opencv-图像叠加/融合/mask掩模

本文介绍了使用OpenCV进行图像处理的方法,包括图像叠加、图像融合及mask掩模操作等实用技巧,并详细解释了每种方法的实现步骤。

1.图像叠加:利用opencv的cv2.add()函数将实现两张图片的叠加,但是叠加后的图片将会改变颜色。同时可以使用numpy实现,res=img1+img2。

import cv2

img1 = cv2.imread('girl.jpg')
img2 = cv2.imread('opencv.jpg')
img1 = cv2.resize(img1, (600, 300))
img2 = cv2.resize(img2, (600, 300))

# cv2.add()函数
imgadd1 = cv2.add(img1, img2)

# numpy叠加
imgadd2 = img1+img2

cv2.imshow('imgadd1', imgadd1)
cv2.imshow('imgadd2', imgadd2)
cv2.waitKey(0)

 2.图像融合:对图像赋予不同的权值(0到1之间),结果使图像具有透明感

import cv2

img1 = cv2.imread('girl.jpg')
img2 = cv2.imread('opencv.jpg')
img1 = cv2.resize(img1, (600, 300))
img2 = cv2.resize(img2, (600, 300))

# 图像融合和
combine = cv2.addWeighted(cv2.resize(img1, (600, 300)), 0.5, cv2.resize(img2, (600, 300)), 0.5, 0)

cv2.imshow('combine', combine)
cv2.waitKey(0)

 

3.mask掩模 (包括按位and,or,not和xor运算)

import cv2

img1 = cv2.imread('girl.jpg')
img2 = cv2.imread('opencv.jpg')
img1 = cv2.resize(img1, (600, 300))
img2 = cv2.resize(img2, (100, 100))

# 首先获取原始图像roi
rows, cols, channels = img2.shape
roi = img1[0:rows, 0:cols]

# 原始图像转化为灰度值
img2gray = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY)

cv2.imshow('img2gray', img2gray)
cv2.waitKey(0)
'''
将一个灰色的图片,变成要么是白色要么就是黑色。(大于规定thresh值就是设置的最大值(常为255,也就是白色))
'''
# 将灰度值二值化,得到ROI区域掩模
# cv2.threshold (源图片, 阈值=ret, 填充色, 阈值类型)
ret, mask = cv2.threshold(img2gray, 200, 255, cv2.THRESH_BINARY)

cv2.imshow('mask', mask)
cv2.waitKey(0)

# ROI掩模区域反向掩模
mask_inv = cv2.bitwise_not(mask)

cv2.imshow('mask_inv', mask_inv)
cv2.waitKey(0)

# 掩模显示背景
img1_bg = cv2.bitwise_and(roi, roi, mask=mask)

cv2.imshow('img1_bg', img1_bg)
cv2.waitKey(0)

# 掩模显示前景
img2_fg = cv2.bitwise_and(img2, img2, mask=mask_inv)
cv2.imshow('img2_fg', img2_fg)
cv2.waitKey(0)

# 前背景图像叠加
dst = cv2.add(img1_bg, img2_fg)
img1[0:rows, 0:cols] = dst

cv2.imshow('res', img1)
cv2.waitKey(0)
cv2.destroyAllWindows()

灰度图

二值化掩模二值化掩模取反   ROI背景提取ROI前景提取

 

 参考:

