一、引言

引言：在现代前端开发中，图像处理是一个不可忽视的重要环节。本篇博客将带您领略前端图像处理的魅力，通过Canvas和算法实现几个炫酷特效：马赛克和灰色滤镜、模糊等。让我们一起给图片增添马赛克的神秘感和灰色滤镜的怀旧风情，让您的前端项目脱颖而出！

二、Canvas基础

首先，我们会简单介绍Canvas的基础知识，了解如何在HTML中画布上绘制图像，并获取Canvas的神奇画笔。

<!DOCTYPE html>
<html lang="en">
<head>
  <meta charset="UTF-8">
  <meta name="viewport" content="width=device-width, initial-scale=1.0">
  <title>Canvas黑白滤镜示例</title>
</head>
<body>
  <canvas id="canvas" width="400" height="300"></canvas>
  <script src="script.js"></script>
</body>
</html>

原图：

三、马赛克滤镜

接着，让我们学习如何通过马赛克滤镜，将图像分割成小方块，为您的图片增加神秘的马赛克特效。我们将实现简单的均值马赛克算法，使您的图片变得与众不同！

const canvas = document.getElementById('canvas');
const ctx = canvas.getContext('2d');

const img = new Image();
img.onload = function() {
  ctx.drawImage(img, 0, 0, canvas.width, canvas.height);
  const imageData = ctx.getImageData(0, 0, canvas.width, canvas.height);
  const data = imageData.data;

  // 算法实现马赛克滤镜效果
  const pixelSize = 8; // 马赛克块的大小，值越大，马赛克效果越明显

  for (let y = 0; y < canvas.height; y += pixelSize) {
    for (let x = 0; x < canvas.width; x += pixelSize) {
      let r = 0, g = 0, b = 0;
      let count = 0;
      for (let ky = 0; ky < pixelSize; ky++) {
        for (let kx = 0; kx < pixelSize; kx++) {
          const index = ((y + ky) * canvas.width + (x + kx)) * 4;
          r += data[index];
          g += data[index + 1];
          b += data[index + 2];
          count++;
        }
      }
      const averageR = Math.floor(r / count);
      const averageG = Math.floor(g / count);
      const averageB = Math.floor(b / count);

      for (let ky = 0; ky < pixelSize; ky++) {
        for (let kx = 0; kx < pixelSize; kx++) {
          const index = ((y + ky) * canvas.width + (x + kx)) * 4;
          data[index] = averageR;
          data[index + 1] = averageG;
          data[index + 2] = averageB;
        }
      }
    }
  }

  ctx.putImageData(imageData, 0, 0);
};

// 替换为您的图片路径
img.src = 'path/to/your/image.jpg'; // 示例使用了一个简单的占位图片

效果：

四、灰色滤镜

接下来，我们将用黑色滤镜的技术为图片增添怀旧的灰色风情。通过RGB值的处理，让您的图片变成复古怀旧的效果，为您的前端项目增色不少！

const img = new Image();
img.onload = function() {
  ctx.drawImage(img, 0, 0, canvas.width, canvas.height);
  const imageData = ctx.getImageData(0, 0, canvas.width, canvas.height);
  const data = imageData.data;

  // 算法实现黑白滤镜效果
  for (let i = 0; i < data.length; i += 4) {
    const average = (data[i] + data[i + 1] + data[i + 2]) / 3;
    data[i] = data[i + 1] = data[i + 2] = average; // R、G、B值设为平均值，形成黑白效果
  }

  ctx.putImageData(imageData, 0, 0);
};

// 替换为您的图片路径
img.src = 'https://via.placeholder.com/400x300'; // 示例使用了一个简单的占位图片

效果：

五、模糊滤镜

const canvas = document.getElementById('canvas');
const ctx = canvas.getContext('2d');

const img = new Image();
img.onload = function() {
  ctx.drawImage(img, 0, 0, canvas.width, canvas.height);
  const imageData = ctx.getImageData(0, 0, canvas.width, canvas.height);
  const data = imageData.data;

  // 算法实现模糊滤镜效果（均值模糊）
  const blurRadius = 5; // 模糊半径，值越大，模糊程度越高
  const kernelSize = blurRadius * 2 + 1;
  const kernel = Array(kernelSize * kernelSize).fill(1 / (kernelSize * kernelSize)); // 均值滤波核

  for (let y = blurRadius; y < canvas.height - blurRadius; y++) {
    for (let x = blurRadius; x < canvas.width - blurRadius; x++) {
      let r = 0, g = 0, b = 0;
      for (let ky = 0; ky < kernelSize; ky++) {
        for (let kx = 0; kx < kernelSize; kx++) {
          const index = ((y + ky - blurRadius) * canvas.width + (x + kx - blurRadius)) * 4;
          r += data[index] * kernel[ky * kernelSize + kx];
          g += data[index + 1] * kernel[ky * kernelSize + kx];
          b += data[index + 2] * kernel[ky * kernelSize + kx];
        }
      }
      const dataIndex = (y * canvas.width + x) * 4;
      data[dataIndex] = r;
      data[dataIndex + 1] = g;
      data[dataIndex + 2] = b;
    }
  }

  ctx.putImageData(imageData, 0, 0);
};

// 替换为您的图片路径
img.src = 'path/to/your/image.jpg'; // 示例使用了一个简单的占位图片

效果：