Python利用ROI进行图像合成的问题小结

之前使用seamlessClone来合成图片,但发现在两张图片的交集部分会出现一些小问题……

需求:

假设现在有一张图片(模板)中存在两个空格可以用来填照片(如下图所示):

图中,蓝色的圆圈和黄色的圆圈为需要替换的内容,其余部分可以视为一张png图片,且通过PS可知蓝圆黄圆的具体坐标,需要将下方的两张图片合成到上方的位置中:

ROI合成圆形区域

def input_circle_img(img, file_path, img_part_name, x, y, r):
    for file in os.listdir(file_path):
        if img_part_name in file:
            path = file_path + "\\" + file
            src = cv_imread(path)
            src = cv.resize(src, (r * 2 + 4, r * 2 + 4))
            h, w, ch = src.shape
            mask = np.zeros(src.shape[:2], dtype=np.uint8)
            mask = cv.circle(mask, (r + 1, r + 1), r, (255, 255, 255), -1)
            imgROI = img[(y - r):(y + r), (x - r):(x + r)]
            mask = mask/255.0
            a =  mask[..., None]
            for row in range(imgROI.shape[0]):
                for col in range(imgROI.shape[1]):
                    if a[row, col]:
                        imgROI[row, col] = src[row, col]
参数 说明
img 模板图片对象,即上文中的第一幅图片
file_path 需要替换的图片所在的文件路径,即上文中的1_测试.jpg和2_测试.jpg所在的文件夹路径
img_part_name 即需要替换的图片的(部分)文件名,比如我想换的是“1_测试.jpg”,则此参数可以为“1_”也可以为全名~(需要注意的是:填写的字符串尽量为文件夹中唯一的标识符,例如填“_测试”则可能导致想要的文件被其它图片所覆盖)
x 图片中心在模板中的横向位置(与模板左侧的距离)
y 图片中心在模板中的纵向位置(与模板上侧的距离)
r 图片出于模板中的实际半径

之所以+4是因为之前利用seamlessClone时边缘会收到原模板的影响,改成ROI后懒得该回去了,不加应该也没什么问题~

def export_comp_img(path):
    print("[START] export_comp_img ...")
    for file_path in os.listdir(path):
        file_path = path + "\\" + file_path
        # 创建画布方法,就是利用np.zeros,与本文无关就不放啦~
        img = create_img(2400, 3600)
        input_circle_img(img, file_path, "2_", 1862, 800, 440)
        input_circle_img(img, file_path, "1_", 1247, 558, 315)
        # input_rect_img(img, file_path, "3_", (0, 2202), (2400, 2944))
        # 保存图片方法,就是利用imencode,与本文无关就不放啦~
        save_img(img, file_path)

不出意外的话应该就可以得到下面的这张图片啦!~

然后再把模板的那张PNG图片盖到最上面——可以利用上文中mask的思路,也可以放到PS里面合成~这里一方面我需要在PS中进行后续的一些操作,另一方面也需要观察图片边缘的处理效果,因而选择了后者。

和模板里的位置完美对齐!~
PS:如果是除圆以外的不规则图形的话,可以通过改变mask实现——最粗暴的便是加载一张mask图片~
而若是单纯的矩形选区的话则无视mask即可~
至此完结!~下面是一些无关紧要的补充……

ROI合成矩形区域

def input_rect_img(img, file_path, img_part_name, start_point, end_point):
    for file in os.listdir(file_path):
        if img_part_name in file:
            path = file_path + "\\" + file
            src = cv_imread(path)
            h = end_point[1] - start_point[1]
            w = end_point[0] - start_point[0]
            src = cv.resize(src, (w, h))
            imgROI = img[start_point[1]:(start_point[1] + h),start_point[0]:(start_point[0] + w)]
            for row in range(imgROI.shape[0]):
                for col in range(imgROI.shape[1]):
                    imgROI[row, col] = src[row, col]

seamlessClone合成圆形区域

值得一提的是,一开始我用的是seamlessClone方法,但尝试了三种模式效果均不理想:

def input_circle_img_seamlessClone(img, file_path, img_part_name, x, y, r):
    for file in os.listdir(file_path):
        if img_part_name in file:
            path = file_path + "\\" + file
            src = cv_imread(path)
            src = cv.resize(src, (r * 2 + 4, r * 2 + 4))
            h, w, ch = src.shape
            mask = np.zeros(src.shape[:2], dtype=np.uint8)
            mask = cv.circle(mask, (r + 1, r + 1), r, (255, 255, 255), -1)
            center = (x, y)
            output = cv.seamlessClone(src, img, mask, center, cv.MIXED_CLONE)
            return output

