这篇教程OpenCV图像修复cv2.inpaint()的使用写得很实用，希望能帮到您。
这篇博客将介绍如何通过OpenCV中图像修复的技术——cv2.inpaint() 去除旧照片中的小噪音、笔划等。并提供一个可交互式的程序，利用OpenCV的快速行进和流体力学俩种修复算法对自己的图片进行修复。 大多数人家里都会有一些旧的老化照片，上面有一些黑点、笔划等。如何复原呢？
在绘制工具中擦除：将简单地用无用的白色结构替换黑色结构，效果并不理想。OpenCV中图像修复的技术——基本思想很简单：用相邻像素替换这些坏标记，使其看起来像邻居。
- cv2.INPAINT_TELEA（Fast Marching Method 快速行进算法）
- cv2.INPAINT_NS（Fluid Dynamics Method 流体力学算法）
- OpenCV未实现的：Content-Aware Fill 内容感知填充算法，这是Adobe Photoshop中使用的一种高级修复技术。
cv2.inpaint() 优点：修复效果更加自然；
缺点：修复时需要提供原图以及mask图（与原图一致只有被污染的像素区域有值）；
1. 效果图官方原始图 VS mask图 VS 快速行进算法修复效果 VS 流体力学修复效果 如下：
接下来用可交互的例子实现自己的图片修复； 原始图 VS Mask图 VS 快速行进算法修复效果图如下：
原始图随意用鼠标左键移动绘制点、线，右键移动绘制矩形来随机增加一些被污染的区域；
并根据原始图生成mask图，mask图是与原始图具有相同大小，并且只有被污染的区域是白色像素的图。可以看到修复效果还是挺好的~
原始图 VS Mask图 VS 流体力学算法修复效果图如下：
原始图随意用鼠标左键移动绘制点、线，右键移动绘制矩形来随机增加一些被污染的区域；
mask图是与原始图具有相同大小，并且只有被污染的区域是白色像素的图。可以看到修复效果还是挺好的~
快速行进算法与流体力学算法修复的效果图差别不太大；
2. 原理 - cv2.INPAINT_TELEA （Fast Marching Method 快速行进算法），对位于点附近、边界法线附近和边界轮廓上的像素赋予更多权重。一旦一个像素被修复，它将使用快速行进的方法移动到下一个最近的像素。
- cv2.INPAINT_NS（Fluid Dynamics Method 流体力学算法），使用了流体力学的一些方法，基本原则是启发式的。首先沿着边从已知区域移动到未知区域（因为边是连续的）。它在匹配修复区域边界处的渐变向量的同时，继续等高线（连接具有相同强度的点的线，就像等高线连接具有相同高程的点一样）。
- OpenCV未实现的：Content-Aware Fill 内容感知填充算法，这是Adobe Photoshop中使用的一种高级修复技术。
3. 源码# 图像修复交互式案例——通过水流填充算法来修复被破坏的图像区域；# 使用俩种方法进行修复# cv2.INPAINT_TELEA （Fast Marching Method 快速行进算法），对位于点附近、边界法线附近和边界轮廓上的像素赋予更多权重。一旦一个像素被修复，它将使用快速行进的方法移动到下一个最近的像素。# cv2.INPAINT_NS 流体力学算法，使用了流体力学的一些方法，基本原则是启发式的，首先沿着边从已知区域移动到未知区域（因为边是连续的）。它在匹配修复区域边界处的渐变向量的同时，继续等高线（连接具有相同强度的点的线，就像等高线连接具有相同高程的点一样）。# USAGE # python inpaint.py D:/deepLearning/py-demo/20210808/images/ml.jpg# 按下鼠标左键,添加点、线，按下鼠标右键，添加矩形框，以制作被污染的需要修复图像# 按下空格键：执行修复功能# 按下r键：重置待修复的mask# 按下esc键，退出import cv2import numpy as npclass Sketcher: def __init__(self, windowname, dests, colors_func): self.prev_pt = None # 线起始点 self.drag_start = None # 矩形起点 self.drag_rect = None # 矩形（左上角，右下角）坐标 self.windowname = windowname self.dests = dests self.colors_func = colors_func self.dirty = False self.drawing = False self.mode = False self.show() cv2.setMouseCallback(self.windowname, self.on_mouse) def show(self): cv2.imshow(self.windowname, self.dests[0]) def on_mouse(self, event, x, y, flags, param): pt = (x, y) if event == cv2.EVENT_LBUTTONDOWN: self.prev_pt = pt self.drawing = True elif event == cv2.EVENT_RBUTTONDOWN: # 第一次初始化时设定pt，往后保留上一个点作为矩形起点 if self.drag_start == None: self.drag_start = pt if self.prev_pt and flags & cv2.EVENT_FLAG_LBUTTON: for dst, color in zip(self.dests, self.colors_func()): cv2.line(dst, self.prev_pt, pt, color, 5) self.dirty = True self.prev_pt = pt self.show() if self.drag_start and flags & cv2.EVENT_FLAG_RBUTTON: xo, yo = self.drag_start x0, y0 = np.minimum([xo, yo], [x, y]) x1, y1 = np.maximum([xo, yo], [x, y]) self.drag_rect = None if x1 - x0 > 0 and y1 - y0 > 0: self.drag_rect = (x0, y0, x1, y1) for dst, color in zip(self.dests, self.colors_func()): cv2.rectangle(dst, (x0, y0), (x1, y1), color, -1) self.dirty = True self.drag_start = None self.drag_rect = None self.show() else: self.drag_start = pt @property def dragging(self): return self.drag_rect is not Nonedef main(): import sys try: fn = sys.argv[1] except: fn = 'images/ml_.jpg' img = cv2.imread(fn) if img is None: print('Failed to load image file:', fn) sys.exit(1) img_mark = img.copy() mark = np.zeros(img.shape[:2], np.uint8) sketch = Sketcher('img', [img_mark, mark], lambda: ((255, 255, 255), 255)) while True: ch = cv2.waitKey() if ch == 27: break if ch == ord(' '): cv2.imshow('mask', mark) fmmres = cv2.inpaint(img_mark, mark, 3, cv2.INPAINT_TELEA) nsres = cv2.inpaint(img_mark, mark, 3, cv2.INPAINT_NS) cv2.imshow('inpaint fmm res', fmmres) cv2.imshow('inpaint ns res', nsres) if ch == ord('r'): img_mark[:] = img mark[:] = 0 sketch.show() print('Done')if __name__ == '__main__': main() cv2.destroyAllWindows()参考 https://docs.opencv.org/3.0-beta/doc/py_tutorials/py_photo/py_inpainting/py_inpainting.html#inpainting 到此这篇关于OpenCV图像修复cv2.inpaint()的使用的文章就介绍到这了,更多相关OpenCV图像修复cv2.inpaint()内容请搜索51zixue.net以前的文章或继续浏览下面的相关文章希望大家以后多多支持51zixue.net！
python用dataframe将csv中的0值数据转化为nan缺失值字样
教你使用Python建立任意层数的深度神经网络 |
