python大展身手带你通过罩层对彩图进行二值化操作,实现抠图与图像拼接
程序员文章站
2022-01-09 09:50:06
概要通过python带大家通过罩层对彩图进行二值化操作,最终实现抠图与图像拼接的功能。关键字:罩层 MASK 二值化 抠图最终抠图效果:通过罩层对彩图进行二值化操作,实现抠图与图像拼接概要图像二值化数学形态学处理筛选连通域抠图-带罩层的二值化与操作换背景颜色图片合并 cv2.add高斯模糊图像二值化import cv2# 载入原图img = cv2.imread('cat.jpeg')from matplotlib import pyplot as plt# 展示图像plt.i...
概要
通过python带大家通过罩层对彩图进行二值化操作,最终实现抠图与图像拼接的功能。
关键字:罩层 MASK 二值化 抠图
最终抠图效果:
通过罩层对彩图进行二值化操作,实现抠图与图像拼接
图像二值化
import cv2
# 载入原图
img = cv2.imread('cat.jpeg')
from matplotlib import pyplot as plt
# 展示图像
plt.imshow(img[:, :, ::-1])
# 图像二值化
img_bin = cv2.inRange(img, lowerb=(9, 16, 84), upperb=(255, 251, 255))
plt.imshow(img_bin, cmap='gray')
数学形态学处理
# 数学形态学预处理
import numpy as np
kernel = np.ones((5,5), np.uint8)
img_bin = cv2.erode(img_bin, kernel, iterations=1)
img_bin = cv2.dilate(img_bin, kernel, iterations=2)
plt.imshow(img_bin, cmap='gray')
筛选连通域
# 过滤掉小的contours
# 获取边缘信息
_, contours, hierarchy = cv2.findContours(image=img_bin,mode=cv2.RETR_EXTERNAL, method=cv2.CHAIN_APPROX_SIMPLE)
def contours_area(cnt):
# 计算countour的面积
(x, y, w, h) = cv2.boundingRect(cnt)
return w * h
# 获取面积最大的contour
max_cnt = max(contours, key=lambda cnt: contours_area(cnt))
# 创建空白画布
mask = np.zeros_like(img_bin)
# 获取面积最大的 contours
mask = cv2.drawContours(mask,[max_cnt],0,255,-1)
# 打印罩层
plt.imshow(mask, cmap='gray')
抠图-带罩层的二值化与操作
img跟它本身进行或/与操作(其实他们的结果是一样的) 在罩层区域(MASK)内进行。罩层区域为0, 黑色。
二值化操作就是 如果两个img的该点的像素点都不为零则保留原来的取值,否则就是黑色。
# 使用罩层对原来的图像进行抠图
sub_img = cv2.bitwise_or(img,img,mask=mask)
# sub_img = cv2.bitwise_and(img,img,mask=mask)
plt.imshow(sub_img[:,:,::-1])
哇, 大白猫就抠出来了,是不是很惊艳!!!!!
换背景颜色
# 给大白猫换个背景
background = np.zeros_like(img)
background[:,:,:] = (150, 198, 12)
plt.imshow(background[:,:,::-1])
# 获取新的背景
new_background = cv2.bitwise_or(background, background, mask=cv2.bitwise_not(mask))
plt.imshow(new_background[:,:,::-1])
图片合并 cv2.add
new_img = cv2.add(new_background, sub_img)
plt.imshow(new_img[:,:,::-1])
高斯模糊
拼接感太强,做一下高斯模糊
# 用5*5的kernel进行高斯模糊
new_img_blur = cv2.GaussianBlur(new_img, (9,9), 5)
plt.imshow(new_img_blur[:,:,::-1])
本文地址:https://blog.csdn.net/ywsydwsbn/article/details/107641252