В современный век цифровых технологий методы улучшения изображений играют решающую роль в улучшении визуальной эстетики и привлечении внимания зрителя. Одним из таких методов является дрожание цвета. Цветовое дрожание добавляет тонкие вариации цветам изображения, что приводит к более яркому и динамичному визуальному восприятию. В этой статье мы рассмотрим несколько методов добавления дрожания цвета к изображению, сопровождаемые примерами кода. Если вы фотограф, графический дизайнер или просто энтузиаст, желающий улучшить свои изображения, это руководство поможет вам!

Методы добавления дрожания цвета к изображениям:

1. Использование Python и OpenCV:
   Пример кода:

   import cv2
   import numpy as np
   def color_jitter(image, jitter_strength):
      hsv_image = cv2.cvtColor(image, cv2.COLOR_BGR2HSV)
      h, s, v = cv2.split(hsv_image)
      h_jitter = np.random.uniform(-jitter_strength, jitter_strength, h.shape)
      s_jitter = np.random.uniform(-jitter_strength, jitter_strength, s.shape)
      v_jitter = np.random.uniform(-jitter_strength, jitter_strength, v.shape)
      h = np.clip(h + h_jitter, 0, 255).astype(np.uint8)
      s = np.clip(s + s_jitter, 0, 255).astype(np.uint8)
      v = np.clip(v + v_jitter, 0, 255).astype(np.uint8)
      jittered_hsv = cv2.merge([h, s, v])
      jittered_image = cv2.cvtColor(jittered_hsv, cv2.COLOR_HSV2BGR)
      return jittered_image
   # Usage
   original_image = cv2.imread('image.jpg')
   jitter_strength = 20  # Adjust the strength of jitter as per your preference
   jittered_image = color_jitter(original_image, jitter_strength)

2. Использование Python и PIL (библиотеки изображений Python):
   Пример кода:

   from PIL import Image
   import numpy as np
   def color_jitter(image, jitter_strength):
      image_array = np.array(image)
      jitter = np.random.uniform(-jitter_strength, jitter_strength, size=image_array.shape)
      jittered_image_array = np.clip(image_array + jitter, 0, 255).astype(np.uint8)
      jittered_image = Image.fromarray(jittered_image_array)
      return jittered_image
   # Usage
   original_image = Image.open('image.jpg')
   jitter_strength = 20  # Adjust the strength of jitter as per your preference
   jittered_image = color_jitter(original_image, jitter_strength)

3. Использование глубокого обучения и переноса стилей:
   Пример кода:

   import torch
   import torchvision.transforms as transforms
   from torchvision.models import vgg19
   from torchvision.utils import save_image
   def color_jitter(image, jitter_strength):
      device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
      # Preprocess the image
      preprocess = transforms.Compose([
          transforms.Resize(256),
          transforms.ToTensor(),
          transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]),
      ])
      image_tensor = preprocess(image).unsqueeze(0).to(device)
      # Load pre-trained VGG19 model
      model = vgg19(pretrained=True).features.to(device).eval()
      # Apply style transfer to introduce color jitter
      with torch.no_grad():
          jittered_image = model(image_tensor)
          jittered_image = jittered_image * jitter_strength + image_tensor * (1 - jitter_strength)
      jittered_image = jittered_image.squeeze(0).cpu()
      jittered_image = transforms.ToPILImage()(jittered_image)
      return jittered_image
   # Usage
   original_image = Image.open('image.jpg')
   jitter_strength = 0.2  # Adjust the strength of jitter as per your preference
   jittered_image = color_jitter(original_image, jitter_strength)