【youcans 的 OpenCV 例程200篇】189.基于掩模的拉普拉斯金字塔图像融合
图像金字塔是一系列来源于同一张原始图像、以金字塔形状排列的分辨率逐步降低的图像集合。从底层图像可以看清更多细节，从顶层图像可以看到更多的轮廓特征。
在计算高斯金字塔时，不断进行高斯滤波和下采样，丢失了高频信息。为了描述这些高频信息，将通过原图像减去先缩小后放大的图像的一系列差分图像，定义为拉普拉斯金字塔（Laplacian Pyramid）。
6.3 基于拉普拉斯金字塔的图像融合
图像融合的目的就是使两幅图像的重叠区域过渡自然且平滑。
拉普拉斯金字塔将源图像分解到不同的频带，越高频的图像信息越到上层。在相同显示尺寸下比较不同分辨率的拉普拉斯图像，可以发现不同尺度下关注的细节是不同的，低分辨率下关注的是较大尺度的基本纹理，而高分辨率下关注的是更精细的纹理。
金字塔图像融合过程，是在不同尺度、不同空间分辨率和不同分解层上分别进行的，也称为多波段融合（Multi-band Blending）。多波段融合的思想，是先对多幅图像分别构建拉普拉斯金字塔，然后对同一层图像（相同频段）按一定规则融合，对融合后的图像金字塔重建得到融合图像。
在上一个例程的基础上，通过掩模图像 mask 实现图像融合，将前景图像叠加到背景图像的指定位置，通过拉普拉斯金字塔在不同频段层次上进行图像融合。
简单地，融合区域中的像素值采用前景图像和背景的掩模加法计算：
P ( i , j ) = ω P A ( i , j ) + ( 1 − ω ) P B ( i , j ) P(i,j) = \omega P_A(i,j) + (1-\omega) P_B(i,j) P(i,j)=ωPA(i,j)+(1−ω)PB(i,j)
ω \omega ω 为掩模图像，前景区域为黑色遮罩； ( 1 − ω ) (1-\omega) (1−ω)为逆遮罩，前景区域白色开窗，其它区域黑色。
算法原理：
（1）读取背景图像和前景图像，指定叠加位置，将前景图像调整到指定的大小。
（2）生成掩模图像 mask，标识叠加前景的位置。
（3）建立背景图像和前景图像的高斯金字塔和拉普拉斯金字塔。
（4）基于掩模图像将顶层高斯金字塔、各层拉普拉斯金字塔的背景和前景图像分别进行加权融合。
（5）从顶层的高斯金字塔融合图像开始重建融合图像，与各层拉普拉斯金字塔融合图像相加，得到重建的各层高斯金字塔融合图像，直到底层高斯金字塔融合图像 G0 即为重建的结果。
例程：1.89 基于掩模的拉普拉斯金字塔图像融合
。
# 1.89：基于掩模的金字塔图像融合
img1 = cv2.imread("../images/seaside02.png") # 背景图像
img2 = cv2.imread("../images/seagull02.png") # 添加的前景图像
xmin, ymin, w, h = 256, 64, 200, 200 # 矩形 ROI 位置: (ymin:ymin+h, xmin:xmin+w)
levels = 5
# 调整尺寸，将背景图片调整到 power(2,levels) 的整数倍
imgBack = cv2.resize(img1, (512, 512), interpolation=cv2.INTER_CUBIC)
# h = round(w * img2.shape[0]/img2.shape[1]) # 调整 ROI 尺寸与前景图像尺寸匹配
front = cv2.resize(img2, (w+50, h+50)) # 将前景图像调整到指定大小 (w,h)
imgFront = np.zeros(imgBack.shape, dtype=np.uint8) # 与 imgback 尺寸相同的黑色图像
imgFront[ymin-25:ymin+h+25, xmin-25:xmin+w+25] = front
mask0 = np.ones((imgBack.shape[:2]), dtype=np.uint8) # 返回与图像 imgback 尺寸相同的全零数组
mask0[ymin:ymin+h, xmin:xmin+w] = 0 # 掩模图像，ROI 为黑色
bg = cv2.bitwise_and(imgBack, imgBack, mask=mask0) # 生成背景，mask 遮罩区域黑色
fg = cv2.bitwise_and(imgFront, imgFront, mask=1-mask0) # 生成前景，前景以外区域黑色
stack = cv2.add(bg, fg) # 直接合成前景与背景
# 图像向下取样, 构造高斯金字塔: [原图，下取样1次，下取样2次，下取样3次，下取样4次]
gaussPyrB, gaussPyrF, maskLPyr = [imgBack], [imgFront], [mask0]
for i in range(1, levels): # 计算第 i 层高斯金字塔
gaussPyrB.append(cv2.pyrDown(gaussPyrB[i-1]))
gaussPyrF.append(cv2.pyrDown(gaussPyrF[i-1]))
maskLPyr.append(cv2.resize(maskLPyr[i-1], dsize=None, fx=0.5, fy=0.5))
