一.圖像融合

圖像融合通常是指多張圖像的信息進(jìn)行融合，從而獲得信息更豐富的結(jié)果，能夠幫助人們觀察或計(jì)算機(jī)處理。圖5-1是將兩張不清晰的圖像融合得到更清晰的效果圖。

圖像融合是在圖像加法的基礎(chǔ)上增加了系數(shù)和亮度調(diào)節(jié)量，它與圖像的主要區(qū)別如下[1-3]：

圖像加法：目標(biāo)圖像 = 圖像1 + 圖像2

圖像融合：目標(biāo)圖像 = 圖像1 × 系數(shù)1 + 圖像2 × 系數(shù)2 + 亮度調(diào)節(jié)量

在OpenCV中，圖像融合主要調(diào)用addWeighted()函數(shù)實(shí)現(xiàn)，其原型如下。需要注意的是，兩張融合圖像的像素大小必須一致，參數(shù)gamma不能省略。

dst = cv2.addWeighted(scr1, alpha, src2, beta, gamma)
dst = src1 * alpha + src2 * beta + gamma

下面的代碼是將兩張圖片進(jìn)行圖像融合，兩張圖片的系數(shù)均為1。

#coding:utf-8
# By：Eastmount
import cv2 ?
import numpy as np ?
import matplotlib.pyplot as plt
?
#讀取圖片
src1 = cv2.imread('lena.png')
src2 = cv2.imread('luo.png')

#圖像融合
result = cv2.addWeighted(src1, 1, src2, 1, 0)

#顯示圖像
cv2.imshow("src1", src1)
cv2.imshow("src2", src2)
cv2.imshow("result", result)

#等待顯示
cv2.waitKey(0)
cv2.destroyAllWindows()

輸出結(jié)果如圖5-2所示，它將src1圖像和src2圖像按比例系數(shù)進(jìn)行了融合，生成目標(biāo)結(jié)果圖result。

同樣可以設(shè)置不同的融合比例，圖5-3是下面核心函數(shù)的效果圖。

cv2.addWeighted(src1, 0.6, src2, 0.8, 10)

二.圖像ROI區(qū)域定位

ROI（Region of Interest）表示感興趣區(qū)域，是指從被處理圖像以方框、圓形、橢圓、不規(guī)則多邊形等方式勾勒出需要處理的區(qū)域?？梢酝ㄟ^各種算子（Operator）和函數(shù)求得感興趣ROI區(qū)域，被廣泛應(yīng)用于熱點(diǎn)地圖、人臉識(shí)別、圖像分割等領(lǐng)域。如圖5-4獲取Lena圖的臉部輪廓[4]。

通過像素矩陣可以直接獲取ROI區(qū)域，如img[200:400, 200:400]。下面的代碼是獲取臉部ROI區(qū)域并顯示。

# -*- coding:utf-8 -*-
# By：Eastmount
import cv2
import numpy as np

#讀取圖片
img = cv2.imread("lena.png")

#定義200×200矩陣 3對(duì)應(yīng)BGR
face = np.ones((200, 200, 3))

#顯示原始圖像
cv2.imshow("Demo", img)

#顯示ROI區(qū)域
face = img[150:350, 150:350]
cv2.imshow("face", face)

#等待顯示
cv2.waitKey(0)
cv2.destroyAllWindows()

輸出結(jié)果如圖5-5所示，它將Lena原圖的臉部提取出來。

同樣，如果想將提取的ROI區(qū)域融合至其他圖片，則使用賦值語(yǔ)句即可。下面代碼是將提取的Lena頭部輪廓融合至一幅新的圖像中。

# -*- coding:utf-8 -*-
# By：Eastmount
import cv2
import numpy as np

#讀取圖片
img = cv2.imread("Lena.png")
test = cv2.imread("luo.png",)

#定義150×150矩陣 3對(duì)應(yīng)BGR
face = np.ones((150, 150, 3))

#顯示原始圖像
cv2.imshow("Demo", img)

#顯示ROI區(qū)域
face = img[200:350, 200:350]
test[250:400, 250:400] = face
cv2.imshow("Result", test)

