图像背景与前景运算

版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/Bigat/article/details/80889636

我们可以将一些logo图案加在其他的图像上，这和图像的按比重加法的不同之处在于按比重加法是整体的加法，要求比较多，而在本节内容中，则主要是提取一些特征来实现加法，实用性更强，首先来对比一下这两者的差别。

图1 图像按比重混合（左）图像前景背景混合（右）

实现的过程（代码网上较多，本文就不附代码）

1. 获取前景图像的特征轮廓（logo部分）

将前景图像转为灰度图像，然后进行二值化（确保logo与背景在灰度图中像素值差异明显，提取的效果才会好）

   
   

     
     

      
      

     
     
     
     

      
      

       
       img2gray=cv2.cvtColor(img2,cv2.COLOR_BGR2GRAY)
       
       #将图像转为灰度图
      
      
     
     

     
     

      
      

     
     
     
     

      
      

       
       ret,mask=cv2.threshold(img2gray,
       
       242,
       
       255,cv2.THRESH_BINARY)
       
       #第二个参数为阈值，第三个参数为高于阈值取值结果，第四个是阈值方法
      
      
     
     
   
   

ret值存放的是阈值，mask存放二值图，我们希望logo部分的值为0，这样和背景图做与运算时，logo部分就会保留（为0）

图2 logo二值化后

2. logo二值化后与背景图做与运算

这样做的结果就是在背景图中，logo部分的像素值均会为0

图3 logo二值化后与背景图上的ROI区域做与运算

3. 对logo的二值化图取反，将其与logo图做与运算

结果就和上一步相反，logo图中的特征部分保留，其背景被消除

图4 logo图二值化取反后与logo原图与运算

4. 上两步的结果相加

相加后，我们希望的结果就实现了！然后，将这一部分复制到我们原图的对应部分（ROI区域）

图5 相加后的结果

5. 对图像中的噪点进行滤波 

5.1对取得logo的边缘后对其滤波（在最终相加前）

图 6 对logo部分滤波（均值滤波，核矩阵大小为5*5）

滤波后，图像边缘噪点要少，但图像模糊化了，在猫的眼睛部分尤其明显，采用小的核矩阵效果会好一些，但在边缘处的处理有不如前者。

5.2 对相加后的结果滤波

图7 相加后对图像滤波

对比两者（相加前和相加后滤波），可以发现后者在对边缘的处理效果要好，噪点少，更加平滑。后续的可以结合其他的滤波方法，来对比效果，选择最佳的滤波方法。

参考文献：OpenCV官方文档（中文版） for python