Python+OpenCV系列:图像的运算

文章目录

      • Python+OpenCV系列:图像的加权和、覆盖
        • 1. 图像加权和(加权融合)
        • 2. 图像覆盖(区域叠加)
        • 3. 应用场景
        • 4. 总结

Python+OpenCV系列:图像的加权和、覆盖

在图像处理中,图像的加权和与覆盖是两种非常常见的操作,广泛应用于图像融合、图像叠加、目标检测、特效制作等场景。Python 和 OpenCV 提供了简单而高效的工具来进行这些操作。在本文中,我们将介绍如何通过加权和操作将两幅图像融合,并通过图像覆盖技术将一幅图像叠加到另一幅图像的特定区域。


1. 图像加权和(加权融合)

图像加权和是将两幅图像按给定的权重进行融合的一种方式。OpenCV 提供了 cv2.addWeighted() 函数来实现这一操作。该函数的基本用法是将两幅图像的像素值按指定比例进行加权组合。

函数原型:

cv2.addWeighted(src1, alpha, src2, beta, gamma)
  • src1src2:输入图像。
  • alphabeta:分别为两幅图像的权重。
  • gamma:常数值,用于调整亮度。

通过调整 alphabeta,可以控制两幅图像的混合程度,而 gamma 则用于调整整体的亮度。

示例代码:

import cv2# 读取两张图像
img1 = cv2.imread('image1.jpg')
img2 = cv2.imread('image2.jpg')# 调整大小,使两张图像大小一致
img2 = cv2.resize(img2, (img1.shape[1], img1.shape[0]))# 图像加权和
alpha = 0.7
beta = 0.3
gamma = 0
result = cv2.addWeighted(img1, alpha, img2, beta, gamma)# 显示结果
cv2.imshow('Weighted Sum', result)
cv2.waitKey(0)
cv2.destroyAllWindows()

在这段代码中,我们通过 cv2.addWeighted() 将两张图像按照指定的比例(alpha=0.7beta=0.3)进行加权融合。融合后的结果显示了两张图像的组合。


2. 图像覆盖(区域叠加)

图像覆盖是指将一幅图像嵌入到另一幅图像的特定区域,通常用于图像合成、标志叠加等。使用 OpenCV,通常通过按位运算和区域裁剪来实现这一功能。

思路:

  1. 将目标图像(如一个 logo)裁剪成适当的尺寸。
  2. 在源图像中选择一个区域,将裁剪后的图像覆盖在该区域。
  3. 使用按位运算(如 cv2.bitwise_and())来实现图像的结合。

示例代码:

import cv2
import numpy as np# 读取源图像和覆盖图像
background = cv2.imread('background.jpg')
logo = cv2.imread('logo.png')# 获取 logo 的大小
rows, cols, _ = logo.shape# 在背景图像中选择区域
roi = background[0:rows, 0:cols]# 创建 logo 图像的掩模
logo_gray = cv2.cvtColor(logo, cv2.COLOR_BGR2GRAY)
_, mask = cv2.threshold(logo_gray, 1, 255, cv2.THRESH_BINARY)# 按位与操作,提取背景区域
background_region = cv2.bitwise_and(roi, roi, mask=cv2.bitwise_not(mask))# 按位与操作,提取 logo 区域
logo_region = cv2.bitwise_and(logo, logo, mask=mask)# 将 logo 区域与背景区域合成
result = cv2.add(background_region, logo_region)# 将合成结果覆盖到背景图
background[0:rows, 0:cols] = result# 显示结果
cv2.imshow('Image with Logo', background)
cv2.waitKey(0)
cv2.destroyAllWindows()

在此示例中,我们通过按位运算提取背景图和 logo 图像的相应区域,并将 logo 覆盖到背景图上。使用 cv2.bitwise_and() 对两幅图像的特定区域进行合成,确保 logo 区域不被背景遮挡。


