拉普拉斯|尺寸_youcans的OpenCV例程200篇189.基于掩模的拉普拉斯金字塔图像融合

篇首语：本文由编程笔记#小编为大家整理，主要介绍了youcans 的 OpenCV 例程200篇189.基于掩模的拉普拉斯金字塔图像融合相关的知识，希望对你有一定的参考价值。

OpenCV 例程200篇 总目录-202205更新

图像金字塔是一系列来源于同一张原始图像、以金字塔形状排列的分辨率逐步降低的图像集合。从底层图像可以看清更多细节&＃xff0c;从顶层图像可以看到更多的轮廓特征。

在计算高斯金字塔时&＃xff0c;不断进行高斯滤波和下采样&＃xff0c;丢失了高频信息。为了描述这些高频信息&＃xff0c;将通过原图像减去先缩小后放大的图像的一系列差分图像&＃xff0c;定义为拉普拉斯金字塔&＃xff08;Laplacian Pyramid&＃xff09;。

6.3 基于拉普拉斯金字塔的图像融合

图像融合的目的就是使两幅图像的重叠区域过渡自然且平滑。

拉普拉斯金字塔将源图像分解到不同的频带&＃xff0c;越高频的图像信息越到上层。在相同显示尺寸下比较不同分辨率的拉普拉斯图像&＃xff0c;可以发现不同尺度下关注的细节是不同的&＃xff0c;低分辨率下关注的是较大尺度的基本纹理&＃xff0c;而高分辨率下关注的是更精细的纹理。

金字塔图像融合过程&＃xff0c;是在不同尺度、不同空间分辨率和不同分解层上分别进行的&＃xff0c;也称为多波段融合&＃xff08;Multi-band Blending&＃xff09;。多波段融合的思想&＃xff0c;是先对多幅图像分别构建拉普拉斯金字塔&＃xff0c;然后对同一层图像&＃xff08;相同频段&＃xff09;按一定规则融合&＃xff0c;对融合后的图像金字塔重建得到融合图像。

在上一个例程的基础上&＃xff0c;通过掩模图像 mask 实现图像融合&＃xff0c;将前景图像叠加到背景图像的指定位置&＃xff0c;通过拉普拉斯金字塔在不同频段层次上进行图像融合。

简单地&＃xff0c;融合区域中的像素值采用前景图像和背景的掩模加法计算&＃xff1a;





P


(


i


,


j


)


&＃61;


ω



P


A



(


i


,


j


)


&＃43;


(


1


−


ω


)



P


B



(


i


,


j


)



P(i,j) &＃61; \\omega P_A(i,j) &＃43; (1-\\omega) P_B(i,j)


P(i,j)&＃61;ωPA​(i,j)&＃43;(1−ω)PB​(i,j)

$\omega$ 为掩模图像&＃xff0c;前景区域为黑色遮罩&＃xff1b;$(1-\omega )$为逆遮罩&＃xff0c;前景区域白色开窗&＃xff0c;其它区域黑色。

算法原理&＃xff1a;

&＃xff08;1&＃xff09;读取背景图像和前景图像&＃xff0c;指定叠加位置&＃xff0c;将前景图像调整到指定的大小。
&＃xff08;2&＃xff09;生成掩模图像 mask&＃xff0c;标识叠加前景的位置。
&＃xff08;3&＃xff09;建立背景图像和前景图像的高斯金字塔和拉普拉斯金字塔。
&＃xff08;4&＃xff09;基于掩模图像将顶层高斯金字塔、各层拉普拉斯金字塔的背景和前景图像分别进行加权融合。
&＃xff08;5&＃xff09;从顶层的高斯金字塔融合图像开始重建融合图像&＃xff0c;与各层拉普拉斯金字塔融合图像相加&＃xff0c;得到重建的各层高斯金字塔融合图像&＃xff0c;直到底层高斯金字塔融合图像 G0 即为重建的结果。

