Python图像处理之图像融合与ROI区域绘制详解
一.图像融合
图像融合通常是指多张图像的信息进行融合，从而获得信息更丰富的结果，能够帮助人们观察或计算机处理。图5-1是将两张不清晰的图像融合得到更清晰的效果图。
图像融合是在图像加法的基础上增加了系数和亮度调节量，它与图像的主要区别如下[1-3]：
图像加法：目标图像 = 图像1 + 图像2
图像融合：目标图像 = 图像1 × 系数1 + 图像2 × 系数2 + 亮度调节量
在OpenCV中，图像融合主要调用addWeighted()函数实现，其原型如下。需要注意的是，两张融合图像的像素大小必须一致，参数gamma不能省略。
dst = cv2.addWeighted(scr1, alpha, src2, beta, gamma) dst = src1 * alpha + src2 * beta + gamma
下面的代码是将两张图片进行图像融合，两张图片的系数均为1。
#coding:utf-8
# By：Eastmount
import cv2
import numpy as np
import matplotlib.pyplot as plt
#读取图片
src1 = cv2.imread('lena.png')
src2 = cv2.imread('luo.png')
#图像融合
result = cv2.addWeighted(src1, 1, src2, 1, 0)
#显示图像
cv2.imshow("src1", src1)
cv2.imshow("src2", src2)
cv2.imshow("result", result)
#等待显示
cv2.waitKey(0)
cv2.destroyAllWindows()输出结果如图5-2所示，它将src1图像和src2图像按比例系数进行了融合，生成目标结果图result。
同样可以设置不同的融合比例，图5-3是下面核心函数的效果图。
cv2.addWeighted(src1, 0.6, src2, 0.8, 10)
二.图像ROI区域定位
ROI（Region of Interest）表示感兴趣区域，是指从被处理图像以方框、圆形、椭圆、不规则多边形等方式勾勒出需要处理的区域。可以通过各种算子（Operator）和函数求得感兴趣ROI区域，被广泛应用于热点地图、人脸识别、图像分割等领域。如图5-4获取Lena图的脸部轮廓[4]。
通过像素矩阵可以直接获取ROI区域，如img[200:400, 200:400]。下面的代码是获取脸部ROI区域并显示。
# -*- coding:utf-8 -*-
# By：Eastmount
import cv2
import numpy as np
#读取图片
img = cv2.imread("lena.png")
#定义200×200矩阵 3对应BGR
face = np.ones((200, 200, 3))
#显示原始图像
cv2.imshow("Demo", img)
#显示ROI区域
face = img[150:350, 150:350]
cv2.imshow("face", face)
#等待显示
cv2.waitKey(0)
cv2.destroyAllWindows()输出结果如图5-5所示，它将Lena原图的脸部提取出来。
同样，如果想将提取的ROI区域融合至其他图片，则使用赋值语句即可。下面代码是将提取的Lena头部轮廓融合至一幅新的图像中。
# -*- coding:utf-8 -*-
# By：Eastmount
import cv2
import numpy as np
#读取图片
img = cv2.imread("Lena.png")
test = cv2.imread("luo.png",)
#定义150×150矩阵 3对应BGR
face = np.ones((150, 150, 3))
#显示原始图像
cv2.imshow("Demo", img)
#显示ROI区域
face = img[200:350, 200:350]
test[250:400, 250:400] = face
cv2.imshow("Result", test)
#等待显示
cv2.waitKey(0)
cv2.destroyAllWindows()运行结果如图5-6所示，它将提取的150×150脸部轮廓融合至新的图像[250:400, 250:400] 区域。
三.图像属性
前面一篇文章中我们已经看到了size、shape等关键字。这篇文章就对图像中最常见的三个属性进行介绍，它们分别是图像形状（shape）、像素大小（size）和图像类型（dtype）。
（1）shape
通过shape关键字获取图像的形状，返回包含行数、列数、通道数的元组。其中灰度图像返回行数和列数，彩色图像返回行数、列数和通道数。
# -*- coding:utf-8 -*-
# By：Eastmount
import cv2
import numpy
#读取图片
img = cv2.imread("luo.png")
#获取图像形状
print(img.shape)
#显示图像
cv2.imshow("Demo", img)
#等待显示
cv2.waitKey(0)
cv2.destroyAllWindows()最终输出结果如图5-7所示，（412，412，3），它表示该图像共412行、412列像素，包括3个通道。
（2）size
通过size关键字获取图像的像素数目，其中灰度图像返回行数×列数，彩色图像返回行数×列数×通道数。下述代码就是获取“luo.png”图像的大小。
# -*- coding:utf-8 -*-
# By：Eastmount
import cv2
import numpy
#读取图片
img = cv2.imread("luo.png")
#获取图像形状