MIXED_CLONE

NORMAL_CLONE

MONOCHROME_TRANSFER

NORMAL_CLONEMIXED_CLONE的区别主要看的是两个圆的交界处,但这两种方法的边缘都会有一个过渡的处理,不太适合套模板的时候用……

到此这篇关于Python利用ROI进行图像合成的文章就介绍到这了,更多相关Python图像合成内容请搜索我们以前的文章或继续浏览下面的相关文章希望大家以后多多支持我们!

(0)

相关推荐

  • Python图像处理实现两幅图像合成一幅图像的方法【测试可用】

    本文实例讲述了Python图像处理实现两幅图像合成一幅图像的方法.分享给大家供大家参考,具体如下: 将两幅图像合成一幅图像,是图像处理中常用的一种操作,python图像处理库PIL中提供了多种种将两幅图像合成一幅图像的接口. 下面我们通过不同的方式,将两图合并成一幅图像. 1.使用Image.blend()接口 代码如下: # -*- coding:utf-8 -*- from PIL import Image def blend_two_images(): img1 = Image.open(

  • Python+OpenCV感兴趣区域ROI提取方法

    方法一:使用轮廓 步骤1 """src为原图""" ROI = np.zeros(src.shape, np.uint8) #感兴趣区域ROI proimage = src.copy() #复制原图 """提取轮廓""" proimage=cv2.cvtColor(proimage,cv2.COLOR_BGR2GRAY) #转换成灰度图 proimage=cv2.adaptiveThre

  • python+opencv 读取文件夹下的所有图像并批量保存ROI的方法

    如下所示: import cv2 import os import numpy as np root_path = "I:/Images/2017_08_03/" dir = root_path+"images"+"/" count = 0 for root,dir,files in os.walk(dir): for file in files: srcImg = cv2.imread(root_path+"images"+

  • 使用python编写android截屏脚本双击运行即可

    测试的过程中经常需要截取屏幕,通常的做法是使用手机自带的截屏功能,然后将截屏文件复制出来,这种方法的优点是不需要连接数据线就可截屏,缺点则是生成的截屏文件命名是随机命名的,复制出来也比较麻烦.另一种方法是使用PC端的手机助手类软件. 这里使用python编写一个截屏的脚本,双击运行脚本就OK,截屏成功后会将截屏文件已当前时间命名,并保存在存放脚本的当前路径的screenshot文件夹下: #!/usr/bin/env python import os import time PATH = lam

  • Python利用ROI进行图像合成的问题小结

    之前使用seamlessClone来合成图片,但发现在两张图片的交集部分会出现一些小问题-- 需求: 假设现在有一张图片(模板)中存在两个空格可以用来填照片(如下图所示): 图中,蓝色的圆圈和黄色的圆圈为需要替换的内容,其余部分可以视为一张png图片,且通过PS可知蓝圆和黄圆的具体坐标,需要将下方的两张图片合成到上方的位置中: ROI合成圆形区域 def input_circle_img(img, file_path, img_part_name, x, y, r): for file in o

  • Python 矩阵转置的几种方法小结

    我就废话不多说了,直接上代码吧! #Python的matrix转置 matrix = [[1,2,3,4],[5,6,7,8],[9,10,11,12]] def printmatrix(m): for ele in m: for i in ele: print("%2d" %i,end = " ") print() #1.利用元祖的特性进行转置 def transformMatrix(m): #此处巧妙的先按照传递的元祖m的列数,生成了r的行数 r = [[] f

  • python利用opencv如何实现答题卡自动判卷

    目录 1.设定答题卡模板 2.读取答题卡图像并对图像进行灰度化处理 3.高斯模糊图像去噪点 4.使用大津法二值分割图像 5.使用开运算去噪点 6.使用canny边缘检测算法 7.筛选答题区域轮廓,透视变换矫正目标区域 使用摄像头实时判卷部分 总结 1.设定答题卡模板 该图像为答题卡的答题区域,黑色边框是为了能够在各种环境中轻易的检测,左部分和上部分的黑色矩形,是为能够定位到答题选项的坐标而设置,同时题目数量为20×3共60道选择题,在进行批改试卷之前,需要手动输入该次考试的正确答案作为模板来对识

