字符图片，即纯使用字符构造出一幅图片。关于这个，网上的教程和程序已经非常多了，都是使用不同复杂程度的字符模拟图片的灰度（比如字符’@‘就比字符’,’复杂，但是我要做的是像这样的：（原图是星之卡比）
即使用斜杠、减号等符号围出图案的边缘构造图片，和Linux下的figlet、toilet等程序效果类似，但是这两个程序只能构造艺术字，这个程序能够处理任意图片，因此在此分享一下。
首先，要用符号围出图案的边缘，需要能够知道图案的边缘在哪。这个可以用OpenCV库里的Canny边缘检测函数检测出来。之后就是研究如何用字符围出来，我采用了像素比较的方法，将图片分成一定数量相同大小的子图片，对于每个子图片，我将其和用到的所有字符的图片计算一个“欧几里得距离”（即所有像素差值的平方和），选取一个差值最小的字符作为这个像素对应的字符。
程序中还有两点细节，一是我做边缘检测前后各做了一次放缩，第一次是为了方便边缘检测，第二次是适应不同的字符拟合需求，有的时候需要尽量少的字符，则需要在拟合前把图片缩小，有时希望拟合的效果更好，这时需要在拟合前把图片放大；二是为了防止子图片中边缘的像素点偏离图片中心，导致拟合出现错误，所以我在比较前把字符图片和边缘像素点都对齐到图片中心。
import cv2
import numpy as np
from matplotlib import pyplot
from PIL import Image, ImageDraw, ImageFont
first_scale = 1 # 第一次放缩倍数
detection_strength = 80 # 边缘检测强度
second_scale = 1 # 第二次放缩倍数
block_width = 10 # 子图片宽
block_height = 25 # 子图片长，可以通过调整这两个参数适应不同显示环境字符的高矮胖瘦
img = cv2.imread('Kirby.jpg')
img = cv2.resize(img, (0, 0), fx=first_scale, fy=first_scale) # 第一次放缩
img = cv2.Canny(img, detection_strength, detection_strength * 3) # 边缘检测
kernel = cv2.getStructuringElement(cv2.MORPH_RECT,(3, 3))
img = cv2.dilate(img, kernel) # 膨胀边缘检测后的图片，让边缘清晰完整
img = cv2.resize(img, (0, 0), fx=second_scale, fy=second_scale) # 第二次放缩
chars = ['/', '\\', '(', ')', '|', '-', ' '] # 用到的字符
chart = {}
font = ImageFont.truetype('C:\\Windows\\Fonts\\simhei.ttf', 20) # 这里指定字符图片的字体为黑体，可换成别的
for i in chars:
if i != ' ':
chart[i] = np.zeros((20, 10), np.uint8)
t = Image.fromarray(chart[i])
draw = ImageDraw.Draw(t)
draw.text((0, 0), i, font=font, fill=255) # 这里用PIL制作字符图片，其绘制字符的函数比OpenCV好控制
chart[i] = np.array(t)
chart[i] = cv2.resize(chart[i], (block_width, block_height)) # 把字符图片缩放为子图片的大小
t = np.where(chart[i] > 0)
y1, y2 = np.min(t[0]), np.max(t[0])
x1, x2 = np.min(t[1]), np.max(t[1])
w = x2 - x1 + 1
ws = (block_width - w) // 2
h = y2 - y1 + 1
hs = (block_height - h) // 2
t = np.zeros((block_height, block_width), np.int32)
t[hs:hs + h, ws:ws + w] = chart[i][y1:y2 + 1, x1:x2 + 1] # 把字符实际像素对齐到图片中心
chart[i] = t
else:
chart[i] = np.zeros((block_height, block_width), np.int32)
s = ''
for i in range(0, img.shape[0] - block_height, block_height):
# 如果显示图片的地方默认有行距，比如单倍行距，则可以把上面这句话改成for i in range(0, img.shape[0] - block_height, block_height * 2):
for j in range(0, img.shape[1] - block_width, block_width): # 枚举子图片
mn = 0x3fffffff
mx = ' '
block = img[i:i + block_height, j:j + block_width]
t = np.where(block > 0)
if t[0].shape[0] != 0 or t[1].shape[0] != 0:
y1, y2 = np.min(t[0]), np.max(t[0])
x1, x2 = np.min(t[1]), np.max(t[1])
w = x2 - x1 + 1
ws = (block_width - w) // 2
h = y2 - y1 + 1
hs = (block_height - h) // 2
t = np.zeros((block_height, block_width), np.int32)
t[hs:hs + h, ws:ws + w] = block[y1:y2 + 1, x1:x2 + 1] # 将子图片边缘像素对齐到图片中心
for k in chars:
a = np.sum((t - chart[k]) ** 2) # 计算欧几里得距离（省略开方）
if a < mn:
mn = a
mx = k
s += mx
s += '\n'
print(s)
pyplot.imshow(img, cmap='gray')
pyplot.show()此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。