print(img.shape)
#获取像素数目
print(img.size)输出结果如下所示，包含510468个像素，即为413×412×3。
(412, 412, 3)
509232
（3）dtype
通过dtype关键字获取图像的数据类型，通常返回uint8。
# -*- coding:utf-8 -*-
# By：Eastmount
import cv2
import numpy
#读取图片
img = cv2.imread("Lena.png")
#获取图像形状
print(img.shape)
#获取像素数目
print(img.size)
#获取图像数据类型
print(img.dtype)四.图像通道分离及合并
OpenCV通过split()函数和merge()函数实现对图像通道的处理，包括通道分离和通道合并。
（1）split()函数
OpenCV读取的彩色图像由蓝色（B）、绿色（G）、红色（R）三原色组成，每一种颜色可以认为是一个通道分量[4]，如图5-8所示。
split()函数用于将一个多通道数组分量成三个单通道，其函数原型如下所示：
mv = split(m[, mv])
– m表示输入的多通道数组
– mv表示输出的数组或vector容器
下面的代码是获取彩色“小珞珞”图像三个颜色通道并分别显示。
# -*- coding:utf-8 -*-
# By：Eastmount
import cv2
import numpy
#读取图片
img = cv2.imread("luo.png")
#拆分通道
b, g, r = cv2.split(img)
#显示原始图像
cv2.imshow("B", b)
cv2.imshow("G", g)
cv2.imshow("R", r)
#等待显示
cv2.waitKey(0)
cv2.destroyAllWindows()显示结果如图5-9所示，它展示了B、G、R三个通道的颜色分量。
同时，可以获取不同通道颜色，核心代码为：
- b = cv2.split(a)[0]
- g = cv2.split(a)[1]
- r = cv2.split(a)[2]
（2）merge()函数
该函数是split()函数的逆向操作，将多个数组合成一个通道的数组，从而实现图像通道的合并，其函数原型如下：
dst = merge(mv[, dst])
– mv表示输入的需要合并的数组，所有矩阵必须有相同的大小和深度
– dst表示输出具有与mv相同大小和深度的数组
实现图像三个颜色通道融合的代码如下：
# -*- coding:utf-8 -*-
# By：Eastmount
import cv2
import numpy as np
#读取图片
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)
#等待显示
cv2.waitKey(0)
cv2.destroyAllWindows()显示结果如图5-10所示，它将拆分的B、G、R三个通道的颜色分量进行了合并，接着显示合并后的图像。
同时，可以调用该函数提取图像的不同颜色，比如提取B颜色通道，G、B通道设置为0。代码如下所示：
# -*- coding:utf-8 -*-
# By：Eastmount
import cv2
import numpy as np
#读取图片
img = cv2.imread("luo.png")
rows, cols, chn = img.shape
#拆分通道
b = cv2.split(img)[0]
#设置g、r通道为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)
#等待显示
cv2.waitKey(0)
cv2.destroyAllWindows()此时显示的图像为蓝色通道，如图5-11所示，其他颜色的通道方法也类似。
五.图像类型转换
在日常生活中，我们看到的大多数彩色图像都是RGB类型，但是在图像处理过程中，常常需要用到灰度图像、二值图像、HSV、HSI等颜色。图像类型转换是指将一种类型转换为另一种类型，比如彩色图像转换为灰度图像、BGR图像转换为RGB图像。OpenCV提供了200多种不同类型之间的转换，其中最常用的包括3类，如下：
- cv2.COLOR_BGR2GRAY
- cv2.COLOR_BGR2RGB
- cv2.COLOR_GRAY2BGR
OpenCV提供了cvtColor()函数实现这些功能。其函数原型如下所示：
dst = cv2.cvtColor(src, code[, dst[, dstCn]])
– src表示输入图像，需要进行颜色空间变换的原图像
– dst表示输出图像，其大小和深度与src一致
– code表示转换的代码或标识
– dstCn表示目标图像通道数，其值为0时，则有src和code决定
该函数的作用是将一个图像从一个颜色空间转换到另一个颜色空间，其中，RGB是指Red、Green和Blue，一副图像由这三个通道（channel）构成；Gray表示只有灰度值一个通道；HSV包含Hue（色调）、Saturation（饱和度）和Value（亮度）三个通道。在OpenCV中，常见的颜色空间转换标识包括CV_BGR2BGRA、CV_RGB2GRAY、CV_GRAY2RGB、CV_BGR2HSV、CV_BGR2XYZ、CV_BGR2HLS[3]。
下面是调用cvtColor()函数将图像进行灰度化处理的代码。
# -*- coding:utf-8 -*-
# By：Eastmount
import cv2
import numpy as np
import matplotlib.pyplot as plt
#读取图片
src = cv2.imread('luo.png')
#图像类型转换
