
return [
lumR + cos * (1 - lumR) + sin * (-lumR), lumG + cos * (-lumG) + sin * (-lumG), lumB + cos * (-lumB) + sin * (1 - lumB), 0, 0,
lumR + cos * (-lumR) + sin * (0.143), lumG + cos * (1 - lumG) + sin * (0.140), lumB + cos * (-lumB) + sin * (-0.283), 0, 0,
lumR + cos * (-lumR) + sin * (-(1 - lumR)), lumG + cos * (-lumG) + sin * (lumG), lumB + cos * (1 - lumB) + sin * (lumB), 0, 0,
0, 0, 0, 1, 0,
];
}
实战：让一张图片变得有“阳光感”
我们使用叠加 channel 函数中的红色通道、brightness 函数和 saturate 函数来实现。
应用三：使用高斯模糊对照片美颜
可视化里为了突出呈现的内容，通常会使用颜色滤镜来增强视觉呈现的细节，而用一种相对复杂的滤镜来模糊背景，这个复杂滤镜就叫做高斯模糊（Gaussian Blur）。高斯模糊是一个非常重要的平滑效果滤镜（Blur Filters）。
高斯模糊的原理与颜色滤镜不同，高斯模糊不是单纯根据颜色矩阵计算当前像素点的颜色值，而是会按照高斯分布的权重，对当前像素点及其周围像素点的颜色按照高斯分布的权重加权平均。具体的可以看文章的拓展部分。
二维高斯函数
计算式：
const a = 1 / (Math.sqrt(2 * Math.PI) * sigma);
const b = -1 / (2 * sigma ** 2);
const g = a * Math.exp(b * x ** 2);
高斯分布矩阵
这个矩阵的作用是按照高斯函数提供平滑过程中参与计算的像素点的加权平均权重。
function gaussianMatrix(radius, sigma = radius / 3) {
const a = 1 / (Math.sqrt(2 * Math.PI) * sigma);
const b = -1 / (2 * sigma ** 2);
let sum = 0;
const matrix = [];
for(let x = -radius; x <= radius; x++) {
const g = a * Math.exp(b * x ** 2);
matrix.push(g);
sum += g;
}
for(let i = 0, len = matrix.length; i < len; i++) {
matrix[i] /= sum;
}
return {matrix, sum};
}
高斯模糊函数
/**
* 高斯模糊
* @param {Array} pixes pix array
* @param {Number} width 图片的宽度
* @param {Number} height 图片的高度
* @param {Number} radius 取样区域半径, 正数, 可选, 默认为 3.0
* @param {Number} sigma 标准方差, 可选, 默认取值为 radius / 3
* @return {Array}
*/
export function gaussianBlur(pixels, width, height, radius = 3, sigma = radius / 3) {
const { matrix, sum } = gaussianMatrix(radius, sigma);
// x 方向一维高斯运算
for (let y = 0; y < height; y++) {
for (let x = 0; x < width; x++) {
let r = 0,
g = 0,
b = 0;
for (let j = -radius; j <= radius; j++) {
const k = x + j;
if (k >= 0 && k < width) {
const i = (y * width + k) * 4;
r += pixels[i] * matrix[j + radius];
g += pixels[i + 1] * matrix[j + radius];
b += pixels[i + 2] * matrix[j + radius];
}
}
const i = (y * width + x) * 4;
// 除以 sum 是为了消除处于边缘的像素, 高斯运算不足的问题
pixels[i] = r / sum;
pixels[i + 1] = g / sum;
pixels[i + 2] = b / sum;
}
}
// y 方向一维高斯运算
for (let x = 0; x < width; x++) {
for (let y = 0; y < height; y++) {
let r = 0,