#等待顯示
cv2.waitKey(0)
cv2.destroyAllWindows()

運(yùn)行結(jié)果如圖5-6所示，它將提取的150×150臉部輪廓融合至新的圖像[250:400, 250:400] 區(qū)域。

三.圖像屬性

前面一篇文章中我們已經(jīng)看到了size、shape等關(guān)鍵字。這篇文章就對(duì)圖像中最常見的三個(gè)屬性進(jìn)行介紹，它們分別是圖像形狀（shape）、像素大?。╯ize）和圖像類型（dtype）。

（1）shape

通過shape關(guān)鍵字獲取圖像的形狀，返回包含行數(shù)、列數(shù)、通道數(shù)的元組。其中灰度圖像返回行數(shù)和列數(shù)，彩色圖像返回行數(shù)、列數(shù)和通道數(shù)。

# -*- coding:utf-8 -*-
# By：Eastmount
import cv2
import numpy

#讀取圖片
img = cv2.imread("luo.png")

#獲取圖像形狀
print(img.shape)

#顯示圖像
cv2.imshow("Demo", img)

#等待顯示
cv2.waitKey(0)
cv2.destroyAllWindows()

最終輸出結(jié)果如圖5-7所示，（412，412，3），它表示該圖像共412行、412列像素，包括3個(gè)通道。

（2）size

通過size關(guān)鍵字獲取圖像的像素?cái)?shù)目，其中灰度圖像返回行數(shù)×列數(shù)，彩色圖像返回行數(shù)×列數(shù)×通道數(shù)。下述代碼就是獲取“luo.png”圖像的大小。

# -*- coding:utf-8 -*-
# By：Eastmount
import cv2
import numpy

#讀取圖片
img = cv2.imread("luo.png")

#獲取圖像形狀
print(img.shape)

#獲取像素?cái)?shù)目
print(img.size)

輸出結(jié)果如下所示，包含510468個(gè)像素，即為413×412×3。

(412, 412, 3)

509232

（3）dtype

通過dtype關(guān)鍵字獲取圖像的數(shù)據(jù)類型，通常返回uint8。

# -*- coding:utf-8 -*-
# By：Eastmount
import cv2
import numpy

#讀取圖片
img = cv2.imread("Lena.png")

#獲取圖像形狀
print(img.shape)

#獲取像素?cái)?shù)目
print(img.size)

#獲取圖像數(shù)據(jù)類型
print(img.dtype)

四.圖像通道分離及合并

OpenCV通過split()函數(shù)和merge()函數(shù)實(shí)現(xiàn)對(duì)圖像通道的處理，包括通道分離和通道合并。

（1）split()函數(shù)

OpenCV讀取的彩色圖像由藍(lán)色（B）、綠色（G）、紅色（R）三原色組成，每一種顏色可以認(rèn)為是一個(gè)通道分量[4]，如圖5-8所示。

split()函數(shù)用于將一個(gè)多通道數(shù)組分量成三個(gè)單通道，其函數(shù)原型如下所示：

mv = split(m[, mv])

– m表示輸入的多通道數(shù)組

– mv表示輸出的數(shù)組或vector容器

下面的代碼是獲取彩色“小珞珞”圖像三個(gè)顏色通道并分別顯示。

# -*- coding:utf-8 -*-
# By：Eastmount
import cv2
import numpy

#讀取圖片
img = cv2.imread("luo.png")

#拆分通道
b, g, r = cv2.split(img)

#顯示原始圖像
cv2.imshow("B", b)
cv2.imshow("G", g)
cv2.imshow("R", r)

#等待顯示
cv2.waitKey(0)
cv2.destroyAllWindows()

顯示結(jié)果如圖5-9所示，它展示了B、G、R三個(gè)通道的顏色分量。

同時(shí)，可以獲取不同通道顏色，核心代碼為：

• b = cv2.split(a)[0]
• g = cv2.split(a)[1]
• r = cv2.split(a)[2]

（2）merge()函數(shù)

