热门标签 | HotTags
当前位置:  开发笔记 > 编程语言 > 正文

python教程分享Opencv马赛克和毛玻璃效果与图片融合的实现

1.马赛克效果马赛克的基本原理就是,用某一个区域的某一个像素点替代这个区域所有的像素点,从而导致图片出现模糊的效果,如下:importcv2#马赛克效果imgcv2.imread(

1.马赛克效果

马赛克的基本原理就是,用某一个区域的某一个像素点替代这个区域所有的像素点,从而导致图片出现模糊的效果,如下:

Opencv 马赛克和毛玻璃效果与图片融合的实现

  import cv2      # 马赛克效果  img = cv2.imread(filename='../anqila21.jpg',flags=1)  imginfo = img.shape  height = imginfo[0]  width = imginfo[1]  flag = 2   # 系数,系数越小,马赛克的效果越不明显  for m in range(26,height):      for n in range(140,880):          if m%flag==0 and n%flag==0:              for i in range(0,flag):                  for j in range(0,flag):                      (b,g,r) = img[m,n]                      img[i+m,j+n] = (b,g,r)    cv2.imshow('dst',img)  cv2.waitkey(0)  

Opencv 马赛克和毛玻璃效果与图片融合的实现

Opencv 马赛克和毛玻璃效果与图片融合的实现

2. 毛玻璃效果

  import cv2  import numpy as np  import random    # 毛玻璃效果  img = cv2.imread(filename='../anqila21.jpg',flags=1)  imginfo = img.shape  height = imginfo[0]  width = imginfo[1]  dst = np.zeros((height,width,3),np.uint8)  for i in range(height-8):      for j in range(width-8):          index = int(random.random()*8)  # 生成0-8之间的随机数(不包括8)          dst[i, j] = img[i+index,j+index]  cv2.imshow('dst',dst)  cv2.waitkey(0)  

Opencv 马赛克和毛玻璃效果与图片融合的实现

3. 图片的融合

就是将两张图片融合到一张图片上,即可看到第一张图片的效果,也可以看到第二张图片的效果。

  import cv2    img_1 = cv2.imread(filename='../anqila21.jpg',flags=1)  img_2 = cv2.imread(filename='../huanghe.jpg',flags=1)  imginfo = img_1.shape  height = imginfo[0]  width = imginfo[1]  # roi  roi = 0.5  dst = cv2.addweighted(img_1,roi,img_2,(1-roi),0)  cv2.imshow('dst',dst)  cv2.waitkey(0)  

Opencv 马赛克和毛玻璃效果与图片融合的实现

算法实现

  import cv2  import numpy as np    img_1 = cv2.imread(filename='../anqila21.jpg',flags=1)  img_2 = cv2.imread(filename='../huanghe.jpg',flags=1)  imginfo = img_1.shape  height = imginfo[0]  width = imginfo[1]  # roi  roi = 0.5  dst = np.zeros((height,width,3),np.uint8)    for i in range(height):      for j in range(width):          (b1,g1,r1) = img_1[i,j]          (b2,g2,r2) = img_2[i,j]          dst[i,j] = (int(b1*roi+b2*(1-roi)),int(g1*roi+g2*(1-roi)),int(r1*roi+r2*(1-roi)))    cv2.imshow('dst',dst)  cv2.waitkey(0)    

Opencv 马赛克和毛玻璃效果与图片融合的实现

以上就是opencv 马赛克和毛玻璃效果与图片融合的实现的详细内容,更多关于opencv 的资料请关注<编程笔记>其它相关文章!

