基于Python OpenCV實(shí)現(xiàn)圖像的覆蓋
前言
在本文中，我將展示如何將對(duì)象從一個(gè)圖像添加到另一個(gè)圖像。為此，我們需要:
1.背景圖像;
2.對(duì)象
3.對(duì)象的mask(mask為黑色，其他空間為白色)。
在我們的例子中，背景是一張大海的照片，對(duì)象是一杯咖啡。在這里,他們是:
1.導(dǎo)入相關(guān)庫
現(xiàn)在，使用jupiter notebook創(chuàng)建一個(gè)新文件。首先，我們需要導(dǎo)入必要的模塊:
import cv2 # OpenCV import numpy as np import matplotlib.pyplot as plt
2.使用OpenCV讀取和顯示圖像
讓我們?cè)赾v2.imread()函數(shù)的幫助下打開圖像并顯示它們。
注意!
由于某些原因，OpenCV以BGR格式讀取圖像(藍(lán)色和紅色被交換)。我們需要借助cv2.cvtColor()函數(shù)將BGR轉(zhuǎn)換為RGB格式。
# Original image, which is the background?
background = cv2.imread('background.jpg')
background = cv2.cvtColor(background, cv2.COLOR_BGR2RGB)
# Image of the object
img = cv2.imread('cup.png')
img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
# Image the object's mask
mask = cv2.imread('cup_mask.png')
mask = cv2.cvtColor(mask, cv2.COLOR_BGR2RGB)
print("Background shape:", background.shape)
print("Image shape:", img.shape)
print("Mask shape:", img.shape)
# Background shape: (1280, 1920, 3)
# Image shape: (860, 1151, 3)
# Mask shape: (860, 1151, 3)我們看到背景圖像的高度為1280，寬度為1920，目標(biāo)圖像的高度為860，寬度為1151。
讓我們看看這些圖片:
plt.figure(figsize=(16,16))
plt.title("Background", fontsize=18)
plt.imshow(background);
fig, ax = plt.subplots(1, 2, figsize=(16, 7))
ax[0].imshow(img)
ax[0].set_title('Object', fontsize=18)
ax[1].imshow(mask)
ax[1].set_title('Mask', fontsize=18);
3.從物體的圖像中去除背景
現(xiàn)在我們將定義一個(gè)函數(shù)，它將對(duì)象的mask轉(zhuǎn)換為布爾數(shù)組。
在原始mask上，對(duì)象區(qū)域填充黑色，背景區(qū)域填充白色。
布爾數(shù)組具有與原始mask相同的高度和寬度，但只有一個(gè)通道。如果一個(gè)像素屬于對(duì)象區(qū)域，它的值為True，否則為False。
布爾mask將幫助我們刪除所有的背景像素。
def remove_obj_background(img_path, mask_path):
? ? '''
? ? Function returns:
? ? - image of the object with removed background in CV2 RGB format (numpy array with dimensions (width, height, 3))
? ? - boolean mask of the object (numpy array with dimensions (width, height))
? ? '''
? ? img = cv2.imread(img_path)
? ? img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
? ??
? ? mask = cv2.imread(mask_path)
? ? mask = cv2.cvtColor(mask, cv2.COLOR_BGR2RGB)?
? ??
? ? h, w = mask.shape[0], mask.shape[1]
? ??
? ? # Boolean mask is a numpy array with two dimensions: width and height.
? ? # On the original mask, object area is filled with black color, background area is filled with white color.
? ? # On the boolean mask, object area is filled with True, background area is filled with False.
? ? mask_boolean = mask[:,:,0] == 0
? ? img_with_removed_background = img * np.stack([mask_boolean, mask_boolean, mask_boolean], axis=2)
? ??