3. 应用场景
  • 图像加权和

    • 图像融合:将多张图像按权重融合,用于全景图拼接、图像增强等。
    • 视频合成:将多种视频元素按一定权重叠加,生成特效。
  • 图像覆盖

    • 标志叠加:将透明的 logo 或水印叠加到图像上。
    • 图像合成:将多个图像合成成一幅新图像,例如在场景中叠加物体。

4. 总结

图像的加权和与覆盖操作是图像处理中常见的基本方法,广泛应用于图像融合、合成和特效制作中。通过 OpenCV 提供的 cv2.addWeighted() 函数和按位运算,用户可以方便地进行图像加权合成和图像区域覆盖。掌握这些方法,可以有效提升图像处理的灵活性和创意性,应用于各类项目中。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/pingmian/63709.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

SQL汇总数据:聚集函数

我们经常需要汇总数据而无需实际检索出这些数据,为此SQL提供了专门的函数。使用这些函数,SQL查询能够高效地检索数据,以便进行分析和报表生成。这类检索的例子包括: 确定表中行数(或者满足某个条件或包含某个特定值的…

Midjourney基础教程-功能界面详解

基础入门教程: 一.Midjourney快速入门(3步画出你的第一张图) 注: 1.平台为大家设置了自动翻译,可以直接写中文提示词,自动翻译成英文。当然要求更准确,大家可以先翻译成英 文在输入进来。 2.提示词如何去…

AWS云计算问答式知识库系统的实现

AWS平台上建立一个生成式人工智能专业文文档问答式网站,前端用Flask框架,后端用Fast API,前端调用后端的唯一API来完成大模型文档搜索的功能,使用AWS Bedrock里的Titan和Llama3模型,以及OpenAI 4.0 API来调用模型并提供…

初识Linux · 日志编写

目录 前言: 日志的简单说明 编写日志 前言: 在线程池部分我们纵观全文,可以发现全文有很多很多的IO流,看起来还是差点意思的,而我们今天提到的日志,是在今后的代码编写中会经常接触,或者说在…

微信小程序做电子签名功能

文章目录 最近需求要做就记录一下。 人狠话不多&#xff0c;直接上功能&#xff1a; 直接搂代码吧,复制过去就可以用&#xff0c;有其他需求自己改吧改吧。 signature.wxml <!-- 电子签名页面 --> <custom-navbar title"电子签名"show-home"{{fals…

【HarmonyOS】使用AVPlayer播放音乐,导致系统其它应用音乐播放暂停 - 播放音频焦点管理

【HarmonyOS】使用AVPlayer播放音乐&#xff0c;导致系统其它应用音乐播放暂停 - 播放音频焦点管理 一、前言 在鸿蒙系统中&#xff0c;对于音乐播放分为几种场景。音乐&#xff0c;电影&#xff0c;音效&#xff0c;闹钟等。当使用AVPlayer播放音乐时&#xff0c;如果不处理…

API接口安全:保障电商数据不被泄露的关键

在当今的数字化时代&#xff0c;电子商务&#xff08;电商&#xff09;已成为全球商业活动的重要组成部分。随着电商平台的日益增多和用户数据的海量积累&#xff0c;数据安全问题也日益凸显。API&#xff08;应用程序编程接口&#xff09;作为电商平台与外部系统交互的桥梁&am…

金融机构远程办公面临的安全挑战

当前&#xff0c;金融机构的业务模式、IT架构都发生了深刻变化。在建设远程办公系统时&#xff0c;金融机构需要面对以下几个方面的挑战&#xff1a; 如何实现“边界模糊化”网络环境下的安全接入&#xff1f; 随着金融机构基础设施云化、业务互联网化和办公移动化&#xff0…

Linux中inode、软硬连接

磁盘的空间管理 如何对磁盘空间进行管理&#xff1f; 假设在一块大小为500G的磁盘中&#xff0c;500*1024*1024524288000KB。在磁盘中&#xff0c;扇区是磁盘的基本单位&#xff08;一般大小为512byte&#xff09;&#xff0c;而文件系统访问磁盘的基本单位是4KB&#xff0c;因…

基于卷积神经网络的垃圾分类系统实现(GUI应用)

1.摘要 本文主要实现了一个卷积神经网络模型进行垃圾图像分类&#xff0c;为了提高垃圾分类模型的准确率&#xff0c;使用使用Batch Normalization层、使用早期停止策略来防止过拟合等方法来优化模型&#xff0c;实验结果显示最终优化后的模型准确率较高90%左右。最终&#xf…