g = 0,
b = 0;
for (let j = -radius; j <= radius; j++) {
const k = y + j;
if (k >= 0 && k < height) {
const i = (k * width + x) * 4;
r += pixels[i] * matrix[j + radius];
g += pixels[i + 1] * matrix[j + radius];
b += pixels[i + 2] * matrix[j + radius];
}
}
const i = (y * width + x) * 4;
pixels[i] = r / sum;
pixels[i + 1] = g / sum;
pixels[i + 2] = b / sum;
}
}
return pixels;
}
例子：使用高斯模糊函数处理图片
src="https://images.unsplash.com/photo-1666552982368-dd0e2bb96993?ixlib=rb-4.0.3&ixid=MnwxMjA3fDB8MHxwaG90by1wYWdlfHx8fGVufDB8fHx8&auto=format&fit=crop&w=2070&q=80" alt="" /> 可以明显的右边是用了高斯模糊的 像素化与 CSS 滤镜 如果只是按照某些特定规则改变一个图像上的所有像素，浏览器提供了更简便的方法：CSS滤镜。 CSS 滤镜Canvas 滤镜
src="https://images.unsplash.com/photo-1666552982368-dd0e2bb96993?ixlib=rb-4.0.3&ixid=MnwxMjA3fDB8MHxwaG90by1wYWdlfHx8fGVufDB8fHx8&auto=format&fit=crop&w=2070&q=80" style="filter:grayscale(100%)" > src="https://images.unsplash.com/photo-1666552982368-dd0e2bb96993?ixlib=rb-4.0.3&ixid=MnwxMjA3fDB8MHxwaG90by1wYWdlfHx8fGVufDB8fHx8&auto=format&fit=crop&w=2070&q=80" style="filter:blur(1.5px) grayscale(0.5) saturate(1.2) contrast(1.1) brightness(1.2)" > 相比起来CSS 滤镜和 Canvas 滤镜都很好用，但只能实现比较固定的视觉效果。而用像素处理图片更灵活，因为它可以实现滤镜功能，还可以实现更加丰富的效果，包括一些非常炫酷的视觉效果。 拓展：高斯模糊的算法 下面这些来自阮一峰的网络日志：高斯模糊的算法 通常，图像处理软件会提供"模糊"（blur）滤镜，使图片产生模糊的效果。 模糊的算法有很多种，其中有一种叫做高斯模糊（Gaussian Blur）。它将正态分布（又名高斯分布）用于图像处理。 本质上，它是一种数据平滑技术（data smoothing），适用于多个场合，图像处理恰好提供了一个直观的应用实例。 一、高斯模糊的原理 所谓模糊，可以理解成每一个像素都取周边像素的平均值。在图形上，就相当于产生"模糊"效果，"中间点"失去细节。计算平均值时，取值范围越大，"模糊效果"越强烈。 每个点都要取周边像素的平均值，那么应该如何分配权重呢？ 二、正态分布的权重 正态分布显然是一种可取的权重分配模式。 在图形上，正态分布是一种钟形曲线，越接近中心，取值越大，越远离中心，取值越小。 计算平均值的时候，我们只需要将"中心点"作为原点，其他点按照其在正态曲线上的位置，分配权重，就可以得到一个加权平均值。 三、高斯函数 上面的正态分布是一维的，图像都是二维的，所以我们需要二维的正态分布。 正态分布的密度函数叫做高斯函数（Gaussian function）。它的一维形式是： 其中，μ是x的均值，σ是x的方差。因为计算平均值的时候，中心点就是原点，所以μ等于0。 根据一维高斯函数，可以推导得到二维高斯函数： 有了这个函数 ，就可以计算每个点的权重了。 四、权重矩阵 假定中心点的坐标是（0,0），那么距离它最近的8个点的坐标如下： 为了计算权重矩阵，需要设定σ的值。假定σ=1.5，则模糊半径为1的权重矩阵如下： 这9个点的权重总和等于0.4787147，如果只计算这9个点的加权平均，还必须让它们的权重之和等于1，因此上面9个值还要分别除以0.4787147，得到最终的权重矩阵。 五、计算高斯模糊 有了权重矩阵，就可以计算高斯模糊的值了。 假设现有9个像素点，灰度值（0-255）如下： 每个点乘以自己的权重值： 得到 将这9个值加起来，就是中心点的高斯模糊的值。 对所有点重复这个过程，就得到了高斯模糊后的图像。如果原图是彩色图片，可以对RGB三个通道分别做高斯模糊。 六、边界点的处理 如果一个点处于边界，周边没有足够的点，怎么办？ 一个变通方法，就是把已有的点拷贝到另一面的对应位置，模拟出完整的矩阵。 参考资料 高斯模糊的算法