导读

本期将介绍并演示OpenCV使用seamlessClone实现图像无缝融合效果。

介绍

seamlessClone是OpenCV3后添加的函数，使用此函数可以轻松将一幅图像中的指定目标复制后粘贴到另一幅图像中，并自然的融合。函数说明：

参数:

-NORMAL_CLONE: 不保留dst 图像的texture细节。目标区域的梯度只由源图像决定。

-MIXED_CLONE: 保留dest图像的texture 细节。目标区域的梯度是由原图像和目的图像的组合计算出来(计算dominat gradient)。

-MONOCHROME_TRANSFER: 不保留src图像的颜色细节，只有src图像的质地，颜色和目标图像一样，可以用来进行皮肤质地填充。

效果展示

手动框选左图中的花灯，然后自动粘贴融合到右图背景中：

手动框选左图中的飞机，然后自动粘贴融合到右图背景中并动起来：

参数对比演示与实现步骤

src图：

框选ROI区域设定mask：

dst背景图：

NORMAL_CLONE：

MIXED_CLONE：

MONOCHROME_TRANSFER：

对比发现第二种MIXED_CLONE参数效果融合最自然，不会覆盖背景图信息。

放花灯程序实现步骤：

(1) 使用OpenCV鼠标事件绘制矩形截取Rect设置mask(不会的话看我B站的视频教程有详细讲解)；

(2) 使用seamlessClone完成图像融合。

效果见开头效果视频，源码如下：

(1) Python版本：

import cv2import numpy as np
flag = Falsex1=y1=0
def gen_light(rect):  global temp2,result,dst,temp  temp2 = temp.copy() #原图备份  mask1 = np.zeros(temp2.shape, temp2.dtype)  cv2.rectangle(mask1,rect,(255,255,255),-1)  result = cv2.seamlessClone(temp2, dst, mask1, (400,200), cv2.MONOCHROME_TRANSFER)  cv2.imshow('result',result)def screenShot(event,x,y,flags,param):  global x1,y1,flag,img,temp  if event==cv2.EVENT_LBUTTONDOWN: #鼠标左键按下    flag = True #表示当前鼠标左键是按下的    x1 = x    y1 = y  elif event==cv2.EVENT_MOUSEMOVE: #鼠标移动    if(flag):      img = temp.copy()#原图复制(把绘制的矩形清空)      cv2.rectangle(img,(x1,y1),(x,y),(0,255,0),2)  elif event==cv2.EVENT_LBUTTONUP: #鼠标左键弹起    flag = False    ROI = temp[y1:y,x1:x] #---y1:y2, x1:x2    gen_light((x1,y1,x-x1,y-y1))    img = cv2.imread('light.jpg') #读取图像dst = cv2.imread("./2.jpg")temp = img.copy() #原图备份
cv2.imshow("result", dst)
cv2.namedWindow('selectROI')
cv2.setMouseCallback('selectROI',screenShot)
while(1):  cv2.imshow('selectROI',img)  if cv2.waitKey(1)&0xFF==27: #Esc按下退出    break
cv2.destroyAllWindows()

(2) C++版本核心代码：

//鼠标事件绘制矩形代码看B站视频，地址：//https://www.bilibili.com/video/BV1sa4y1s7FR?p=10Mat src = imread("light.jpg");Mat dst = imread("2.jpg");
Mat mask = Mat::zeros(src.rows, src.cols, src.depth());rectangle() //绘制mask自己添加Point center(400,200);Mat output;seamlessClone(src, dst, mask, center, output, NORMAL_CLONE);

OpenCV例程：

更多视觉图像处理相关内容，请关注公众号：OpenCV与AI深度学习。