在html5中怎么使用canvas對(duì)基礎(chǔ)圖像進(jìn)行處理？處理方法分享！

來(lái)源: 巷尾姑娘 2021-08-12 15:33:22 瀏覽數(shù) (2349)

反饋

通過(guò)之前小編分享的html5canvas這方面的相關(guān)內(nèi)容之后大家就讓小編整理有關(guān)于：“在html5中怎么使用canvas對(duì)基礎(chǔ)圖像進(jìn)行處理？”這個(gè)問(wèn)題的解決方法！

基礎(chǔ) API

canvas 的圖像處理能力通過(guò) ImageData 對(duì)象來(lái)處理像素?cái)?shù)據(jù)。主要的 API 如下：

createImageData()：創(chuàng)建一個(gè)空白的 ImageData 對(duì)象
getImageData()：獲取畫(huà)布像素?cái)?shù)據(jù)，每一個(gè)像素點(diǎn)有 4 個(gè)值 —— rgba
putImageData()：將像素?cái)?shù)據(jù)寫(xiě)入畫(huà)布

imageData = {
  width: Number,
  height: Number,
  data: Uint8ClampedArray
}

width 是 canvas 畫(huà)布的寬或者說(shuō) x 軸的像素?cái)?shù)量；height 是畫(huà)布的高或者說(shuō) y 軸的像素?cái)?shù)量；data 是畫(huà)布的像素?cái)?shù)據(jù)數(shù)組，總長(zhǎng)度 w * h * 4，每 4 個(gè)值（rgba）代表一個(gè)像素。

對(duì)圖片的處理

下面，我們通過(guò)幾個(gè)例子來(lái)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(diǎn)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(gè)值中的一個(gè)，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(gè)像素只有一個(gè)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(duì)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

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(gè)值中的一個(gè)。

二值圖

算法：確定一個(gè)色值，比較當(dāng)前的 rgb 值，大于這個(gè)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(gè)像素的值都是周?chē)噜徬袼刂档募訖?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(lái)越遠(yuǎn)，權(quán)重也越來(lái)越小。

一階公式：

（使用一階公式是因?yàn)橐浑A公式的算法比較簡(jiǎn)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：