使用 OpenCV 添加（混合）两个图像

目标

在本教程中，您将学习：

• 什么是线性混合以及为什么它有用;
• 如何使用 addWeighted（） 添加两个图像

理论

注意

下面的解释属于Richard Szeliski的《计算机视觉：算法和应用》一书

从我们之前的教程中，我们已经知道了一些像素运算符。一个有趣的二元（双输入）算子是线性混合算子：

\[g（x） = （1 - \alpha）f_{0}（x） + \alpha f_{1}（x）\]

通过改变 \（\alpha\） 与 \（0 \rightarrow 1\） 相比，此运算符可用于在两个图像或视频之间执行时间交叉融合，如幻灯片放映和电影制作中所示（很酷，嗯？

源代码

C++爪哇岛蟒

从此处下载源代码。

#include“opencv2/imgcodecs.hpp”

#include“opencv2/highgui.hpp”

#include < iostream>

使用命名空间 CV;

我们在这里不是“使用命名空间 std”，以避免 c++17 中 beta 变量和 std：：beta 之间的冲突

使用 std：：cin;

使用 std：：cout;

使用 std：：endl;

int main（ 无效 )

{

双阿尔法 = 0.5;双贝塔;双输入;

垫子 src1， src2， dst;

cout << “Simple Linear Blender ” << endl;

cout << “-----------------------” << endl;

cout << “* 输入 alpha [0.0-1.0]： ”;

cin >>输入;

如果 alpha 介于 0 和 1 之间，我们使用用户提供的 alpha

if（ 输入 >= 0 && 输入 <= 1 ）

{ alpha = 输入;

src1 = imread（ samples：：findFile（“LinuxLogo.jpg”) );

src2 = imread（ samples：：findFile（“WindowsLogo.jpg”) );

if（ src1.empty（） ） { cout << “加载 src1 时出错” << endl;返回EXIT_FAILURE;}

if（ src2.empty（） ） { cout << “加载 src2 时出错” << endl;返回EXIT_FAILURE;}

贝塔 = （ 1.0 - 阿尔法 ）;

addWeighted（ src1， alpha， src2， beta， 0.0， dst）;

imshow（ “线性混合”， dst ）;

waitKey（0）;

返回 0;

}

解释

C++爪哇岛蟒

由于我们将要执行：

\[g（x） = （1 - \alpha）f_{0}（x） + \alpha f_{1}（x）\]

我们需要两个源图像（\（f_{0}（x）\）和\（f_{1}（x）\））。因此，我们以通常的方式加载它们：

src1 = imread（ samples：：findFile（“LinuxLogo.jpg”) );

src2 = imread（ samples：：findFile（“WindowsLogo.jpg”) );

我们使用了以下图像：LinuxLogo.jpg和WindowsLogo.jpg

警告

由于我们添加了 src1 和 src2，因此它们的大小（宽度和高度）和类型必须相同。

现在我们需要生成图像。为此，函数 addWeighted（） 非常方便：g(x)

贝塔 = （ 1.0 - 阿尔法 ）;

addWeighted（ src1， alpha， src2， beta， 0.0， dst）;

因为 addWeighted（） 产生：

dst=α⋅src1+β⋅src2+γ

在本例中，是上述代码中的参数 0.0。gamma0.0

创建窗口，显示图像并等待用户结束程序。

imshow（ “线性混合”， dst ）;

waitKey（0）;

结果

   在线教程

• 麻省理工学院人工智能视频教程 – 麻省理工人工智能课程
• 人工智能入门 – 人工智能基础学习。Peter Norvig举办的课程
• EdX 人工智能 – 此课程讲授人工智能计算机系统设计的基本概念和技术。
• 人工智能中的计划 – 计划是人工智能系统的基础部分之一。在这个课程中，你将会学习到让机器人执行一系列动作所需要的基本算法。
• 机器人人工智能 – 这个课程将会教授你实现人工智能的基本方法，包括：概率推算，计划和搜索，本地化，跟踪和控制，全部都是围绕有关机器人设计。
• 机器学习 – 有指导和无指导情况下的基本机器学习算法
• 机器学习中的神经网络 – 智能神经网络上的算法和实践经验
• 斯坦福统计学习

有需要的小伙伴，可以点击下方链接免费领取或者V扫描下方二维码免费领取🆓
​

人工智能书籍

• OpenCV（中文版）.(布拉德斯基等)
• OpenCV+3计算机视觉++Python语言实现+第二版
• OpenCV3编程入门 毛星云编著
• 数字图像处理_第三版
• 人工智能:一种现代的方法
• 深度学习面试宝典
• 深度学习之PyTorch物体检测实战
• 吴恩达DeepLearning.ai中文版笔记
• 计算机视觉中的多视图几何
• PyTorch-官方推荐教程-英文版
• 《神经网络与深度学习》(邱锡鹏-20191121)
• …
  

第一阶段：零基础入门（3-6个月）

新手应首先通过少而精的学习，看到全景图，建立大局观。 通过完成小实验，建立信心，才能避免“从入门到放弃”的尴尬。因此，第一阶段只推荐4本最必要的书（而且这些书到了第二、三阶段也能继续用），入门以后，在后续学习中再“哪里不会补哪里”即可。

第二阶段：基础进阶（3-6个月）

熟读《机器学习算法的数学解析与Python实现》并动手实践后，你已经对机器学习有了基本的了解，不再是小白了。这时可以开始触类旁通，学习热门技术，加强实践水平。在深入学习的同时，也可以探索自己感兴趣的方向，为求职面试打好基础。

第三阶段：工作应用

这一阶段你已经不再需要引导，只需要一些推荐书目。如果你从入门时就确认了未来的工作方向，可以在第二阶段就提前阅读相关入门书籍（对应“商业落地五大方向”中的前两本），然后再“哪里不会补哪里”。

 有需要的小伙伴，可以点击下方链接免费领取或者V扫描下方二维码免费领取🆓
​