python opencv图像叠加/图像融合/mask掩模

目录

1、图像叠加

2、图像融合

3、图像mask掩模（包括按位AND，OR，NOT和XOR运算）

---

1、图像叠加

可以通过OpenCV函数cv.add（）或简单地通过numpy操作添加两个图像，res = img1 + img2.两个图像应该具有相同的深度和类型，或者第二个图像可以是标量值.

import cv2
import numpy as np

img1 = cv2.imread('4.jpg')
img2 = cv2.imread('1.jpg')

imgadd = cv2.add(cv2.resize(img1,(200,200)),cv2.resize(img2,(200,200)))
cv2.imshow('imgadd',imgadd)
cv2.waitKey(0)

叠加结果：如果叠加两个图像，它将改变颜色

2、图像融合

图像加法，但是对图像赋予不同的权重（0到1之间），使得它具有混合感或透明感。

# 图像融合
combine = cv2.addWeighted(cv2.resize(img1,(200,200)),0.5,cv2.resize(img2,(200,200)),0.5,0)

cv2.imshow('combine',combine)
cv2.waitKey(0)

 结果：如果融合两个图像，会得到一个透明的效果. 

 

3、图像mask掩模（包括按位AND，OR，NOT和XOR运算）

.
目的：希望将opencv徽标放在图像上方

1. 如果叠加两个图像，它将改变颜色
2. 如果融合两个图像，会得到一个透明的效果. 我希望它不透明
3. 如果它是一个矩形区域，我可以使用ROI按之前描述的操作
4. 但是opencv徽标并不是矩形,可以按位操作完成相关功能

img2 = cv2.resize(img2,(100,100))

# I want to put logo on top-left corner, So I create a ROI
#首先获取原始图像roi
rows,cols,channels = img2.shape
roi = img1[0:rows, 0:cols ]

#原始图像转化为灰度值
# Now create a mask of logo and create its inverse mask also
img2gray = cv2.cvtColor(img2,cv2.COLOR_BGR2GRAY)

cv2.imshow('img2gray',img2gray)
cv2.waitKey(0)
'''
将一个灰色的图片，变成要么是白色要么就是黑色。（大于规定thresh值就是设置的最大值（常为255，也就是白色））
'''
#将灰度值二值化，得到ROI区域掩模
ret, mask = cv2.threshold(img2gray, 200, 255, cv2.THRESH_BINARY)

cv2.imshow('mask',mask)
cv2.waitKey(0)

#ROI掩模区域反向掩模
mask_inv = cv2.bitwise_not(mask)

cv2.imshow('mask_inv',mask_inv)
cv2.waitKey(0)

#掩模显示背景
# Now black-out the area of logo in ROI
img1_bg = cv2.bitwise_and(roi,roi,mask = mask)

cv2.imshow('img1_bg',img1_bg)
cv2.waitKey(0)

#掩模显示前景
# Take only region of logo from logo image.
img2_fg = cv2.bitwise_and(img2,img2,mask = mask_inv)
cv2.imshow('img2_fg',img2_fg)
cv2.waitKey(0)

#前背景图像叠加
# Put logo in ROI and modify the main image
dst = cv2.add(img1_bg,img2_fg)
img1[0:rows, 0:cols ] = dst

cv2.imshow('res',img1)
cv2.waitKey(0)
cv2.destroyAllWindows()


img1[0:rows, 0:cols ] = dst

cv2.imshow('res',img1)
cv2.waitKey(0)
cv2.destroyAllWindows()

 结果：

灰度图

 

二值化掩模             二值化掩模取反     ROI背景提取        ROI前景提取          ROI前背景融合

最终融合：