IDEA结合GitLab使用

GitLab新建仓库 使用管理员账号创建gitlab仓库创建空白文件填写项目名称及命名空间 注意&#xff1a;取消勾选【使用自述文件初始化仓库】&#xff0c;否则IDEA中push代码报错 设置仓库权限 【设置】-【仓库】-【受保护分支】中需要添加哪些角色可以提交与合并代码&#xff0…

apisix lua插件开发记录

1 如何匹配路径中的参数 文章给出了具体的方法&#xff0c;但有隐藏的坑未提及。 router radixtree_uri_with_parameter 启用后&#xff0c;对路径上的参数名有要求&#xff0c;不能有_。否则会提示404&#xff0c;因为 router radixtree_uri_with_parameter解析不了。 2 插…

洛谷 P1179 [NOIP2010 普及组] 数字统计 C语言

题目&#xff1a; https://www.luogu.com.cn/problem/P1179 思路&#xff1a;直接暴力过 代码&#xff1a; #include<iostream> using namespace std; int cnt(int x) {int sum 0;while(x){int temp x %10;if(temp 2){sum;}x x/10;}return sum; } int main(void) …

Android APP自学笔记

摘抄于大学期间记录在QQ空间的一篇自学笔记&#xff0c;当前清理空间&#xff0c;本来想直接删除掉的&#xff0c;但是感觉有些舍不得&#xff0c;因此先搬移过来。 Android导入已有外部数据库 2015.06.26在QQ空间记录&#xff1a;在Android中不能直接打开res aw目录中的数据…

【21天学习AI底层概念】day2 机器学习基础

按照由浅入深的顺序&#xff0c;下一步学习 机器学习&#xff08;Machine Learning&#xff09; 的基础是最自然的选择。机器学习是人工智能的核心技术之一&#xff0c;很多AI系统都依赖它。以下是学习路线建议&#xff1a; 第二步&#xff1a;机器学习基础 学习目标&#xff…

在GitHub上fork 别人的仓库 到 自己的仓库,clone到本地,处理后再上传回Github请求PR的过程

如题 一、fork 别人的仓库 到 自己的仓库 这是一种完全的复刻&#xff0c;所有内容都会被拿过来。 点击fork 写信息 创建fork 二、把它clone 到本地 先回到home&#xff0c;打开刚才 我们fork 的工程。 复制地址。 然后 在我们 本地 你去创建一个文件夹 来 接受他 比如我…

MATLAB 识别色块和数量

文章目录 前言步骤 1: 读取图像步骤 2: 转换为 HSV 颜色空间步骤 3: 定义颜色范围步骤 4: 创建颜色掩码步骤 5: 应用形态学操作&#xff08;可选&#xff09;步骤 6: 标记和显示结果完整代码步骤七 返回色块坐标 总结 前言 提示&#xff1a;这里可以添加本文要记录的大概内容&…

深入理解偏向锁、轻量级锁、重量级锁

一、对象结构和锁状态 synchronized关键字是java中的内置锁实现&#xff0c;内置锁实际上就是个任意对象&#xff0c;其内存结构如下图所示 其中&#xff0c;Mark Word字段在64位虚拟机下占64bit长度&#xff0c;其结构如下所示 可以看到Mark Word字段有个很重要的作用就是记录…

三星索引概念

三星索引概念 对于一个查询而言&#xff0c;一个三星索引&#xff0c;可能是其最好的索引。如果查询使用三星索引&#xff0c;一次查询通常只需要进行一次磁盘随机读以及一次窄索引片的 扫描&#xff0c;因此其相应时间通常比使用一个普通索引的响应时间少几个数量级。 三星索引…

文字稿 | MatrixOne2.0.0:AI向量与高可用能力的重磅升级MatrixOne 2.0.0 新特性解读

MatrixOne 2.0.0 是一款 AI 驱动的云原生超融合数据库&#xff0c;采用了存算分离的架构&#xff0c;全面优化了云上资源利用效率。 MatrixOne兼容 MySQL 协议和语法&#xff0c;具备支持混合负载场景的能力&#xff0c;并结合向量数据类型、全文检索等特性&#xff0c;为生成式…