需要了解更多python教程分享Opencv 马赛克和毛玻璃效果与图片融合的实现,都可以关注python教程分享栏目&#8212;编程笔记


推荐阅读
  • 本文由编程笔记#小编为大家整理,主要介绍了logistic回归(线性和非线性)相关的知识,包括线性logistic回归的代码和数据集的分布情况。希望对你有一定的参考价值。 ... [详细]
  • 本文介绍了在Python3中如何使用选择文件对话框的格式打开和保存图片的方法。通过使用tkinter库中的filedialog模块的asksaveasfilename和askopenfilename函数,可以方便地选择要打开或保存的图片文件,并进行相关操作。具体的代码示例和操作步骤也被提供。 ... [详细]
  • 提升Python编程效率的十点建议
    本文介绍了提升Python编程效率的十点建议,包括不使用分号、选择合适的代码编辑器、遵循Python代码规范等。这些建议可以帮助开发者节省时间,提高编程效率。同时,还提供了相关参考链接供读者深入学习。 ... [详细]
  • 本文介绍了Python对Excel文件的读取方法,包括模块的安装和使用。通过安装xlrd、xlwt、xlutils、pyExcelerator等模块,可以实现对Excel文件的读取和处理。具体的读取方法包括打开excel文件、抓取所有sheet的名称、定位到指定的表单等。本文提供了两种定位表单的方式,并给出了相应的代码示例。 ... [详细]
  • 本文介绍了lua语言中闭包的特性及其在模式匹配、日期处理、编译和模块化等方面的应用。lua中的闭包是严格遵循词法定界的第一类值,函数可以作为变量自由传递,也可以作为参数传递给其他函数。这些特性使得lua语言具有极大的灵活性,为程序开发带来了便利。 ... [详细]
  • Python实现变声器功能(萝莉音御姐音)的方法及步骤
    本文介绍了使用Python实现变声器功能(萝莉音御姐音)的方法及步骤。首先登录百度AL开发平台,选择语音合成,创建应用并填写应用信息,获取Appid、API Key和Secret Key。然后安装pythonsdk,可以通过pip install baidu-aip或python setup.py install进行安装。最后,书写代码实现变声器功能,使用AipSpeech库进行语音合成,可以设置音量等参数。 ... [详细]
  • 本文介绍了使用Java实现大数乘法的分治算法,包括输入数据的处理、普通大数乘法的结果和Karatsuba大数乘法的结果。通过改变long类型可以适应不同范围的大数乘法计算。 ... [详细]
  • 开发笔记:加密&json&StringIO模块&BytesIO模块
    篇首语:本文由编程笔记#小编为大家整理,主要介绍了加密&json&StringIO模块&BytesIO模块相关的知识,希望对你有一定的参考价值。一、加密加密 ... [详细]
  • C# 7.0 新特性:基于Tuple的“多”返回值方法
    本文介绍了C# 7.0中基于Tuple的“多”返回值方法的使用。通过对C# 6.0及更早版本的做法进行回顾,提出了问题:如何使一个方法可返回多个返回值。然后详细介绍了C# 7.0中使用Tuple的写法,并给出了示例代码。最后,总结了该新特性的优点。 ... [详细]
  • Oracle分析函数first_value()和last_value()的用法及原理
    本文介绍了Oracle分析函数first_value()和last_value()的用法和原理,以及在查询销售记录日期和部门中的应用。通过示例和解释,详细说明了first_value()和last_value()的功能和不同之处。同时,对于last_value()的结果出现不一样的情况进行了解释,并提供了理解last_value()默认统计范围的方法。该文对于使用Oracle分析函数的开发人员和数据库管理员具有参考价值。 ... [详细]
  • sklearn数据集库中的常用数据集类型介绍
    本文介绍了sklearn数据集库中常用的数据集类型,包括玩具数据集和样本生成器。其中详细介绍了波士顿房价数据集,包含了波士顿506处房屋的13种不同特征以及房屋价格,适用于回归任务。 ... [详细]
  • 本文介绍了计算机网络的定义和通信流程,包括客户端编译文件、二进制转换、三层路由设备等。同时,还介绍了计算机网络中常用的关键词,如MAC地址和IP地址。 ... [详细]
  • 不同优化算法的比较分析及实验验证
    本文介绍了神经网络优化中常用的优化方法,包括学习率调整和梯度估计修正,并通过实验验证了不同优化算法的效果。实验结果表明,Adam算法在综合考虑学习率调整和梯度估计修正方面表现较好。该研究对于优化神经网络的训练过程具有指导意义。 ... [详细]
  • 本文介绍了C#中生成随机数的三种方法,并分析了其中存在的问题。首先介绍了使用Random类生成随机数的默认方法,但在高并发情况下可能会出现重复的情况。接着通过循环生成了一系列随机数,进一步突显了这个问题。文章指出,随机数生成在任何编程语言中都是必备的功能,但Random类生成的随机数并不可靠。最后,提出了需要寻找其他可靠的随机数生成方法的建议。 ... [详细]
  • 给定一个二维平面上的一些点,通过计算曼哈顿距离,求连接所有点的最小总费用。只有任意两点之间有且仅有一条简单路径时,才认为所有点都已连接。给出了几个示例并给出了对应的输出。 ... [详细]
author-avatar
苏小丫123_877
这个家伙很懒,什么也没留下!
PHP1.CN | 中国最专业的PHP中文社区 | DevBox开发工具箱 | json解析格式化 |PHP资讯 | PHP教程 | 数据库技术 | 服务器技术 | 前端开发技术 | PHP框架 | 开发工具 | 在线工具
Copyright © 1998 - 2020 PHP1.CN. All Rights Reserved | 京公网安备 11010802041100号 | 京ICP备19059560号-4 | PHP1.CN 第一PHP社区 版权所有