CV2简单阈值函数:cv2.threshold()_风华明远的博客-优快云博客

python opencv图像叠加/图像融合/mask掩模_识物专栏-优快云博客_python 图片叠加

<think>嗯,用户想了解如何使用opencv-python进行图像锐化操作,并需要示例代码。首先,我需要回忆一下图像锐化的基本原理。锐化通常是通过增强图像中的高频成分来突出边缘和细节,常用的方法包括使用拉普拉斯滤波器、非锐化掩模(Unsharp Mask)或者自定义卷积核。 首先,拉普拉斯算子的应用。拉普拉斯滤波器可以检测图像中的边缘,通过将原图与拉普拉斯滤波后的图像相加来增强边缘。记得拉普拉斯核的构造,比如3x3的核,中心为-4或-8,周围是1或0,具体取决于是否包括对角线方向。需要确保在应用滤波器前将图像转换为合适的类型,比如CV_32F,避免溢出。 然后是自定义锐化核,比如[[0, -1, 0], [-1, 5, -1], [0, -1, 0]]这样的核,通过卷积增强边缘。使用cv2.filter2D函数进行处理,同时要注意数据类型转换,可能需要进行归一化。 另外,非锐化掩模的方法。这涉及到模糊原图,然后用原图减去模糊后的图像得到高频部分,再与原图叠加。可能需要用到高斯模糊,然后调整权重参数来控制锐化程度。 接下来要考虑示例代码的结构。首先导入必要的库,比如cv2和numpy。然后读取图像,显示原图。接着分别用不同的方法进行锐化,比如拉普拉斯、自定义核、非锐化掩模。每种方法处理后显示结果,并说明参数的影响。 需要确保代码的正确性,比如正确使用cv2.Laplacian的参数,设置合适的ddepth。对于自定义核,要创建正确的NumPy数组。在非锐化掩模中,高斯模糊的核大小和sigma值的选择会影响效果,可能需要用户根据实际情况调整。 另外,用户可能对锐化的原理不太清楚,需要简要解释每种方法的原理,比如拉普拉斯如何突出边缘,非锐化掩模的步骤等。同时,提醒用户注意图像数据类型转换,避免处理后的图像出现数值溢出导致显示异常。 最后,检查是否引用了提供的参考资料中的相关内容。例如,在引用[2]中提到了阈值分割和几何变换,虽然与锐化无直接关系,但可能在其他处理步骤中有用。不过当前问题主要集中在锐化操作,可能需要参考其他资料,但用户提供的引用中没有相关部分,所以可能无法直接引用。但根据用户要求,需在回答末尾的引用标识处正确标注,所以需要确认是否有相关内容可引用。根据提供的引用,引用[2]提到了基础图像处理操作,可能涉及到滤波函数的使用,因此可以适当关联。 总结步骤:导入库→读取图像→应用不同锐化方法(拉普拉斯、自定义核、非锐化掩模)→显示结果→解释参数影响→注意事项。确保代码示例正确,并附上必要的注释。</think>### OpenCV-Python图像锐化操作步骤说明 图像锐化通过增强高频成分来提升边缘和细节的清晰度。以下是三种常用方法及示例代码: --- #### **方法1:拉普拉斯锐化** 通过拉普拉斯滤波器突出边缘信息,叠加到原图实现锐化: ```python import cv2 import numpy as np # 读取图像并转为灰度图 src = cv2.imread('input.jpg', cv2.IMREAD_GRAYSCALE) cv2.imshow('Original', src) # 拉普拉斯锐化 laplacian = cv2.Laplacian(src, cv2.CV_32F, ksize=3) # 使用3x3拉普拉斯核 sharpened = cv2.convertScaleAbs(src - 0.5*laplacian) # 叠加负的拉普拉斯结果以增强边缘 cv2.imshow('Laplacian Sharpening', sharpened) cv2.waitKey(0) ``` --- #### **方法2:自定义锐化核** 通过设计卷积核直接增强中心像素与周围差异: ```python # 定义锐化核 kernel = np.array([ [0, -1, 0], [-1, 5, -1], [0, -1, 0] ], dtype=np.float32) # 应用卷积核 sharpened = cv2.filter2D(src, -1, kernel) # ddepth=-1表示输出图像深度与输入相同 cv2.imshow('Custom Kernel', sharpened) cv2.waitKey(0) ``` --- #### **方法3:非锐化掩模** 通过模糊图像与原图差值提取高频细节,再叠加增强锐化: ```python # 高斯模糊处理 blurred = cv2.GaussianBlur(src, (5,5), 2.0) # 模糊核大小和标准差可调 mask = cv2.addWeighted(src, 1.5, blurred, -0.5, 0) # 原图权重1.5,模糊图权重-0.5 cv2.imshow('Unsharp Mask', mask) cv2.waitKey(0) ``` --- ### **关键参数说明** 1. **拉普拉斯核大小**:`ksize=3`对应3x3核,增大核尺寸会检测更粗的边缘。 2. **自定义核权重**:中心值越大,锐化效果越强,但需保持总和为1以避免亮度偏移。 3. **非锐化掩模参数**:高斯模糊的核大小和标准差影响细节保留程度,权重比例控制锐化强度。 --- ### **注意事项** - 输入图像建议转为灰度图(单通道)以简化计算。 - 锐化可能放大噪声,建议先进行降噪处理[^2]。 - 处理前需检查数据类型,避免数值溢出(如使用`cv2.convertScaleAbs`)。 ---
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值