图像blending的原理

本文探讨了图像blending的概念,重点讲解了premultiplied alpha blending的原理和计算公式,以及它相对于传统non-premultiplied blend的改进。通过理解source.rgb如何与alpha值相乘,阐述了如何实现更高效的图像混合效果。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

Premultiplied alphahttps://shawnhargreaves.com/blog/premultiplied-alpha.html

传统的blend也叫non-premultiplied计算公式:

blend(source, dest)  =  (source.rgb * source.a) + (dest.rgb * (1 - source.a))

改进后的blending premultiplied计算公式:

blend(source, dest)  =  source.rgb + (dest.rgb * (1 - source.a)) 

注意:source.rgb已经blending好了 source.rgb *= source.a

 

### Laplacian Pyramid Image Blending Principle Laplacian金字塔是一种多分辨率表示方法,在计算机视觉领域广泛用于图像融合。该技术通过构建高斯金字塔和拉普拉斯金字塔来处理不同尺度下的细节信息。 #### 高斯金字塔 (Gaussian Pyramid) 为了创建高斯金字塔,首先定义一个初始层作为原始图像。随后每一层都是通过对前一层应用低通滤波器并降采样得到的结果。这一过程可以重复多次直到达到所需的层数或最小尺寸[^1]。 ```python def gaussian_pyramid(image, levels): pyramid = [image.copy()] for i in range(levels - 1): blurred = cv2.GaussianBlur(pyramid[i], (5, 5), 0) downsampled = cv2.pyrDown(blurred) pyramid.append(downsampled) return pyramid ``` #### 拉普拉斯金字塔 (Laplacian Pyramid) 基于高斯金字塔,可以通过计算相邻两层之间的差异来获取每层对应的拉普拉斯图层。具体来说,对于除最顶层外的所有其他层次,先对该层进行上采样再减去其下一层即可获得相应的拉普拉斯图层;而最高层则直接取自高斯金字塔中的对应部分。 ```python def laplacian_pyramid(gaussian_pyr): layers = [] for i in range(len(gaussian_pyr)-1): expanded = cv2.pyrUp(gaussian_pyr[i+1]) L = cv2.subtract(gaussian_pyr[i], expanded[:gaussian_pyr[i].shape[0], :gaussian_pyr[i].shape[1]]) layers.append(L) layers.append(gaussian_pyr[-1]) return layers ``` #### 图像融合流程 当涉及到两个源图像A和B时,分别建立各自的拉普拉斯金字塔LA与LB。接着根据特定的应用需求设计掩码M(例如渐变过渡区域),同样也需转换成相同结构形式的高斯/拉普拉斯金字塔形式LM。最后将三者按位置相加形成新的合成图像C: \[ C_i(x,y)=\alpha M_i(x,y)\cdot A_i(x,y)+(1-\alpha M_i(x,y)) \cdot B_i(x,y) \] 其中\(i\)代表当前所处的金字塔级别,α是一个权重系数用来调整贡献比例。 完成上述操作之后,还需要重建最终输出图像。这一步骤涉及逆向遍历整个拉普拉斯序列,并逐步累加上采样的结果直至恢复至原大小。 ```python def reconstruct_image(laplacian_pyr): reconstructed_img = laplacian_pyr[-1] for layer in reversed(laplacian_pyr[:-1]): upsampled = cv2.pyrUp(reconstructed_img) if upsampled.shape != layer.shape: upsampled = upsampled[:layer.shape[0], :layer.shape[1]] reconstructed_img = cv2.add(upsampled, layer) return reconstructed_img ```
评论
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