? ? return img_with_removed_background, mask_boolean
img_with_removed_background, mask_boolean = remove_obj_background('cup.png', 'cup_mask.png')
print("Shape of the image of the object:", img_with_removed_background.shape)
print("Shape of the boolean mask:", mask_boolean.shape)
print("\n")
# Image with removed background shape: (860, 1151, 3)
# Boolean mask shape: (860, 1151)
fig, ax = plt.subplots(1, 2, figsize=(16, 7))
ax[0].imshow(img_with_removed_background)
ax[0].set_title('Object with removed background', fontsize=18)
ax[1].imshow(mask_boolean)
ax[1].set_title('Boolean mask', fontsize=18);
4.添加對(duì)象到背景圖像
在我們定義向背景圖像添加對(duì)象的函數(shù)之前，我需要解釋和可視化幾個(gè)圖像重疊的情況。
比如說，背景圖像的高度是h_background，寬度是w_background，而目標(biāo)圖像的高度是h，寬度是w。
h應(yīng)該小于h_background, w應(yīng)該小于w_background。
case1) 如果我們將物體放置在背景的中間，那么一切都很簡(jiǎn)單:大小為h x w的背景區(qū)域部分應(yīng)該被物體替換掉。
case2) 如果我們將物體放置在背景的左上角，那么物體的一部分可能在背景區(qū)域之外。在這種情況下，背景區(qū)域的大小(h - y) x (w - x)的部分應(yīng)該被替換為對(duì)象。
這里-x和-y是對(duì)象圖像左上角的坐標(biāo)。符號(hào)' - '在這里是因?yàn)楸尘皥D像的左上角坐標(biāo)x=0和y=0。從背景圖像的左上角到對(duì)象左上角的所有區(qū)域的x坐標(biāo)都是負(fù)的，高于背景圖像的左上角的所有區(qū)域的y坐標(biāo)都是負(fù)的。
case3) 如果我們將物體放置在背景的左下角，那么物體的一部分可能在背景區(qū)域之外。在這種情況下，背景區(qū)域大小為(h_background - y) x (w - x)的部分應(yīng)該被替換為對(duì)象。
一般,面積可以計(jì)算為(h - max (0, y + h - h_background)) x (w - x),因?yàn)槿绻繕?biāo)圖像的最低邊界在背景圖像的最低邊界之上，那么h x (w - x)區(qū)域應(yīng)該被替換為目標(biāo)。
case4) 如果我們將物體放在背景的右上角，那么物體的一部分可能會(huì)在背景區(qū)域之外。在這種情況下，大小為 (h - y) x (w_background - x) 的背景區(qū)域部分應(yīng)替換為對(duì)象。
一般來說，面積可以計(jì)算為 (h - y) x (w - max(0, x + w - w_background))，因?yàn)槿绻矬w圖像的右邊界在背景圖像右邊界的左側(cè)，則 (h - y) x w 區(qū)域應(yīng)替換為對(duì)象。
case5) 如果我們將物體放在背景的右下角，那么物體的一部分可能會(huì)在背景區(qū)域之外。在這種情況下，大小為 (h_background - y) x (w_background - x) 的背景區(qū)域部分應(yīng)替換為對(duì)象。
一般來說，面積可以計(jì)算為 (h - max(0, y + h - h_background)) x (w - max(0, x + w - w_background))，因?yàn)槿绻矬w圖像的右側(cè)部分在背景圖像的右部分的左邊，如果對(duì)象圖像的最低部分高于背景圖像的最低部分，則應(yīng)將h x w區(qū)域替換為對(duì)象。
現(xiàn)在，考慮到上述所有情況，讓我們定義函數(shù):
def add_obj(background, img, mask, x, y):
'''
Arguments:
background - background image in CV2 RGB format
img - image of object in CV2 RGB format
mask - mask of object in CV2 RGB format
x, y - coordinates of the center of the object image
0 < x < width of background
0 < y < height of background
Function returns background with added object in CV2 RGB format
CV2 RGB format is a numpy array with dimensions width x height x 3
'''
bg = background.copy()
h_bg, w_bg = bg.shape[0], bg.shape[1]
h, w = img.shape[0], img.shape[1]
# Calculating coordinates of the top left corner of the object image
x = x - int(w/2)
y = y - int(h/2)
mask_boolean = mask[:,:,0] == 0
mask_rgb_boolean = np.stack([mask_boolean, mask_boolean, mask_boolean], axis=2)
if x >= 0 and y >= 0:
h_part = h - max(0, y+h-h_bg) # h_part - part of the image which overlaps background along y-axis
w_part = w - max(0, x+w-w_bg) # w_part - part of the image which overlaps background along x-axis
bg[y:y+h_part, x:x+w_part, :] = bg[y:y+h_part, x:x+w_part, :] * ~mask_rgb_boolean[0:h_part, 0:w_part, :] + (img * mask_rgb_boolean)[0:h_part, 0:w_part, :]
elif x < 0 and y < 0:
h_part = h + y
w_part = w + x
