无缝克隆

详细描述

实用链接

https://www.learnopencv.com/seamless-cloning-using-opencv-python-cpp

枚举
枚举	cv::SeamlessCloneFlags {   cv::NORMAL_CLONE = 1 ,   cv::MIXED_CLONE = 2 ,   cv::MONOCHROME_TRANSFER = 3 ,   cv::NORMAL_CLONE_WIDE = 9 ,   cv::MIXED_CLONE_WIDE = 10 ,   cv::MONOCHROME_TRANSFER_WIDE = 11 }
	无缝克隆算法的标志。 更多...

函数
void	cv::colorChange (InputArray src, InputArray mask, OutputArray dst, float red_mul=1.0f, float green_mul=1.0f, float blue_mul=1.0f)
	给定原始彩色图像，可以将此图像的两种不同着色版本无缝混合。
void	cv::illuminationChange (InputArray src, InputArray mask, OutputArray dst, float alpha=0.2f, float beta=0.4f)
	通过对选区内的梯度场应用适当的非线性变换，然后使用泊松求解器反向积分，可以在局部修改图像的表观光照。
void	cv::seamlessClone (InputArray src, InputArray dst, InputArray mask, Point p, OutputArray blend, int flags)
	执行无缝克隆以将源图像中的区域混合到目标图像中。 此函数专为本地图像编辑而设计，允许轻松无缝地应用仅限于某个区域（手动选择为 ROI）的更改。 这些更改的范围可以从轻微的扭曲到新内容的完全替换 [218]。
void	cv::textureFlattening (InputArray src, InputArray mask, OutputArray dst, float low_threshold=30, float high_threshold=45, int kernel_size=3)
	通过仅保留边缘位置的梯度，然后在与泊松求解器积分之前，可以消除所选区域的纹理，使其内容具有扁平外观。 这里使用了 Canny 边缘检测器。

枚举类型文档

SeamlessCloneFlags

enum cv::SeamlessCloneFlags

#include <opencv2/photo.hpp>

无缝克隆算法的标志。

枚举器
NORMAL_CLONE  Python: cv.NORMAL_CLONE	普通无缝克隆。 此方法非常适合将具有复杂轮廓的对象插入到新的背景中。 它保留了插入对象的原始外观和光照，确保了自然的融合。
MIXED_CLONE  Python: cv.MIXED_CLONE	混合无缝克隆。 此方法解决了基于简单颜色的选择或 Alpha 掩码耗时并且可能导致不良光晕的情况。 通过组合来自源的结构和来自目标的纹理，混合无缝克隆非常有效，即使使用松散定义的选择也是如此。
MONOCHROME_TRANSFER  Python: cv.MONOCHROME_TRANSFER	单色转移克隆。 此方法允许用户用替代特征替换对象的特定特征，例如灰度纹理或图案。 它特别适用于艺术效果或有针对性的对象修改。
NORMAL_CLONE_WIDE  Python: cv.NORMAL_CLONE_WIDE	增强型普通无缝克隆。 类似于 NORMAL_CLONE，但采用了一种高级的 ROI（感兴趣区域）计算方法。 此模式通过考虑整个掩码区域而不是仅考虑非零像素的边界矩形来处理更大的源区域。
MIXED_CLONE_WIDE  Python: cv.MIXED_CLONE_WIDE	增强型混合无缝克隆。 类似于 MIXED_CLONE，但采用了一种高级的 ROI（感兴趣区域）计算方法。 此模式通过考虑整个掩码区域而不是仅考虑非零像素的边界矩形来处理更大的源区域。
MONOCHROME_TRANSFER_WIDE  Python: cv.MONOCHROME_TRANSFER_WIDE	增强型单色转移克隆。 类似于 MONOCHROME_TRANSFER，但采用了一种高级的 ROI（感兴趣区域）计算方法。 此模式通过考虑整个掩码区域而不是仅考虑非零像素的边界矩形来处理更大的源区域。

