%%%% Tile 

%%%%% 实现拼贴效果

%%%%% 将原图像进行分块,然后让图像块在

%%%%% 新图像范围内进行随机移动,确定移动后的边界

%%%%% 将移动后的图像块填入新图像内



clc;

clear all;

close all;



Image=imread('4.jpg');

Image1=double(Image);

Image2=Image1;



Image2(:,:,1)=0;

Image2(:,:,2)=0;

Image2(:,:,3)=0;



%%%% 块数 (1-99)

N=8; 

%%%% 错开距离的最大百分比(0.01-0.99)

Percent=0.25;

Size_Info=size(Image);



%%%  确定图像的长和宽

Height=Size_Info(1);

Width=Size_Info(2);



%%%  确定图像的分块大小,及错开的最大距离

Min_value=min(Width,Height);

Block_size=floor(Min_value/N);

Rand_Dist=max(Block_size*Percent,2);



%%% 确定图像在长和宽方向的块数

N_row=floor(Height/Block_size);

N_col=floor(Width/Block_size);

Block_height=0;

Block_width=0;



%%% 图像如果在长或宽方向有多余的,统计在内

if(N_row*Block_size<Height)

    Block_height=(Height-Block_size*N_row)/2;

    N_row=N_row+1;

end

if(N_col*Block_size<Width)

    Block_width=(Width-Block_size*N_col)/2;

    N_col=N_col+1;

end



First_value=(Block_size+1)/2;



%%% 图像块原始坐标

Row_coordinate_origin(1:N_row)=0;

Col_coordinate_origin(1:N_col)=0;

for i=1:N_row-1;

    Row_coordinate_origin(i)=round(First_value+(i-1)*Block_size);

end

Row_coordinate_origin(N_row)=round((Height+(N_row-1)*Block_size)/2);

for i=1:N_col-1

    Col_coordinate_origin(i)=round(First_value+(i-1)*Block_size);

end

Col_coordinate_origin(N_col)=round((Width+(N_col-1)*Block_size)/2);



%%% 图像块的错开后的坐标

Row_coordinate(1:N_row,1:N_col)=0;

Col_coordinate(1:N_row,1:N_col)=0;

for i=1:N_row;

    for j=1:N_col

    Row_coordinate(i,j)=Row_coordinate_origin(i)+floor(Rand_Dist*2*(rand()-0.5));

    end

end

for i=1:N_row

    for j=1:N_col

     Col_coordinate(i,j)=Col_coordinate_origin(j)+floor(Rand_Dist*2*(rand()-0.5));

    end

end



%%% 对图像进行拼贴处理

Block_half=(Block_size-1)/2;

for i=1:N_row

    for j=1:N_col

        %%% 首先确定错开后的坐标没有越界

        if(Row_coordinate(i,j)>Height || Col_coordinate(i,j)>Width)

            continue;

        end  

        %%% 将图像块分成四部分,从图像的中心向四条边进行搜索

        %%% 计算图像块四个方向的边界

        %%% 计算图像块上边界

        if(Row_coordinate(i,j)-Block_half<1)

            Block_h_down=Row_coordinate(i,j)-1;

            row_down=1;

            row_down_origin=Row_coordinate_origin(i)-Block_h_down;

        else

            row_down=round(Row_coordinate(i,j)-Block_half);

            row_down_origin=round(Row_coordinate_origin(i)-Block_half);

        end

        %%% 计算图像块的下边界

        if(Row_coordinate(i,j)+Block_half>Height)

            Block_h_up=Height-Row_coordinate(i,j);

            row_up=Height;

            row_up_origin=Row_coordinate_origin(i)+Block_h_up;

        else

            row_up=round(Row_coordinate(i,j)+Block_half);

            row_up_origin=round(Row_coordinate_origin(i)+Block_half);

        end

        %%% 如果最下面的图像块比标准的要小,单独计算

        %%% 多出的一部分的下边界

        if(i==N_row && Block_height~=0)

            if(Row_coordinate(i,j)+Block_height>Height)

            Block_h_up=Height-Row_coordinate(i,j);

            row_up=Height;

            row_up_origin=Row_coordinate_origin(i)+Block_h_up;

            else

            row_up=floor(Row_coordinate(i,j)+Block_height);

            row_up_origin=floor(Row_coordinate_origin(i)+Block_height);

            end

        end

        %%% 计算图像的左边界

        if(Col_coordinate(i,j)-Block_half<1)

            Block_w_down=Col_coordinate(i,j)-1;

            col_down=1;

            col_down_origin=Col_coordinate_origin(j)-Block_w_down;

        else

            col_down=round(Col_coordinate(i,j)-Block_half);

            col_down_origin=round(Col_coordinate_origin(j)-Block_half);

        end

        %%计算图像的右边界

        if(Col_coordinate(i,j)+Block_half>Width)

            Block_w_up=Width-Col_coordinate(i,j);

            col_up=Width;

            col_up_origin=Col_coordinate_origin(j)+Block_w_up;

        else

            col_up=round(Col_coordinate(i,j)+Block_half);

            col_up_origin=round(Col_coordinate_origin(j)+Block_half);

        end

        %%% 如果最右边的图像块比标准的要小,单独计算

        %%% 多出的一部分的右边界

        if(j==N_col && Block_width~=0)

            if(Col_coordinate(i,j)+Block_width>Width)

            Block_w_up=Width-Col_coordinate(i,j);

            col_up=Width;

            col_up_origin=Col_coordinate_origin(j)+Block_w_up;

            else

            col_up=floor(Col_coordinate(i,j)+Block_width);

            col_up_origin=floor(Col_coordinate_origin(j)+Block_width);

            end

        end

        Image2(row_down:row_up,col_down:col_up,:) = ...

