【泊松融合】python简单实现dct解法

最新推荐文章于 2024-09-02 17:46:41 发布

名を偏屈な炎

最新推荐文章于 2024-09-02 17:46:41 发布

阅读量576

点赞数 6

文章标签： python

本文链接：https://blog.csdn.net/qq_43647367/article/details/137923009

版权

原理

泊松融合原理

希望将某图像src中roi区域无缝地融合到另一张图像dst中，在保持边缘像素值相等的情况下，dst的roi内部的纹理（梯度场）尽量和某给定梯度场相等（下面示例是src+dst的梯度场，也可以自定义），可列出如下最小化问题：
在这里插入图片描述
该问题的解满足带有狄利克雷边界条件的泊松方程，具体推导过程可以看二元欧拉-拉格朗日方程的推导过程，本小白看的这视频和这博客。

DCT解法原理

代码实现

以下实现的是梯度混合，实际上直接梯度相加了

def poisson_merge(src, dst, mask):
    """ 泊松融合
    src:  (h, w)   灰度图
    dst:  (h, w)
    mask: (h, w)  {0, 1}
    """

    dst_0 = dst.copy()
    h, w = src.shape
	
	# 扩充图像
    dst1 = np.zeros((h + 2, w + 2), np.uint8)
    dst1[1:h + 1, 1:w + 1] = dst

    # 边界填充
    dst1[0:1] = dst1[1:2]
    dst1[-1:] = dst1[-2:-1]
    dst1[:, 0:1] = dst1[:, 1:2]
    dst1[:, -1:] = dst1[:, -2:-1]


    kernal_x = np.array([[0, 0, 0],
                         [0, -1, 0],
                         [0, 1, 0]])
    kernal_y = kernal_x.T
    gradx_src = cv2.filter2D(src, cv2.CV_32F, kernal_x)
    grady_src = cv2.filter2D(src, cv2.CV_32F, kernal_y)
    gradx_dst1 = cv2.filter2D(dst1, cv2.CV_32F, kernal_x)
    grady_dst1 = cv2.filter2D(dst1, cv2.CV_32F, kernal_y)

    # 梯度操作 可以有其他操作梯度的方式
    gradx_dst1[ 1:h + 1, 1:w + 1][mask!=0] += gradx_src[mask!=0]
    grady_dst1[ 1:h + 1, 1:w + 1][mask!=0] += grady_src[mask!=0]
	
	# 和上面的卷积核共同作用于原图 等价于 拉普拉斯算子作用于原图
    kernal_x = np.array([[0, -1, 0], 
                         [0, 1, 0],
                         [0, 0, 0]])
    kernal_y = kernal_x.T

    lap = (cv2.filter2D(gradx_dst1, cv2.CV_32F, kernal_x) + cv2.filter2D(grady_dst1, cv2.CV_32F, kernal_y))[ 1:h + 1, 1:w + 1] 
    # dct变换
    lap = cv2.dct(lap)

    # 计算系数
    fx = 2 * np.cos(np.pi * np.arange(h) / (h)) 
    fy = 2 * np.cos(np.pi * np.arange(w) / (w))
    f = fx.reshape(-1, 1) + fy - 4
    lap /= f 
    lap[0, 0] = 0

    # 反dct变换
    dst = cv2.idct(lap)

    # 求低频系数
    dst -= dst.mean()
    dst += dst_0.mean()

    dst[dst > 255] = 255
    dst[dst < 0] = 0

    return dst.astype(np.uint8)