函数文档

colorChange()

void cv::colorChange	(	InputArray	src,
		InputArray	mask,
		OutputArray	dst,
		float	red_mul = 1.0f,
		float	green_mul = 1.0f,
		float	blue_mul = 1.0f )

Python
	cv.colorChange(	src, mask[, dst[, red_mul[, green_mul[, blue_mul]]]]	) ->	dst

#include <opencv2/photo.hpp>

给定原始彩色图像，可以将此图像的两种不同着色版本无缝混合。

参数

src	输入 8 位 3 通道图像。
mask	输入 8 位 1 或 3 通道图像。
dst	输出图像，其大小和类型与 src 相同。
red_mul	R 通道乘法因子。
green_mul	G 通道乘法因子。
blue_mul	B 通道乘法因子。

乘法因子介于 0.5 到 2.5 之间。

illuminationChange()

void cv::illuminationChange	(	InputArray	src,
		InputArray	mask,
		OutputArray	dst,
		float	alpha = 0.2f,
		float	beta = 0.4f )

Python
	cv.illuminationChange(	src, mask[, dst[, alpha[, beta]]]	) ->	dst

#include <opencv2/photo.hpp>

通过对选区内的梯度场应用适当的非线性变换，然后使用泊松求解器反向积分，可以在局部修改图像的表观光照。

参数

src	输入 8 位 3 通道图像。
mask	输入 8 位 1 或 3 通道图像。
dst	与 src 具有相同大小和类型的输出图像。
alpha	值范围介于 0-2 之间。
beta	值范围介于 0-2 之间。

这对于突出显示曝光不足的前景对象或减少镜面反射很有用。

seamlessClone()

void cv::seamlessClone	(	InputArray	src,
		InputArray	dst,
		InputArray	mask,
		Point	p,
		OutputArray	blend,
		int	flags )

Python
	cv.seamlessClone(	src, dst, mask, p, flags[, blend]	) ->	blend

#include <opencv2/photo.hpp>

执行无缝克隆以将源图像中的区域混合到目标图像中。 此函数专为本地图像编辑而设计，允许轻松无缝地应用仅限于某个区域（手动选择为 ROI）的更改。 这些更改的范围可以从轻微的扭曲到新内容的完全替换 [218]。

参数

src	源图像（8 位 3 通道），从中将区域混合到目标中。
dst	目标图像（8 位 3 通道），将在此处混合源图像。
mask	一个二进制掩码（8 位，1、3 或 4 通道），指定要混合的源图像中的区域。 非零像素表示要混合的区域。 如果提供了空的 Mat，则会在内部创建一个所有非零像素的掩码。
p	src 图像的中心放置在 dst 图像中的点。
blend	输出图像，存储无缝克隆的结果。 它具有与 dst 相同的大小和类型。
flags	控制克隆方法类型的标志，可以采用 cv::SeamlessCloneFlags 的值。

textureFlattening()

void cv::textureFlattening	(	InputArray	src,
		InputArray	mask,
		OutputArray	dst,
		float	low_threshold = 30,
		float	high_threshold = 45,
		int	kernel_size = 3 )

Python
	cv.textureFlattening(	src, mask[, dst[, low_threshold[, high_threshold[, kernel_size]]]]	) ->	dst

#include <opencv2/photo.hpp>

通过仅保留边缘位置的梯度，然后在与泊松求解器积分之前，可以消除所选区域的纹理，使其内容具有扁平外观。 这里使用了 Canny 边缘检测器。

参数

src	输入 8 位 3 通道图像。
mask	输入 8 位 1 或 3 通道图像。
dst	与 src 具有相同大小和类型的输出图像。
low_threshold	范围从 0 到 100。
high_threshold	值 > 100。
kernel_size	要使用的 Sobel 核的大小。

注意

该算法假定源图像的颜色接近目标图像的颜色。 这种假设意味着当颜色不匹配时，源图像颜色会向目标图像的颜色倾斜。