例程&＃xff1a;1.89 基于掩模的拉普拉斯金字塔图像融合

。

# 1.89&＃xff1a;基于掩模的金字塔图像融合
img1 &＃61; cv2.imread("../images/seaside02.png") # 背景图像
img2 &＃61; cv2.imread("../images/seagull02.png") # 添加的前景图像
xmin, ymin, w, h &＃61; 256, 64, 200, 200 # 矩形 ROI 位置: (ymin:ymin&＃43;h, xmin:xmin&＃43;w)
levels &＃61; 5
# 调整尺寸&＃xff0c;将背景图片调整到 power(2,levels) 的整数倍
imgBack &＃61; cv2.resize(img1, (512, 512), interpolation&＃61;cv2.INTER_CUBIC)
# h &＃61; round(w * img2.shape[0]/img2.shape[1]) # 调整 ROI 尺寸与前景图像尺寸匹配
front &＃61; cv2.resize(img2, (w&＃43;50, h&＃43;50)) # 将前景图像调整到指定大小 (w,h)
imgFront &＃61; np.zeros(imgBack.shape, dtype&＃61;np.uint8) # 与 imgback 尺寸相同的黑色图像
imgFront[ymin-25:ymin&＃43;h&＃43;25, xmin-25:xmin&＃43;w&＃43;25] &＃61; front
mask0 &＃61; np.ones((imgBack.shape[:2]), dtype&＃61;np.uint8) # 返回与图像 imgback 尺寸相同的全零数组
mask0[ymin:ymin&＃43;h, xmin:xmin&＃43;w] &＃61; 0 # 掩模图像&＃xff0c;ROI 为黑色
bg &＃61; cv2.bitwise_and(imgBack, imgBack, mask&＃61;mask0) # 生成背景&＃xff0c;mask 遮罩区域黑色
fg &＃61; cv2.bitwise_and(imgFront, imgFront, mask&＃61;1-mask0) # 生成前景&＃xff0c;前景以外区域黑色
stack &＃61; cv2.add(bg, fg) # 直接合成前景与背景
# 图像向下取样, 构造高斯金字塔: [原图&＃xff0c;下取样1次&＃xff0c;下取样2次&＃xff0c;下取样3次&＃xff0c;下取样4次]
gaussPyrB, gaussPyrF, maskLPyr &＃61; [imgBack], [imgFront], [mask0]
for i in range(1, levels): # 计算第 i 层高斯金字塔
gaussPyrB.append(cv2.pyrDown(gaussPyrB[i-1]))
gaussPyrF.append(cv2.pyrDown(gaussPyrF[i-1]))
maskLPyr.append(cv2.resize(maskLPyr[i-1], dsize&＃61;None, fx&＃61;0.5, fy&＃61;0.5))
# 图像向上取样, 构造拉普拉斯金字塔 [第1层残差&＃xff0c;第2层残差&＃xff0c;第3层残差&＃xff0c;第4层残差]
lapPyrB, lapPyrF &＃61; [], [] # 从最顶层开始恢复
for i in range(levels-1): # 拉普拉斯金字塔有 4 层: 0,1,2,3
lapB &＃61; gaussPyrB[i] - cv2.pyrUp(gaussPyrB[i&＃43;1]) # 残差
lapPyrB.append(lapB)
lapF &＃61; gaussPyrF[i] - cv2.pyrUp(gaussPyrF[i&＃43;1]) # 残差
lapPyrF.append(lapF)
# 基于掩模图像的拉普拉斯加权融合
lapFusion &＃61; []
for i in range(levels-1): # 拉普拉斯金字塔共 4 层: 0,1,2,3
mask &＃61; maskLPyr[i] # 当前分辨率的掩模遮罩&＃xff0c;前景区域黑色遮罩
maskInv &＃61; 1 - mask # 生成逆遮罩&＃xff0c;前景区域白色开窗&＃xff0c;前景以外区域黑色
bg &＃61; cv2.bitwise_and(lapPyrB[i], lapPyrB[i], mask&＃61;mask) # 生成背景&＃xff0c;mask 遮罩区域黑色
fg &＃61; cv2.bitwise_and(lapPyrF[i], lapPyrF[i], mask&＃61;maskInv) # 生成前景&＃xff0c;前景以外区域黑色
lapStack &＃61; cv2.add(bg, fg) # 前景与背景合成&＃xff0c;得到当前分辨率的拉普拉斯融合图像
lapFusion.append(lapStack)
# 拼接高斯金字塔顶层 G4: (32,32)
mask &＃61; maskLPyr[levels-1] # 当前分辨率的掩模遮罩&＃xff0c;前景区域黑色遮罩
maskInv &＃61; 1 - mask # 生成逆遮罩&＃xff0c;前景区域白色开窗&＃xff0c;前景以外区域黑色
bg &＃61; cv2.bitwise_and(gaussPyrB[levels-1], gaussPyrB[levels-1], mask&＃61;mask) # 生成背景&＃xff0c;mask 遮罩区域黑色
fg &＃61; cv2.bitwise_and(gaussPyrF[levels-1], gaussPyrF[levels-1], mask&＃61;maskInv) # 生成前景&＃xff0c;前景以外区域黑色
gaussStack &＃61; cv2.add(bg, fg) # 前景与背景合成&＃xff0c;得到叠加图像 (32,32)
plt.figure(figsize&＃61;(10, 7))
plt.subplot(231), plt.axis(&＃39;off&＃39;), plt.title("Origin")
plt.imshow(cv2.cvtColor(img1, cv2.COLOR_BGR2RGB))
plt.subplot(232), plt.axis(&＃39;off&＃39;), plt.title("Stacked")
plt.imshow(cv2.cvtColor(stack, cv2.COLOR_BGR2RGB))
fusion &＃61; gaussStack # 从高斯金字塔顶层 G4:(32,32) 开始逐层复原
for i in range(levels-1, 0, -1): # 拉普拉斯金字塔有 4 层: 3,2,1,0
pyrG &＃61; cv2.pyrUp(fusion) # # 上采样&＃xff0c;图像尺寸加倍
fusion &＃61; lapFusion[i-1] &＃43; cv2.pyrUp(fusion)
plt.subplot(2,3,levels-i&＃43;2), plt.axis(&＃39;off&＃39;), plt.title("G: ".format(i-1,fusion.shape[:2]))
plt.imshow(cv2.cvtColor(fusion, cv2.COLOR_BGR2RGB))
plt.tight_layout()
plt.show()