該函數(shù)是split()函數(shù)的逆向操作，將多個(gè)數(shù)組合成一個(gè)通道的數(shù)組，從而實(shí)現(xiàn)圖像通道的合并，其函數(shù)原型如下：

dst = merge(mv[, dst])

– mv表示輸入的需要合并的數(shù)組，所有矩陣必須有相同的大小和深度

– dst表示輸出具有與mv相同大小和深度的數(shù)組

實(shí)現(xiàn)圖像三個(gè)顏色通道融合的代碼如下：

# -*- coding:utf-8 -*-
# By：Eastmount
import cv2
import numpy as np

#讀取圖片
img = cv2.imread("luo.png")

#拆分通道
b, g, r = cv2.split(img)

#合并通道
m = cv2.merge([b, g, r])
cv2.imshow("Merge", m)
? ? ? ? ? ?
#等待顯示
cv2.waitKey(0)
cv2.destroyAllWindows()

顯示結(jié)果如圖5-10所示，它將拆分的B、G、R三個(gè)通道的顏色分量進(jìn)行了合并，接著顯示合并后的圖像。

同時(shí)，可以調(diào)用該函數(shù)提取圖像的不同顏色，比如提取B顏色通道，G、B通道設(shè)置為0。代碼如下所示：

# -*- coding:utf-8 -*-
# By：Eastmount
import cv2
import numpy as np

#讀取圖片
img = cv2.imread("luo.png")
rows, cols, chn = img.shape

#拆分通道
b = cv2.split(img)[0]

#設(shè)置g、r通道為0
g = np.zeros((rows,cols), dtype=img.dtype)
r = np.zeros((rows,cols), dtype=img.dtype)

#合并通道
m = cv2.merge([b, g, r])
cv2.imshow("Merge", m)
? ? ? ? ? ?
#等待顯示
cv2.waitKey(0)
cv2.destroyAllWindows()

此時(shí)顯示的圖像為藍(lán)色通道，如圖5-11所示，其他顏色的通道方法也類似。

五.圖像類型轉(zhuǎn)換

在日常生活中，我們看到的大多數(shù)彩色圖像都是RGB類型，但是在圖像處理過程中，常常需要用到灰度圖像、二值圖像、HSV、HSI等顏色。圖像類型轉(zhuǎn)換是指將一種類型轉(zhuǎn)換為另一種類型，比如彩色圖像轉(zhuǎn)換為灰度圖像、BGR圖像轉(zhuǎn)換為RGB圖像。OpenCV提供了200多種不同類型之間的轉(zhuǎn)換，其中最常用的包括3類，如下：

• cv2.COLOR_BGR2GRAY
• cv2.COLOR_BGR2RGB
• cv2.COLOR_GRAY2BGR

OpenCV提供了cvtColor()函數(shù)實(shí)現(xiàn)這些功能。其函數(shù)原型如下所示：

dst = cv2.cvtColor(src, code[, dst[, dstCn]])

– src表示輸入圖像，需要進(jìn)行顏色空間變換的原圖像

– dst表示輸出圖像，其大小和深度與src一致

– code表示轉(zhuǎn)換的代碼或標(biāo)識(shí)

– dstCn表示目標(biāo)圖像通道數(shù)，其值為0時(shí)，則有src和code決定

該函數(shù)的作用是將一個(gè)圖像從一個(gè)顏色空間轉(zhuǎn)換到另一個(gè)顏色空間，其中，RGB是指Red、Green和Blue，一副圖像由這三個(gè)通道（channel）構(gòu)成；Gray表示只有灰度值一個(gè)通道；HSV包含Hue（色調(diào)）、Saturation（飽和度）和Value（亮度）三個(gè)通道。在OpenCV中，常見的顏色空間轉(zhuǎn)換標(biāo)識(shí)包括CV_BGR2BGRA、CV_RGB2GRAY、CV_GRAY2RGB、CV_BGR2HSV、CV_BGR2XYZ、CV_BGR2HLS[3]。

下面是調(diào)用cvtColor()函數(shù)將圖像進(jìn)行灰度化處理的代碼。

# -*- coding:utf-8 -*-
# By：Eastmount
import cv2 ?
import numpy as np ?
import matplotlib.pyplot as plt
?
#讀取圖片
src = cv2.imread('luo.png')

