Python圖像處理之圖像融合與ROI區(qū)域繪制詳解
一.圖像融合
圖像融合通常是指多張圖像的信息進行融合，從而獲得信息更豐富的結果，能夠幫助人們觀察或計算機處理。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上增加了系數(shù)和亮度調節(jié)量，它與圖像的主要區(qū)別如下[1-3]：
圖像加法：目標圖像 = 圖像1 + 圖像2
圖像融合：目標圖像 = 圖像1 × 系數(shù)1 + 圖像2 × 系數(shù)2 + 亮度調節(jié)量
在OpenCV中，圖像融合主要調用addWeighted()函數(shù)實現(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()輸出結果如圖5-2所示，它將src1圖像和src2圖像按比例系數(shù)進行了融合，生成目標結果圖result。
同樣可以設置不同的融合比例，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，被廣泛應用于熱點地圖、人臉識別、圖像分割等領域。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對應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對應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()運行結果如圖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等關鍵字。這篇文章就對圖像中最常見的三個屬性進行介紹，它們分別是圖像形狀（shape）、像素大小（size）和圖像類型（dtype）。
（1）shape
通過shape關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個通道。
（2）size
通過size關鍵字獲取圖像的像素數(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)
#獲取像素數(shù)目
print(img.size)輸出結果如下所示，包含510468個像素，即為413×412×3。
(412, 412, 3)
509232
（3）dtype
通過dtype關鍵字獲取圖像的數(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)
#獲取像素數(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)實現(xiàn)對圖像通道的處理，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色（B）、綠色（G）、紅色（R）三原色組成，每一種顏色可以認為是一個通道分量[4]，如圖5-8所示。
split()函數(shù)用于將一個多通道數(shù)組分量成三個單通道，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()顯示結果如圖5-9所示，它展示了B、G、R三個通道的顏色分量。
同時，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，將多個數(shù)組合成一個通道的數(shù)組，從而實現(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
實現(xiàn)圖像三個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()顯示結果如圖5-10所示，它將拆分的B、G、R三個通道的顏色分量進行了合并，接著顯示合并后的圖像。
同時，可以調用該函數(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()此時顯示的圖像為藍色通道，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。圖像類型轉換是指將一種類型轉換為另一種類型，比如彩色圖像轉換為灰度圖像、BGR圖像轉換為RGB圖像。OpenCV提供了200多種不同類型之間的轉換，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表示轉換的代碼或標識
– dstCn表示目標圖像通道數(shù)，其值為0時，則有src和code決定
該函數(shù)的作用是將一個圖像從一個顏色空間轉換到另一個顏色空間，其中，RGB是指Red、Green和Blue，一副圖像由這三個通道（channel）構成；Gray表示只有灰度值一個通道；HSV包含Hue（色調）、Saturation（飽和度）和Value（亮度）三個通道。在OpenCV中，常見的顏色空間轉換標識包括CV_BGR2BGRA、CV_RGB2GRAY、CV_GRAY2RGB、CV_BGR2HSV、CV_BGR2XYZ、CV_BGR2HLS[3]。
下面是調用cvtColor()函數(shù)將圖像進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()輸出結果如圖5-12所示，它將左邊的彩色圖像轉換為右邊的灰度圖像，更多灰度轉化算法將在后面的文章詳細介紹。
同樣，可以調用下列核心代碼將彩色圖像轉換為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HSV
img_HSV = cv2.cvtColor(img_BGR, cv2.COLOR_BGR2HSV)
#BGR轉YCrCb
img_YCrCb = cv2.cvtColor(img_BGR, cv2.COLOR_BGR2YCrCb)
#BGR轉HLS
img_HLS = cv2.cvtColor(img_BGR, cv2.COLOR_BGR2HLS)
#BGR轉XYZ
img_XYZ = cv2.cvtColor(img_BGR, cv2.COLOR_BGR2XYZ)
#BGR轉LAB
img_LAB = cv2.cvtColor(img_BGR, cv2.COLOR_BGR2LAB)
#BGR轉YUV
img_YUV = cv2.cvtColor(img_BGR, cv2.COLOR_BGR2YUV)
#調用matplotlib顯示處理結果
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()其運行結果如圖5-14所示：
六.總結
本章主要講解Python和OpenCV的圖像基礎處理，從讀取顯示圖像到讀取修改像素，從創(chuàng)建、復制、保存圖像到獲取圖像屬性合通道，再詳細講解了圖像算數(shù)與邏輯運算，包括圖像加法、減法、與運算、或運算、異或運算、非運算，最后講解了圖像融合和獲取圖像ROI區(qū)域及圖像類型轉換。本章知識為后續(xù)的圖像處理、圖像識別、圖像變換打下扎實基礎。
以上就是Python圖像處理之圖像融合與ROI區(qū)域繪制詳解的詳細內容，更多關于Python圖像處理的資料請關注腳本之家其它相關文章！
相關文章
selenium2.0中常用的python函數(shù)匯總
這篇文章主要介紹了selenium2.0中常用的python函數(shù),總結分析了selenium2.0中常用的python函數(shù)的功能、原理與基本用法,需要的朋友可以參考下2019-08-08
pyinstaller打包單個exe后無法執(zhí)行錯誤的解決方法
今天小編就為大家分享一篇pyinstaller打包單個exe后無法執(zhí)行錯誤的解決方法，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2019-06-06
自動微分技術（稱為“automatic differentiation, autodiff”）是介于符號微分和數(shù)值微分的一種技術，它是在計算效率和計算精度之間的一種折衷。本文主要介紹了Python如何實現(xiàn)前向和反向自動微分，需要的可以參考一下2022-12-12
Python?Fuzzywuzzy庫基本函數(shù)及模糊字符串匹配應用實戰(zhàn)
fuzzywuzzy?是一個用于模糊字符串匹配的?Python?庫,它基于編輯距離算法,提供了多個函數(shù)來比較字符串之間的相似性,在實際開發(fā)中,字符串匹配是一項常見但具有挑戰(zhàn)性的任務,用戶可能犯拼寫錯誤,使用縮寫或者輸入同義詞,因此,我們需要一種方法來處理這些情況2023-12-12
這篇文章主要介紹了使用python批量修改XML文件中圖像的depth值,本文給大家介紹的非常詳細，對大家的學習或工作具有一定的參考借鑒價值，需要的朋友可以參考下2020-07-07
Python?pandas處理缺失值方法詳解(dropna、drop、fillna)
缺失數(shù)據(jù)會在很多數(shù)據(jù)分析應用中出現(xiàn),pandas的目標之一就是盡可能無痛地處理缺失值,下面這篇文章主要給大家介紹了關于Python?pandas處理缺失值方法的相關資料，處理方法分別是dropna、drop、fillna,需要的朋友可以參考下2022-08-08
python實現(xiàn)把兩個二維array疊加成三維array示例
今天小編就為大家分享一篇python實現(xiàn)把兩個二維array疊加成三維array示例，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2019-11-11
這篇文章主要介紹了python爬取音頻下載的示例代碼，幫助大家更好的理解和學習python爬蟲，感興趣的朋友可以了解下2020-10-10
什么是好用的代碼呢？其實就是代碼質量比較高，如何評價代碼質量的高低呢？最常用的、最重要的評價標準，就是代碼的可維護性、可讀性、可擴展性、靈活性、簡潔性、可復用性、可測試性2021-09-09
這篇文章主要介紹了python基礎面試題整理,本篇文章通過簡要的案例,講解了該項技術的了解與使用,以下就是詳細內容,需要的朋友可以參考下2021-08-08