


Comment superposer une image sur une partie spécifique d'une autre image dans opencv
J'ai l'image ci-dessous et je souhaite superposer une tache noire à l'extrême droite de l'image. Je redimensionne donc les deux images à une taille spécifique dans le code ci-dessous et j'obtiens uniquement la partie non blanche de la superposition et je la colle à des coordonnées x, y spécifiques, mais je n'obtiens pas le résultat attendu. J'ai regardé cv2.addweighted
mais je n'ai trouvé aucune option pour spécifier l'option d'utiliser les coordonnées de la superposition de collage.
Quelqu'un peut-il me guider sur la façon de mettre en œuvre cela dans cv2 ?
vr_overlay = "/Users/templates/vertical_overlay.png" show_image = "/Users/templates/image_3.png" vr_overlay_co = (0, 0, 100, 412) img_size = (0, 0, 440, 412) img = cv2.imread(show_image) img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) v_overlay = cv2.imread(vr_overlay) resize_v_overlay = cv2.resize(v_overlay, (vr_overlay_co[2], vr_overlay_co[3])) plt.imshow(resize_v_overlay ,cmap='gray') plt.axis('off') plt.show() resize_img = cv2.resize(img_rgb, (img_size[2], img_size[3])) plt.imshow(resize_img ,cmap='gray') plt.axis('off') plt.show() resize_img[vr_overlay_co[1]: vr_overlay_co[1] + vr_overlay_co[3],vr_overlay_co[0]: vr_overlay_co[0] + vr_overlay_co[2]] = np.where(resize_v_overlay != [0, 0, 0], resize_img[vr_overlay_co[1]: vr_overlay_co[1] + vr_overlay_co[3], vr_overlay_co[0]: vr_overlay_co[0] + vr_overlay_co[2],], resize_v_overlay) plt.imshow(resize_img ,cmap='gray') plt.axis('off') plt.show()
Résultats attendus :
Réponse correcte
C'est une façon de le faire en python/opencv.
(J'ai remarqué que l'image que vous avez publiée n'a pas la taille que vous avez indiquée, en particulier le dégradé. Un traitement supplémentaire est donc nécessaire pour correspondre à la taille de l'image. L'image dégradée a également une bordure blanche, ce que je doute que vous souhaitiez.)
Entrez :
Dégradé (avec bordure blanche) :
import cv2 import numpy as np # read the image img = cv2.imread('people.png') hh, ww = img.shape[:2] # read the small gradient grad = cv2.imread('small_gradient.png') hg, wg = grad.shape[:2] # create white image the size of the image # then insert gradient on right side while trimming off excess white from right side of gradient ox = ww-wg+1 grad2 = np.full_like(img, (255,255,255)) grad2[0:hh, ox:ww-9+1] = grad[0:hg-1, 0:wg-9] # blend the img with grad2 via multiply #result = img.astype(np.float32) * grad2.astype(np.float32) / 255 #result = result.clip(0,255).astype(np.uint8) #or scale = 1/255 result = cv2.multiply(img, grad2, scale=scale) # save results cv2.imwrite('people_gradient.png', result) # show results cv2.imshow('result', result) cv2.waitKey(0)
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!

Outils d'IA chauds

Undresser.AI Undress
Application basée sur l'IA pour créer des photos de nu réalistes

AI Clothes Remover
Outil d'IA en ligne pour supprimer les vêtements des photos.

Undress AI Tool
Images de déshabillage gratuites

Clothoff.io
Dissolvant de vêtements AI

AI Hentai Generator
Générez AI Hentai gratuitement.

Article chaud

Outils chauds

Bloc-notes++7.3.1
Éditeur de code facile à utiliser et gratuit

SublimeText3 version chinoise
Version chinoise, très simple à utiliser

Envoyer Studio 13.0.1
Puissant environnement de développement intégré PHP

Dreamweaver CS6
Outils de développement Web visuel

SublimeText3 version Mac
Logiciel d'édition de code au niveau de Dieu (SublimeText3)

Sujets chauds

Ce tutoriel montre comment utiliser Python pour traiter le concept statistique de la loi de Zipf et démontre l'efficacité de la lecture et du tri de Python de gros fichiers texte lors du traitement de la loi. Vous vous demandez peut-être ce que signifie le terme distribution ZIPF. Pour comprendre ce terme, nous devons d'abord définir la loi de Zipf. Ne vous inquiétez pas, je vais essayer de simplifier les instructions. La loi de Zipf La loi de Zipf signifie simplement: dans un grand corpus en langage naturel, les mots les plus fréquents apparaissent environ deux fois plus fréquemment que les deuxième mots fréquents, trois fois comme les troisième mots fréquents, quatre fois comme quatrième mots fréquents, etc. Regardons un exemple. Si vous regardez le corpus brun en anglais américain, vous remarquerez que le mot le plus fréquent est "th

Cet article explique comment utiliser la belle soupe, une bibliothèque Python, pour analyser HTML. Il détaille des méthodes courantes comme find (), find_all (), select () et get_text () pour l'extraction des données, la gestion de diverses structures et erreurs HTML et alternatives (Sel

Traiter avec des images bruyantes est un problème courant, en particulier avec des photos de téléphones portables ou de caméras basse résolution. Ce tutoriel explore les techniques de filtrage d'images dans Python à l'aide d'OpenCV pour résoudre ce problème. Filtrage d'image: un outil puissant Filtre d'image

Les fichiers PDF sont populaires pour leur compatibilité multiplateforme, avec du contenu et de la mise en page cohérents sur les systèmes d'exploitation, les appareils de lecture et les logiciels. Cependant, contrairement aux fichiers de texte brut de traitement Python, les fichiers PDF sont des fichiers binaires avec des structures plus complexes et contiennent des éléments tels que des polices, des couleurs et des images. Heureusement, il n'est pas difficile de traiter les fichiers PDF avec les modules externes de Python. Cet article utilisera le module PYPDF2 pour montrer comment ouvrir un fichier PDF, imprimer une page et extraire du texte. Pour la création et l'édition des fichiers PDF, veuillez vous référer à un autre tutoriel de moi. Préparation Le noyau réside dans l'utilisation du module externe PYPDF2. Tout d'abord, l'installez en utilisant PIP: pip is p

Ce tutoriel montre comment tirer parti de la mise en cache Redis pour augmenter les performances des applications Python, en particulier dans un cadre Django. Nous couvrirons l'installation redis, la configuration de Django et les comparaisons de performances pour mettre en évidence le bien

Cet article compare TensorFlow et Pytorch pour l'apprentissage en profondeur. Il détaille les étapes impliquées: préparation des données, construction de modèles, formation, évaluation et déploiement. Différences clés entre les cadres, en particulier en ce qui concerne le raisin informatique

Python, un favori pour la science et le traitement des données, propose un écosystème riche pour l'informatique haute performance. Cependant, la programmation parallèle dans Python présente des défis uniques. Ce tutoriel explore ces défis, en se concentrant sur l'interprète mondial

Ce didacticiel montre la création d'une structure de données de pipeline personnalisée dans Python 3, en tirant parti des classes et de la surcharge de l'opérateur pour une fonctionnalité améliorée. La flexibilité du pipeline réside dans sa capacité à appliquer une série de fonctions à un ensemble de données, GE
