简介：基于Python与OpenCV开发的一套字符画生成工具，可将输入图像转为文本文件或图片形式，也能将视频转为字符画视频，支持黑白、灰度与彩色输出，并可选用中英日韩德法西俄等语言字符集，适合图像处理入门者、Python开发者学习算法或直接应用到个人项目。资源打包为zip压缩包，共43个文件，约532MB，主要包含7个Python源码脚本、jpg/gif/png演示样例、5个ttf字体、1个mp4示例、说明文档及license文件，还附带多语言示例输出和演示动图，目录结构清晰，便于按模块取用。已有670人浏览学习。下载后可获得完整源码、多样例和字体资源，直接运行即可复现图像到文本、图像到图像、视频到视频三类转换效果，还能通过调整background和mode参数尝试不同背景与配色方案，对理解OpenCV图像处理流程、字符画生成原理和视频帧处理有直接帮助。 从一张风景照片变成满屏的@#$%&，再到一段视频被实时转换成带有动态质感的字符动画——这就是 ASCII 生成器最直观的魅力。我第一次跑通“图像到文本”的时候，盯着终端里那个由字符拼出来的蒙娜丽莎，说实话挺震撼的。后来又把玩法扩展到“图像到图像”“视频到视频”，才发现这玩意儿不是简单的玩具，背后涉及的灰度映射、字符集设计、视频抽帧与合成，是一套非常有代表性的图像处理流程。无论你是想做个命令行小工具，还是打算给视频做风格化转码，这篇内容都能给你一条可以落地的路线。
它适合谁？适合刚入门图像处理但不想只调库的开发者，适合对字符艺术感兴趣但不知道怎么开始的创作者，也适合想给视频加一点“极客味”的玩家。我会尽量把原理和实操糅在一起讲，尽量让你看完能直接动手鼓捣出自己的版本。
1. ASCII生成器到底在做什么
1.1 三个方向的真实应用场景
先拆解标题里的三个能力，它们其实代表了三种不同的处理目标。
“图像到文本”是基础款。把一张图片的每个像素区域采样，映射成一个 ASCII 字符，最后得到一幅完全由字符拼成的“画”。这个输出可以放进终端、网页、文档，甚至打印出来裁剪成装饰画。很多编程竞赛、开源项目里的 Logo 就是用这种办法生成的。
“图像到图像”可以理解成风格转换。输入一张普通照片，输出一张同样尺寸但带有字符纹理的“伪图像”——它不是把字符打印成文本，而是把每个字符渲染成像素块，组合成一张新的位图。比如用这种方式把照片变成版画风格的海报，或者给图片加一层“黑客帝国”质感。
“视频到视频”则是把上述逻辑按时间轴展开。视频拆成一帧帧图片，每帧转成字符帧，再合成新的视频。这个方向除了要处理单帧效果，还得考虑时序上的连贯性，否则画面会疯狂闪烁，看得人眼睛疼。实际用途包括制作字幕特效、给Vlog做转场、在直播画面上叠加字符滤镜等。
1.2 从作品反推技术需求
很多人在网上看过那种超级惊艳的字符画，以为用了什么神秘算法，其实核心就三步：采样、映射、渲染。但要把这三步做到“能看”，就需要回答几个问题：字符集怎么选？灰度怎么映射？分辨率降到多少合适？视频还要多一个“帧间一致性”的考量。
举个实际例子，如果你想用 ASCII 字符画还原一张人脸照片，直接用默认字符集往往效果很脏，因为字符形状带来的视觉重量不同，W和i虽然灰度值近似，但占用的空间差异会让轮廓变形。所以真正的需求是：理解字符本身的视觉密度，再决定如何分配字符序列。
我做的时候把整个过程拆成了四个模块：输入解码、灰度预处理、字符映射、输出渲染。后面所有内容都会围绕这四个模块展开。
2. 核心原理与字符映射
2.1 灰度值映射：为什么不是直接替换
最直觉的做法是遍历每个像素，根据像素亮度选择一个字符。比如像素值 0-255，0 是黑，255 是白，黑用@，白用空格。理论上没问题，但实际效果很差。
原因在于人眼对字符的感知不是只看它的“灰度平均值”，还看笔画结构和空间占用。同一个亮度级别，#看起来比+更“满”，因为它们笔画覆盖面积不同。所以业界常用一个固定的“字符亮度梯度”（ramp），从小到大排列字符：
$@B%8&WM#*oahkbdpqwmZO0QLCJUYXzcvunxrjft/\|()1{}[]?-_+~<>i!lI;:,"^`'.这个序列从左到右视觉重量递减。前面字符密实，适合表现暗部；后面字符稀疏，适合表现亮部。映射公式可以写成：
