Andrea's Wiki

外观

demo_pixelize.py 工具 ​

demo_pixelize.py 是一个简单的演示工具，展示基本的像素化处理流程。适合快速实现简单的像素化效果。

功能特点 ​

  • 简单的下采样：使用盒式滤波器（box filtering）缩小图像
  • 颜色量化：使用 PIL 的快速量化方法
  • 最近邻放大：保持硬像素边缘

核心算法 ​

盒式滤波下采样 ​

python
# 使用盒式滤波器缩小到目标尺寸
downscaled = image.resize((grid_w, grid_h), resample=Image.Resampling.BOX)

颜色量化 ​

python
# 快速八叉树颜色量化
downscaled = downscaled.quantize(colors=colors, method=Image.FASTOCTREE)

最近邻放大 ​

python
# 使用最近邻插值放大，保持硬边缘
upscaled = downscaled.resize((out_w, out_h), resample=Image.Resampling.NEAREST)

使用方法 ​

基本使用 ​

bash
# 使用默认参数
python demo_pixelize.py --in input.png

指定缩放比例 ​

bash
# 下采样 4 倍，然后放大 4 倍
python demo_pixelize.py --in input.png --scale 4 --upscale 4

指定目标尺寸 ​

bash
# 指定输出像素网格尺寸
python demo_pixelize.py --in input.png --target-width 64 --target-height 64

# 只指定宽度，高度按比例计算
python demo_pixelize.py --in input.png --target-width 64

控制颜色数 ​

bash
# 使用 16 色调色板
python demo_pixelize.py --in input.png --colors 16

# 使用 64 色调色板
python demo_pixelize.py --in input.png --colors 64

跳过颜色量化 ​

bash
# 只进行下采样和放大，保留原始颜色
python demo_pixelize.py --in input.png --no-quant

指定输出路径 ​

bash
python demo_pixelize.py --in input.png --out result.png

参数说明 ​

参数说明默认值
--in输入图像路径必填
--out输出图像路径out/<name>_pixel.png
--scale下采样比例4
--upscale放大倍数4
--target-width目标像素网格宽度0（使用 --scale）
--target-height目标像素网格高度0（使用 --scale）
--colors调色板大小32
--no-quant跳过颜色量化false

使用示例 ​

示例 1：基本像素化 ​

bash
python demo_pixelize.py --in image.png

效果：

  1. 图像缩小到 1/4
  2. 颜色量化到 32 色
  3. 放大 4 倍

示例 2：高分辨率像素艺术 ​

bash
python demo_pixelize.py --in image.png --scale 8 --upscale 2

效果：

  1. 图像缩小到 1/8
  2. 颜色量化到 32 色
  3. 放大 2 倍

示例 3：指定像素网格尺寸 ​

bash
python demo_pixelize.py --in image.png --target-width 64 --target-height 64 --upscale 8

效果：

  1. 缩小到 64x64 像素
  2. 颜色量化到 32 色
  3. 放大 8 倍

示例 4：复古 16 色 ​

bash
python demo_pixelize.py --in image.png --colors 16 --upscale 4

效果：复古 16 色像素风格

示例 5：不进行颜色量化 ​

bash
python demo_pixelize.py --in image.png --no-quant

效果：保留原始颜色，只进行像素化

适用场景 ​

推荐使用 demo_pixelize.py： ​

  • 学习像素化基本原理：简单易懂的实现
  • 快速预览效果：不需要复杂的网格检测
  • 规则像素化：不需要检测现有网格
  • 自定义像素尺寸：明确知道想要的像素网格大小

不推荐使用： ​

  • 需要检测 AI 生成的伪像素网格（推荐使用 energ）
  • 需要保留原始网格结构
  • 图像中有不规则的像素网格

工作流程 ​

原始图像 (512x512)
    ↓
[下采样] 使用盒式滤波器
    ↓
小图像 (128x128)
    ↓
[颜色量化] 32色调色板
    ↓
量化图像 (128x128, 32色)
    ↓
[放大] 最近邻插值
    ↓
输出图像 (512x512, 32色)

尺寸计算 ​

使用 --scale ​

python
grid_w = max(1, image.width // scale)
grid_h = max(1, image.height // scale)

使用 --target-width/--target-height ​

python
# 同时指定宽度和高度
grid_w = target_width
grid_h = target_height

# 只指定宽度
grid_w = target_width
grid_h = max(1, round(height * (target_width / width)))

# 只指定高度
grid_w = max(1, round(width * (target_height / height)))
grid_h = target_height

输出尺寸 ​

python
out_w = grid_w * upscale
out_h = grid_h * upscale

与其他工具对比 ​

特性demo_pixelizeedge_detectgrid_samplingenerg
网格检测❌✅✅✅
处理速度最快快中中
参数复杂度最低低中高
适用场景规则像素化简单网格不规则网格复杂网格
颜色量化✅✅✅✅

限制 ​

  1. 不检测现有网格：直接下采样，不保留原始网格结构
  2. 固定缩放比例：无法自适应检测像素尺寸
  3. 无方向性处理：不考虑图像的方向性特征

扩展建议 ​

如果 demo_pixelize.py 的功能不够用，可以尝试：

  • 需要检测网格：使用 edge_detect_pixelize.py
  • 不规则网格：使用 grid_sampling_pixelize.py
  • 复杂 AI 图像：使用 energ

← 返回用户指南