#圖像類型轉(zhuǎn)換
result = cv2.cvtColor(src, cv2.COLOR_BGR2GRAY)

#顯示圖像
cv2.imshow("src", src)
cv2.imshow("result", result)

#等待顯示
cv2.waitKey(0)
cv2.destroyAllWindows()

輸出結(jié)果如圖5-12所示，它將左邊的彩色圖像轉(zhuǎn)換為右邊的灰度圖像，更多灰度轉(zhuǎn)化算法將在后面的文章詳細(xì)介紹。

同樣，可以調(diào)用下列核心代碼將彩色圖像轉(zhuǎn)換為HSV顏色空間，如圖5-13所示。

grayImage = cv2.cvtColor(src, cv2.COLOR_BGR2HSV)

下面代碼對(duì)比了九種常見的顏色空間，包括BGR、RGB、GRAY、HSV、YCrCb、HLS、XYZ、LAB和YUV，并循環(huán)顯示處理后的圖像。

# -*- coding:utf-8 -*-
# By：Eastmount
import cv2 ?
import numpy as np ?
import matplotlib.pyplot as plt

#讀取原始圖像
img_BGR = cv2.imread('luo.png')

#BGR轉(zhuǎn)換為RGB
img_RGB = cv2.cvtColor(img_BGR, cv2.COLOR_BGR2RGB)

#灰度化處理
img_GRAY = cv2.cvtColor(img_BGR, cv2.COLOR_BGR2GRAY)

#BGR轉(zhuǎn)HSV
img_HSV = cv2.cvtColor(img_BGR, cv2.COLOR_BGR2HSV)

#BGR轉(zhuǎn)YCrCb
img_YCrCb = cv2.cvtColor(img_BGR, cv2.COLOR_BGR2YCrCb)

#BGR轉(zhuǎn)HLS
img_HLS = cv2.cvtColor(img_BGR, cv2.COLOR_BGR2HLS)

#BGR轉(zhuǎn)XYZ
img_XYZ = cv2.cvtColor(img_BGR, cv2.COLOR_BGR2XYZ)

#BGR轉(zhuǎn)LAB
img_LAB = cv2.cvtColor(img_BGR, cv2.COLOR_BGR2LAB)

#BGR轉(zhuǎn)YUV
img_YUV = cv2.cvtColor(img_BGR, cv2.COLOR_BGR2YUV)

#調(diào)用matplotlib顯示處理結(jié)果
titles = ['BGR', 'RGB', 'GRAY', 'HSV', 'YCrCb', 'HLS', 'XYZ', 'LAB', 'YUV'] ?
images = [img_BGR, img_RGB, img_GRAY, img_HSV, img_YCrCb,
? ? ? ? ? img_HLS, img_XYZ, img_LAB, img_YUV] ?
for i in range(9): ?
? ?plt.subplot(3, 3, i+1), plt.imshow(images[i], 'gray') ?
? ?plt.title(titles[i]) ?
? ?plt.xticks([]),plt.yticks([]) ?
plt.show()

其運(yùn)行結(jié)果如圖5-14所示：

六.總結(jié)

本章主要講解Python和OpenCV的圖像基礎(chǔ)處理，從讀取顯示圖像到讀取修改像素，從創(chuàng)建、復(fù)制、保存圖像到獲取圖像屬性合通道，再詳細(xì)講解了圖像算數(shù)與邏輯運(yùn)算，包括圖像加法、減法、與運(yùn)算、或運(yùn)算、異或運(yùn)算、非運(yùn)算，最后講解了圖像融合和獲取圖像ROI區(qū)域及圖像類型轉(zhuǎn)換。本章知識(shí)為后續(xù)的圖像處理、圖像識(shí)別、圖像變換打下扎實(shí)基礎(chǔ)。

以上就是Python圖像處理之圖像融合與ROI區(qū)域繪制詳解的詳細(xì)內(nèi)容，更多關(guān)于Python圖像處理的資料請(qǐng)關(guān)注腳本之家其它相關(guān)文章！

最新評(píng)論