char_index = int((1 - brightness) * (len(ramp) - 1))其中brightness取 0 到 1，1 - brightness是因为字符序列里前面代表更暗，后面代表更亮。如果你用 PIL 读取灰度图，pixel值是 0 到 255，需要先归一化：
brightness = pixel / 255.0 idx = int((1.0 - brightness) * (len(charset) - 1))这样暗像素会落在字符序列的左侧，亮像素落在右侧。缺了这个反转，你会得到一张“负片”效果的字符画，暗部全变成空格，亮部全变成$。
2.2 字符集的选择与密度排序
字符集不是越长越好，关键是要有一个可靠的密度排序。上面那串经典 ramp 是社区多年调出来的，兼容性和视觉效果都很好。你也可以自定义字符集，比如只用@%#*+=-:.，那密度梯度更小，风格更接近极简版画。
选字符集时有个容易被忽略的点：等宽字体 vs 比例字体。如果你最终的输出要放进终端，必须用等宽字体，否则字符宽度不一致会导致画面扭曲。浏览器里用的pre标签也默认等宽，但如果你把结果贴到 Word 里，就很容易变形。
另一个细节是字符的高度和宽度比。终端里的字符大概是 1:2 的宽高关系（一个字符的宽度约为高度的一半）。如果你把一张正方形图片直接映射到一个二维字符网格，出来的字符画会显得被纵向拉伸。常见的做法是在采样时压缩横向采样率，比如每隔 2 列像素采样一次，这样输出的字符画更接近原图的纵横比。
2.3 分辨率的取舍与宽高比修正
分辨率处理是整个流程里最影响观感的一步。假设输入图片是 1920x1080，如果你对每个像素都生成一个字符，最终的字符文本就会有 1920 列，终端一行根本装不下，而且字符和像素的宽高比差异会让画面严重畸形。
我的做法是：先确定目标字符宽度（比如 80 列），然后根据字符宽高比反推字符行数。终端等宽字体一般高度大约是宽度的两倍，所以如果我们要生成 80 列字符，那么行数约等于：
rows = int(cols * (image_height / image_width) * 0.5)这里的0.5就是字符高度修正系数。如果你用 PIL 生成图片（图像到图像），则不需要这个修正，因为渲染时你直接把每个字符绘制成占用固定网格的大像素块。只需要把原图缩放成cols * rows的尺寸就行。
宽高比修正是新手最容易忽略的坑。不做修正的话，一个圆形会变成椭圆，一张人脸会变成驴脸。最好在代码里内置一个终端检测工具，如果不清楚当前终端字体的宽高比，可以先用默认 0.5，再根据输出效果手动微调。
3. 实操：用Python从零实现图像到文本
3.1 环境与依赖准备
我用的环境是 Python 3.9 + Pillow，不需要额外装 OpenCV，纯 Pillow 就能处理静态图。视频部分需要用到 OpenCV 的VideoCapture和VideoWriter，这个后面再说。
先安装 Pillow：
pip install pillow如果后面做视频，再补装：
pip install opencv-python接下来我会给出一个完整的image_to_ascii.py脚本，它包含上面讲的所有关键点。
3.2 处理流程与关键代码
下面是一个可直接运行的版本，我把每一步的注释都写清楚了：
import sys from PIL import Image # 经典的字符密度梯度，由密到疏 CHARSET = "$@B%8&WM#*oahkbdpqwmZO0QLCJUYXzcvunxrjft/\\|()1{}[]?-_+~<>i!lI;:,\"^`'. " def resample_image(image_path, new_width=80): img = Image.open(image_path) # 转成灰度图 img = img.convert('L') width, height = img.size # 根据字符宽高比修正行数：宽高比系数一般为0.5 ratio = height / width * 0.5 new_height = int(new_width * ratio) # 用 LANCZOS 重采样，缩略图质量更高 resized = img.resize((new_width, new_height), Image.LANCZOS) return resized def pixels_to_ascii(img): pixels = img.getdata() ascii_str = "" ramp = CHARSET ramp_len = len(ramp) for idx, pixel in enumerate(pixels): # 0是黑，255是白，灰度值越大越亮 brightness = pixel / 255.0 # 亮像素映射到字符列表尾部（稀疏字符） char_idx = int((1.0 - brightness) * (ramp_len - 1)) ascii_str += ramp[char_idx] if (idx + 1) % img.width == 0: ascii_str += "\n" return ascii_str if __name__ == "__main__": input_path = sys.argv[1] width = int(sys.argv[2]) if len(sys.argv) > 2 else 80 img = resample_image(input_path, width) output = pixels_to_ascii(img) print(output)运行方式：
python image_to_ascii.py input.jpg 100我会建议你从 80 列开始调试，因为终端宽度有限，太宽会自动换行，反而破坏了画面结构。如果你想把结果保存到文件，直接把 stdout 重定向到.txt即可：
python image_to_ascii.py input.jpg 100 > output.txt3.3 效果调试：对比度与字符密度
跑通了基础版之后，你会发现某些图片的输出灰蒙蒙的，层次感很差。这是因为原图的对比度不够，或者映射到字符时中间调太多。
我的经验是增加一步“对比度拉伸”预处理。PIL 的ImageOps.autocontrast很好用：
from PIL import ImageOps img = ImageOps.autocontrast(img, cutoff=2)它会自动把像素亮度范围拉满，暗的更暗，亮的更亮，字符画瞬间立体不少。
另一个调参点是字符集的密度长度。比如经典 ramp 有 70 多个字符，但如果你做的是纯白底文字配图，字符数太多反而显得杂。我常用的是精简版：
CHARSET = "@%#*+=-:. "这个只有 10 档，风格更干净，适合做海报底纹。选字符集的标准很简单：高密度字符给暗部，中密度字符给过渡，空格和点给高光。
4. 进阶：视频到视频的实现思路
4.1 视频拆帧与合成
视频到视频的原理并不复杂：用 OpenCV 读取每一帧，转成灰度图，然后复用静态图的字符画逻辑，最后把字符画渲染成画面写回视频。
这里有一个关键选择：你要输出的是“字符文本流”还是“字符画面视频”？前者只是把每帧的纯文本按时间顺序拼进文件，适合做字幕脚本或终端动画；后者是把每个字符绘制成图片像素，生成一个真正的 MP4 视频，适合在社交媒体发布。
我推荐后者，因为终端播放纯文本动画的通用性太差。实现时用一个最直接的办法：
import cv2 from PIL import Image, ImageDraw, ImageFont def render_ascii_frame(frame, char_size=12, charset=CHARSET): # 先缩放到字符网格尺寸 gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) h, w = gray.shape cols = 80 rows = int(cols * h / w * 0.5) resized = cv2.resize(gray, (cols, rows), interpolation=cv2.INTER_AREA) # 创建空白画布 canvas = Image.new('RGB', (w, h), (0, 0, 0)) draw = ImageDraw.Draw(canvas) # 等宽字体路径需根据系统修改 font = ImageFont.truetype("DejaVuSansMono.ttf", char_size) cell_w = char_size * 0.6 cell_h = char_size for y in range(rows): for x in