bg[0:0+h_part, 0:0+w_part, :] = bg[0:0+h_part, 0:0+w_part, :] * ~mask_rgb_boolean[h-h_part:h, w-w_part:w, :] + (img * mask_rgb_boolean)[h-h_part:h, w-w_part:w, :]
elif x < 0 and y >= 0:
h_part = h - max(0, y+h-h_bg)
w_part = w + x
bg[y:y+h_part, 0:0+w_part, :] = bg[y:y+h_part, 0:0+w_part, :] * ~mask_rgb_boolean[0:h_part, w-w_part:w, :] + (img * mask_rgb_boolean)[0:h_part, w-w_part:w, :]
elif x >= 0 and y < 0:
h_part = h + y
w_part = w - max(0, x+w-w_bg)
bg[0:0+h_part, x:x+w_part, :] = bg[0:0+h_part, x:x+w_part, :] * ~mask_rgb_boolean[h-h_part:h, 0:w_part, :] + (img * mask_rgb_boolean)[h-h_part:h, 0:w_part, :]
return bg
除了將背景、對(duì)象和mask圖像傳遞給函數(shù)外，我們還將傳遞坐標(biāo)x和y，它們定義了對(duì)象的中心位置。
坐標(biāo)(0,0)是背景的左上角。
w_bg和h_bg是背景的寬度和高度。
x和y應(yīng)滿足以下條件:0 < x < w_bg和0 < y < h_bg。
5.結(jié)果展示
讓我們看看這個(gè)函數(shù)是如何工作的。
例1). 讓我們把杯子放在背景的中央。背景的寬度是1920，高度是1280，所以對(duì)象的中心坐標(biāo)是x=1920/2=960和y=1280/2=640。
composition_1 = add_obj(background, img, mask, 960, 640) plt.figure(figsize=(15,15)) plt.imshow(composition_1);
例2). 讓我們把杯子放在背景的左下角。這一次，對(duì)象的中心坐標(biāo)是x=200和y=1100。
composition_2 = add_obj(composition_1, img, mask, 200, 1100) plt.figure(figsize=(15,15)) plt.imshow(composition_2);
例 3). 讓我們把杯子放在背景的右下角。這次對(duì)象中心的坐標(biāo)是 x=1800 和 y=1100。
composition_3 = add_obj(composition_2, img, mask, 1800, 1100) plt.figure(figsize=(15,15)) plt.imshow(composition_3);
例 4). 讓我們把杯子放在背景的左上角。這次對(duì)象中心的坐標(biāo)是 x=200 和 y=200。
composition_4 = add_obj(composition_3, img, mask, 200, 200) plt.figure(figsize=(15,15)) plt.imshow(composition_4);
例5). 讓我們把杯子放在背景的右上角。這一次，對(duì)象的中心坐標(biāo)是x=1800和y=200。
composition_5 = add_obj(composition_4, img, mask, 1800, 200) plt.figure(figsize=(15,15)) plt.imshow(composition_5);
以上就是基于Python OpenCV實(shí)現(xiàn)圖像的覆蓋的詳細(xì)內(nèi)容，更多關(guān)于Python OpenCV圖像覆蓋的資料請(qǐng)關(guān)注腳本之家其它相關(guān)文章！
相關(guān)文章
Python批量創(chuàng)建迅雷任務(wù)及創(chuàng)建多個(gè)文件
其實(shí)不是真的創(chuàng)建了批量任務(wù)，而是用python創(chuàng)建一個(gè)文本文件，每行一個(gè)要下載的鏈接，然后打開迅雷，復(fù)制文本文件的內(nèi)容，迅雷監(jiān)測(cè)到剪切板變化，彈出下載全部鏈接的對(duì)話框2016-02-02
Python小工具之消耗系統(tǒng)指定大小內(nèi)存的方法
今天小編就為大家分享一篇Python小工具之消耗系統(tǒng)指定大小內(nèi)存的方法，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過來看看吧2018-12-12
pycharm編寫spark程序，導(dǎo)入pyspark包的3中實(shí)現(xiàn)方法
這篇文章主要介紹了pycharm編寫spark程序，導(dǎo)入pyspark包的3中實(shí)現(xiàn)方法,文中通過示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友可以參考下2019-08-08
Python實(shí)現(xiàn)批量文件分類保存的示例代碼
當(dāng)我們電腦里面的文本或者或者文件夾太多了，有時(shí)候想找到自己想要的文件，只能通過去搜索文件名，這樣還是很麻煩的。本文將通過Python語言實(shí)現(xiàn)文件批量分類保存，需要的可以參考一下2022-04-04
這篇文章主要介紹了python將多張圖片合并成一張圖片的全過程,文中通過代碼示例和圖文給大家講解的非常詳細(xì),對(duì)大家學(xué)習(xí)使用python將多張圖片合并成一張圖片有一定的幫助,需要的朋友可以參考下2024-03-03
這篇文章主要介紹了python如何將txt坐標(biāo)批量打印到原圖上的問題,具有很好的參考價(jià)值,希望對(duì)大家有所幫助,如有錯(cuò)誤或未考慮完全的地方,望不吝賜教2023-08-08
python如何實(shí)現(xiàn)單向鏈表及單向鏈表的反轉(zhuǎn)
這篇文章主要介紹了python如何實(shí)現(xiàn)單向鏈表及單向鏈表的反轉(zhuǎn)，幫助大家更好的理解和學(xué)習(xí)使用python，感興趣的朋友可以了解下2021-03-03
這篇文章主要介紹了Python request操作步驟及代碼實(shí)例,文中通過示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友可以參考下2020-04-04
這篇文章主要介紹了python集合,實(shí)例分析了Python中返回一個(gè)返回值與多個(gè)返回值的方法,需要的朋友可以參考下2021-10-10
這篇文章主要介紹了Python分類測(cè)試代碼實(shí)例匯總,文中通過示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友可以參考下2020-07-07