               Image(row_down_origin:row_up_origin,col_down_origin:col_up_origin,:);

    end

end

imshow(Image2/255);

原图:

效果图:

PS 滤镜算法原理——拼贴的更多相关文章

  1. PS 滤镜算法原理——照亮边缘

    这个算法原理很简单,对彩色图像的R,G,B 三个通道,分别求梯度,然后将梯度值作为三个通道的值. clc; clear all;Image=imread('4.jpg');Image=double(I ...

  2. PS 滤镜算法原理——染色玻璃

    %%%% 完成PS 中的染色玻璃滤镜特效 clc; clear all; close all; Image=imread('4.jpg'); Image=double(Image); Gray_Ima ...

  3. PS 滤镜算法原理——曝光过度

    这个算法的原理,就是将图像反相,然后分别比较原图与反相后的图三个通道的大小,将小的值输出. clc; clear all; Image=imread('4.jpg'); Image=double(Im ...

  4. PS 滤镜算法原理 ——马赛克

    % method : 利用邻域的随意一点取代当前邻域全部像素点 %%%% mosaic clc; clear all; addpath('E:\PhotoShop Algortihm\Image Pr ...

  5. PS 滤镜算法原理——碎片效果

    %%% Fragment %%% 对原图做四个方向的平移,然后对平移的结果取平均 %%% 碎片效果 clc; clear all; Image=imread('4.jpg'); Image=doubl ...

  6. PS 滤镜算法原理——高反差保留 (High Pass)

    这个特效简单来说,就是一个高通滤波器, 对图像做高斯滤波,用原图减去高斯滤波后的图,再将差值加上128. clc; clear all; close all; Image=imread('4.jpg' ...

  7. PS 滤镜算法原理——浮雕效果

    clc; clear all; Image=imread('4.jpg');Image=double(Image);p=3;  %% 控制浮雕的强度 %% 控制浮雕的方向 H=[0 0 p      ...

  8. PS 滤镜算法— — 表面模糊

    图像的表面模糊处理,其作用是在保留图像边缘的情况下,对图像的表面进行模糊处理.在对人物皮肤处理上,比高斯模糊更有效.因为高斯模糊在使人物皮肤光洁的同时,也将一些边缘特征如脸部的眉毛.嘴唇等给模糊了,不 ...

  9. OpenCV——PS 滤镜算法之极坐标变换到平面坐标

    // define head function #ifndef PS_ALGORITHM_H_INCLUDED #define PS_ALGORITHM_H_INCLUDED #include < ...

随机推荐

  1. K均值聚类的失效性分析

    K均值聚类是一种应用广泛的聚类技术,特别是它不依赖于任何对数据所做的假设,比如说,给定一个数据集合及对应的类数目,就可以运用K均值方法,通过最小化均方误差,来进行聚类分析. 因此,K均值实际上是一个最 ...

  2. python地理数据处理库geopy

    http://blog.csdn.net/pipisorry/article/details/52205266 python地理位置处理 python地理编码地址以及用来处理经纬度的库 GeoDjan ...

  3. Makefile自动生成:cmake

    http://blog.csdn.net/pipisorry/article/details/51647073 编辑makefile文件CMakeLists.txt,使用cmake命令自动生成make ...

  4. bash与ksh数组使用

    区别: bash与ksh在数组的使用中,最大的不同在于数组的定义. bash: declare -a arrayname ksh:set -A arrayname 其实,数组不用非要定义,在赋值的时候 ...

  5. java的overload与override

    概括 方法的重写(Overriding)和重载(Overloading)是Java多态性的不同表现.重写(Overriding)是父类与子类之间多态性的一种表现,而重载(Overloading)是一个 ...

  6. Java程序员的必备知识-类加载机制详解

    类加载器的概念 类加载器是一个用来加载类文件的类. Java源代码通过javac编译器编译成类文件.然后JVM来执行类文件中的字节码来执行程序.类加载器负责加载文件系统.网络或其他来源的类文件. JV ...

  7. 【java集合框架源码剖析系列】java源码剖析之TreeSet

    本博客将从源码的角度带领大家学习TreeSet相关的知识. 一TreeSet类的定义: public class TreeSet<E> extends AbstractSet<E&g ...

  8. 手动开发动态资源之servlet初步

    1.1 静态资源和动态资源的区别 静态资源:当用户多次访问这个资源,资源的源代码永远不会改变的资源. 动态资源:当用户多次访问这个资源,资源的源代码可能会发送改变. 1.2动态资源的开发技术 Serv ...

  9. 北大青鸟Asp.net之颗粒归仓

    自从小编走进编程的世界以来,学习的编程知识都是和C/S这个小伙伴握手,直到做完牛腩老师的新闻发布系统,才开始了小编的B/S学习生涯,和B/S初次谋面,小宇宙瞬间爆发了,看着自己的第一个B/S系统,牛腩 ...

  10. CentOS 64-bit下安装JDK和Tomcat并设置Tomcat开机启动操作步骤

    准备文件如下: 1.CentOS-6.4-x86_64-bin-DVD1.iso 2.jdk-7u67-linux-x64.rpm 3.apache-tomcat-7.0.55.tar.gz 安装步骤 ...