range(cols): brightness = resized[y][x] / 255.0 idx = int((1.0 - brightness) * (len(charset) - 1)) char = charset[idx] # 把字符绘制在原画面尺寸的对应位置 draw.text((x * cell_w, y * cell_h), char, font=font, fill=(255,255,255)) return cv2.cvtColor(numpy.array(canvas), cv2.COLOR_RGB2BGR)这段代码把每一帧先缩小成 80 列的字符网格，再根据原图尺寸放大回写。渲染字体的字体文件路径需要你本地确认，Windows 常见的是consola.ttf，macOS 常见的是Menlo.ttf。
4.2 减少闪烁的实用技巧
视频转换最大的问题是输出画面疯狂闪。原因是每帧的亮度分布略有变化，同一个位置的字符可能在|和:之间反复横跳，视觉上就像噪点。
解决思路有三个层次。第一层是降低时间分辨率——不用每帧都重新采样，比如每 2 帧或 3 帧取一次数据，中间帧直接复制上一帧的字符画。因为 ASCII 视频的动态信息量本身不高，常见的 20FPS 转成字符动画后降到 10FPS 观感也没问题。
第二层是平滑灰度直方图。我试过对每帧做一个轻微的cv2.GaussianBlur，把细小的纹理抹掉，字符序列的稳定性会好很多。这个操作让边缘更清晰，字符变化更连续。
第三层是关键：使用“滞后映射”。维护一个上一帧的字符索引数组，如果当前帧某个像素映射的字符与上一帧差别太大，就强制往上一帧的字符方向拉近一档。这相当于给字符变化加了惯性，有效消除闪烁，代价是稍微损失细节。这个方案我实际测试过，Vlog 片头用 5 分钟视频转字符动画，闪烁感大幅降低。
5. 常见问题与排查记录
5.1 输出乱码或比例异常
如果你发现输出的字符画里有大量异常空白或挤压变形，先检查两个地方：第一，终端字体是否是等宽字体；第二，new_height计算是否正确。很多人直接用了height * new_width / width，没乘 0.5 修正系数，结果圆形变椭圆。修正系数 0.5 只是经验值，如果你的终端里字符高度接近宽度，可以改成 0.6 或 0.55 微调。
另一个常见问题是 Windows 命令行对 UTF-8 字符集支持不好，中文环境容易出现乱码。解决办法是在脚本开头加：
sys.stdout.reconfigure(encoding='utf-8')或者在文件保存时指定encoding='utf-8'。
5.2 视频转换太慢怎么办
视频转字符画是纯计算密集型任务，100 帧 720p 的视频我最初跑了将近两分钟，瓶颈在于每帧都用 Pillow 绘制大量小文本。优化办法有两个方向。
方向一是降低字符网格分辨率。从 80 列降到 60 列，像素填充量减少 40% 以上，视觉差异并不大。方向二是用 OpenCV 的原生putText代替 Pillow 的ImageDraw.text，虽然字体控制没那么灵活，但速度能快 3 到 5 倍。
还可以做并行处理，用 Python 的multiprocessing.Pool把帧列表分块处理，重点是把输出帧的顺序保持好。我试过 8 核机器，处理器占比能跑到 100%，总耗时压缩了 60% 左右。
5.3 如何让字符画更“像”原图
想让字符画更像原图，核心思路不是增加字符集长度，而是加强边缘感知。我会在灰度预处理后加一个边缘提取步骤，把边缘像素强制映射为高密度字符@或#，让轮廓更硬朗。
edges = cv2.Canny(gray, 100, 200)然后把边缘图和灰度图组合：边缘位置直接用最暗字符，非边缘位置正常映射。这样得到的字符画在轮廓上明显更接近原图，尤其是人脸和建筑这类高结构感的题材，效果提升非常明显。
最后一句话的经验
这些天折腾下来，我最大的感受是：ASCII 生成器的门槛不在算法，而在“审美调参”。理解了字符密度、宽高比、对比度拉伸，你就能做出完全属于自己风格的字符画。别看这类工具像是老玩意，现在很多直播弹幕、网页特效、复古滤镜都在用它。你完全可以把我上面的脚本改造成一个命令行小工具，再接上摄像头做成实时字符摄像头，那又是另一层乐趣。如果你也做出来了好玩的东西，欢迎回来交流。
本文还有配套的精品资源，点击获取