result = cv2.cvtColor(src, cv2.COLOR_BGR2GRAY)
#显示图像
cv2.imshow("src", src)
cv2.imshow("result", result)
#等待显示
cv2.waitKey(0)
cv2.destroyAllWindows()输出结果如图5-12所示，它将左边的彩色图像转换为右边的灰度图像，更多灰度转化算法将在后面的文章详细介绍。
同样，可以调用下列核心代码将彩色图像转换为HSV颜色空间，如图5-13所示。
grayImage = cv2.cvtColor(src, cv2.COLOR_BGR2HSV)
下面代码对比了九种常见的颜色空间，包括BGR、RGB、GRAY、HSV、YCrCb、HLS、XYZ、LAB和YUV，并循环显示处理后的图像。
# -*- coding:utf-8 -*-
# By：Eastmount
import cv2
import numpy as np
import matplotlib.pyplot as plt
#读取原始图像
img_BGR = cv2.imread('luo.png')
#BGR转换为RGB
img_RGB = cv2.cvtColor(img_BGR, cv2.COLOR_BGR2RGB)
#灰度化处理
img_GRAY = cv2.cvtColor(img_BGR, cv2.COLOR_BGR2GRAY)
#BGR转HSV
img_HSV = cv2.cvtColor(img_BGR, cv2.COLOR_BGR2HSV)
#BGR转YCrCb
img_YCrCb = cv2.cvtColor(img_BGR, cv2.COLOR_BGR2YCrCb)
#BGR转HLS
img_HLS = cv2.cvtColor(img_BGR, cv2.COLOR_BGR2HLS)
#BGR转XYZ
img_XYZ = cv2.cvtColor(img_BGR, cv2.COLOR_BGR2XYZ)
#BGR转LAB
img_LAB = cv2.cvtColor(img_BGR, cv2.COLOR_BGR2LAB)
#BGR转YUV
img_YUV = cv2.cvtColor(img_BGR, cv2.COLOR_BGR2YUV)
#调用matplotlib显示处理结果
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()其运行结果如图5-14所示：
六.总结
本章主要讲解Python和OpenCV的图像基础处理，从读取显示图像到读取修改像素，从创建、复制、保存图像到获取图像属性合通道，再详细讲解了图像算数与逻辑运算，包括图像加法、减法、与运算、或运算、异或运算、非运算，最后讲解了图像融合和获取图像ROI区域及图像类型转换。本章知识为后续的图像处理、图像识别、图像变换打下扎实基础。
以上就是Python图像处理之图像融合与ROI区域绘制详解的详细内容，更多关于Python图像处理的资料请关注脚本之家其它相关文章！
相关文章
这篇文章主要介绍了selenium2.0中常用的python函数,总结分析了selenium2.0中常用的python函数的功能、原理与基本用法,需要的朋友可以参考下2019-08-08
pyinstaller打包单个exe后无法执行错误的解决方法
今天小编就为大家分享一篇pyinstaller打包单个exe后无法执行错误的解决方法，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧2019-06-06
自动微分技术（称为“automatic differentiation, autodiff”）是介于符号微分和数值微分的一种技术，它是在计算效率和计算精度之间的一种折衷。本文主要介绍了Python如何实现前向和反向自动微分，需要的可以参考一下2022-12-12
Python Fuzzywuzzy库基本函数及模糊字符串匹配应用实战
fuzzywuzzy 是一个用于模糊字符串匹配的 Python 库,它基于编辑距离算法,提供了多个函数来比较字符串之间的相似性,在实际开发中,字符串匹配是一项常见但具有挑战性的任务,用户可能犯拼写错误,使用缩写或者输入同义词,因此,我们需要一种方法来处理这些情况2023-12-12
这篇文章主要介绍了使用python批量修改XML文件中图像的depth值,本文给大家介绍的非常详细，对大家的学习或工作具有一定的参考借鉴价值，需要的朋友可以参考下2020-07-07
Python pandas处理缺失值方法详解(dropna、drop、fillna)
缺失数据会在很多数据分析应用中出现,pandas的目标之一就是尽可能无痛地处理缺失值,下面这篇文章主要给大家介绍了关于Python pandas处理缺失值方法的相关资料，处理方法分别是dropna、drop、fillna,需要的朋友可以参考下2022-08-08
python实现把两个二维array叠加成三维array示例
今天小编就为大家分享一篇python实现把两个二维array叠加成三维array示例，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧2019-11-11
这篇文章主要介绍了python爬取音频下载的示例代码，帮助大家更好的理解和学习python爬虫，感兴趣的朋友可以了解下2020-10-10
什么是好用的代码呢？其实就是代码质量比较高，如何评价代码质量的高低呢？最常用的、最重要的评价标准，就是代码的可维护性、可读性、可扩展性、灵活性、简洁性、可复用性、可测试性2021-09-09
这篇文章主要介绍了python基础面试题整理,本篇文章通过简要的案例,讲解了该项技术的了解与使用,以下就是详细内容,需要的朋友可以参考下2021-08-08
最新评论