  • python利用Appium实现自动控制移动设备并提取数据功能

    目录 1. 安装appium-python-client模块并启动已安装好的环境 1.1 安装appium-python-client模块 1.2 启动夜神模拟器 1.3 启动appium-desktop 1.4 利用上一小节所学习的内容获取Desired Capabilities参数 2. 初始化以及获取移动设备分辨率 3. 定位元素以及提取文本的方法 3.1 点击appium desktop右上角的放大镜图标 3.2 定位界面的使用方法如下图所示 3.3 点击短视频的作者名字,查看并获取该元

  • Python利用Selenium实现网站自动签到功能

    目录 什么是Selenium 前情提要 准备工作 代码及讲解 点击登录 点击跳过弹窗 小结 什么是Selenium 先带领大家学习下Selenium的基本概念吧. Selenium主要用于web应用程序的自动化测试,但并不局限于此,它还支持所有基于web的管理任务自动化. 它的特点如下: 开源,免费 多浏览器支持:Firefox.Chrome.IE等 多平台支持:Linux.Windows.Mac 多语言支持:Java.Python.Ruby.C#.JavaScript.C++ 对web页面有良

  • Python利用随机函数生成变化图形详解(一)

    目录 前言 一.rand_moving.py文件定义功能如下 二.绘图模块 小结 前言 综合前述的类.函数.matplotlib等,完成一个随机移动的过程(注意要确定移动的次数,比如10万次),每次行走都完全是随机的,没有明确的方向,结果是由一系列随机决策确定的,最后显示出每次移动的位置的图表. 思考: 1)每次走动多少个像素,由随机函数决定,每次移动方向也随机确定.由随机方向和随机像素共同移动位置大小和方向. 2)保证将每次移动的位置保存在列表中,供后面matplotlib调用,生成图表. 故

  • Python利用contextvars实现管理上下文变量

    目录 web 框架中的 request ThreadLocal contextvars c.Token contextvars.Context 小结 Python 在 3.7 的时候引入了一个模块:contextvars,从名字上很容易看出它指的是上下文变量(Context Variables),所以在介绍 contextvars 之前我们需要先了解一下什么是上下文(Context). Context 是一个包含了相关信息内容的对象,举个例子:"比如一部 13 集的动漫,你直接点进第八集,看到女

  • python df遍历的N种方式(小结)

    目录 for…in 迭代循环 iterrows()生成器方式 apply()循环方式 矢量化遍历方式 总结 for…in 迭代循环 首先介绍Python中最常用的for…in循环遍历的方式.for…in循环结构用于遍历列表.元组.字典.字符串.集合.文件等.其实for和in是两个独立的语法,for语句是Python内置的迭代器工具,用于从可迭代容器对象(如列表.元组.字典.字符串.集合.文件等)中逐个读取元素,直到容器中没有更多元素为止,工具和对象之间只要遵循可迭代协议即可进行迭代操作.in的存

  • python利用paramiko连接远程服务器执行命令的方法

    python中的paramiko模块是用来实现ssh连接到远程服务器上的库,在进行连接的时候,可以用来执行命令,也可以用来上传文件. 1.得到一个连接的对象 在进行连接的时候,可以使用如下的代码: def connect(host): 'this is use the paramiko connect the host,return conn' ssh = paramiko.SSHClient() ssh.set_missing_host_key_policy(paramiko.AutoAddP

  • Python利用前序和中序遍历结果重建二叉树的方法

    本文实例讲述了Python利用前序和中序遍历结果重建二叉树的方法.分享给大家供大家参考,具体如下: 题目:输入某二叉树的前序遍历和中序遍历的结果,请重建出该二叉树.假设输入的前序遍历和中序遍历的结果中都不含重复的数字. 这道题比较容易,前序遍历的结果中,第一个结点一定是根结点,然后在中序遍历的结果中查找这个根结点,根结点左边的就是左子树,根结点右边的就是右子树,递归构造出左.右子树即可.示意图如图所示: 利用前序和中序遍历的结果重建二叉树 Python代码: # coding: utf-8 ''

随机推荐