&＃xff08;本节完&＃xff09;

版权声明&＃xff1a;

OpenCV 例程200篇 总目录-202205更新
youcans&＃64;xupt 原创作品&＃xff0c;转载必须标注原文链接&＃xff1a;(https://blog.csdn.net/youcans/article/details/124866268)

Copyright 2022 youcans, XUPT
Crated&＃xff1a;2022-5-20

欢迎关注 『youcans 的 OpenCV 例程 200 篇』 系列&＃xff0c;持续更新中
欢迎关注 『youcans 的 OpenCV学习课』 系列&＃xff0c;持续更新中

【youcans 的 OpenCV 例程200篇】147. 图像分割之孤立点检测
【youcans 的 OpenCV 例程200篇】148. 图像分割之线检测
【youcans 的 OpenCV 例程200篇】149. 图像分割之边缘模型
【youcans 的 OpenCV 例程200篇】150. 边缘检测梯度算子
【youcans 的 OpenCV 例程200篇】151. 边缘检测中的平滑处理
【youcans 的 OpenCV 例程200篇】152. 边缘检测之 LoG 算子
【youcans 的 OpenCV 例程200篇】153. 边缘检测之 DoG 算子
【youcans 的 OpenCV 例程200篇】154. 边缘检测之 Canny 算子
【youcans 的 OpenCV 例程200篇】155. 边缘连接的局部处理方法
【youcans 的 OpenCV 例程200篇】156. 边缘连接局部处理的简化算法
【youcans 的 OpenCV 例程200篇】157. 霍夫变换直线检测
【youcans 的 OpenCV 例程200篇】158. 阈值处理之固定阈值法
【youcans 的 OpenCV 例程200篇】159. 图像分割之全局阈值处理
【youcans 的 OpenCV 例程200篇】160. 图像处理之OTSU 方法
【youcans 的 OpenCV 例程200篇】161. OTSU 阈值处理算法的实现
【youcans 的 OpenCV 例程200篇】162. 全局阈值处理改进方法
【youcans 的 OpenCV 例程200篇】163. 基于边缘信息改进全局阈值处理
【youcans 的 OpenCV 例程200篇】164.使用 Laplace 边缘信息改进全局阈值处理
【youcans 的 OpenCV 例程200篇】165.多阈值 OTSU 处理方法
【youcans 的 OpenCV 例程200篇】166.自适应阈值处理
【youcans 的 OpenCV 例程200篇】167.基于移动平均的可变阈值处理
【youcans 的 OpenCV 例程200篇】168.图像分割之区域生长
【youcans 的 OpenCV 例程200篇】169.图像分割之区域分离
【youcans 的 OpenCV 例程200篇】170.图像分割之K均值聚类
【youcans 的 OpenCV 例程200篇】171.SLIC 超像素区域分割
【youcans 的 OpenCV 例程200篇】172.SLIC 超像素区域分割算法比较
【youcans 的 OpenCV 例程200篇】173.SEEDS 超像素区域分割
【youcans 的 OpenCV 例程200篇】174.LSC 超像素区域分割
【youcans 的 OpenCV 例程200篇】175.超像素区域分割方法比较
【youcans 的 OpenCV 例程200篇】176.图像分割之均值漂移算法
【youcans 的 OpenCV 例程200篇】177.图像分割之 GraphCuts 图割法
【youcans 的 OpenCV 例程200篇】178.图像分割之 GrabCut 图割法&＃xff08;框选前景&＃xff09;
【youcans 的 OpenCV 例程200篇】179.图像分割之 GrabCut 图割法&＃xff08;掩模图像&＃xff09;
【youcans 的 OpenCV 例程200篇】180.基于距离变换的分水岭算法
【youcans 的 OpenCV 例程200篇】181.基于 Sobel 梯度的分水岭算法
【youcans 的 OpenCV 例程200篇】182.基于形态学梯度的分水岭算法
【youcans 的 OpenCV 例程200篇】183.基于轮廓标记的分水岭算法
【youcans 的 OpenCV 例程200篇】184.鼠标交互标记的分水岭算法
【youcans 的 OpenCV 例程200篇】185.图像金字塔之高斯金字塔
【youcans 的 OpenCV 例程200篇】186.图像金字塔之拉普拉斯金字塔
【youcans 的 OpenCV 例程200篇】187.由拉普拉斯金字塔还原图像
【youcans 的 OpenCV 例程200篇】188.基于拉普拉斯金字塔的图像融合
【youcans 的 OpenCV 例程200篇】189.基于掩模的拉普拉斯金字塔图像融合