# 图像向上取样, 构造拉普拉斯金字塔 [第1层残差，第2层残差，第3层残差，第4层残差]
lapPyrB, lapPyrF = [], [] # 从最顶层开始恢复
for i in range(levels-1): # 拉普拉斯金字塔有 4 层: 0,1,2,3
lapB = gaussPyrB[i] - cv2.pyrUp(gaussPyrB[i+1]) # 残差
lapPyrB.append(lapB)
lapF = gaussPyrF[i] - cv2.pyrUp(gaussPyrF[i+1]) # 残差
lapPyrF.append(lapF)
# 基于掩模图像的拉普拉斯加权融合
lapFusion = []
for i in range(levels-1): # 拉普拉斯金字塔共 4 层: 0,1,2,3
mask = maskLPyr[i] # 当前分辨率的掩模遮罩，前景区域黑色遮罩
maskInv = 1 - mask # 生成逆遮罩，前景区域白色开窗，前景以外区域黑色
bg = cv2.bitwise_and(lapPyrB[i], lapPyrB[i], mask=mask) # 生成背景，mask 遮罩区域黑色
fg = cv2.bitwise_and(lapPyrF[i], lapPyrF[i], mask=maskInv) # 生成前景，前景以外区域黑色
lapStack = cv2.add(bg, fg) # 前景与背景合成，得到当前分辨率的拉普拉斯融合图像
lapFusion.append(lapStack)
# 拼接高斯金字塔顶层 G4: (32,32)
mask = maskLPyr[levels-1] # 当前分辨率的掩模遮罩，前景区域黑色遮罩
maskInv = 1 - mask # 生成逆遮罩，前景区域白色开窗，前景以外区域黑色
bg = cv2.bitwise_and(gaussPyrB[levels-1], gaussPyrB[levels-1], mask=mask) # 生成背景，mask 遮罩区域黑色
fg = cv2.bitwise_and(gaussPyrF[levels-1], gaussPyrF[levels-1], mask=maskInv) # 生成前景，前景以外区域黑色
gaussStack = cv2.add(bg, fg) # 前景与背景合成，得到叠加图像 (32,32)
plt.figure(figsize=(10, 7))
plt.subplot(231), plt.axis('off'), plt.title("Origin")
plt.imshow(cv2.cvtColor(img1, cv2.COLOR_BGR2RGB))
plt.subplot(232), plt.axis('off'), plt.title("Stacked")
plt.imshow(cv2.cvtColor(stack, cv2.COLOR_BGR2RGB))
fusion = gaussStack # 从高斯金字塔顶层 G4:(32,32) 开始逐层复原
for i in range(levels-1, 0, -1): # 拉普拉斯金字塔有 4 层: 3,2,1,0
pyrG = cv2.pyrUp(fusion) # # 上采样，图像尺寸加倍
fusion = lapFusion[i-1] + cv2.pyrUp(fusion)
plt.subplot(2,3,levels-i+2), plt.axis('off'), plt.title("G{}: {}".format(i-1,fusion.shape[:2]))
plt.imshow(cv2.cvtColor(fusion, cv2.COLOR_BGR2RGB))
plt.tight_layout()
plt.show()
（本节完）
版权声明：
OpenCV 例程200篇 总目录-202205更新
youcans@xupt 原创作品，转载必须标注原文链接：(https://blog.csdn.net/youcans/article/details/124866268)
Copyright 2022 youcans, XUPT
Crated：2022-5-20
欢迎关注 『youcans 的 OpenCV 例程 200 篇』 系列，持续更新中
欢迎关注 『youcans 的 OpenCV学习课』 系列，持续更新中【youcans 的 OpenCV 例程200篇】147. 图像分割之孤立点检测
【youcans 的 OpenCV 例程200篇】148. 图像分割之线检测
【youcans 的 OpenCV 例程200篇】149. 图像分割之边缘模型
【youcans 的 OpenCV 例程200篇】150. 边缘检测梯度算子
【youcans 的 OpenCV 例程200篇】151. 边缘检测中的平滑处理
【youcans 的 OpenCV 例程200篇】152. 边缘检测之 LoG 算子
【youcans 的 OpenCV 例程200篇】153. 边缘检测之 DoG 算子
【youcans 的 OpenCV 例程200篇】154. 边缘检测之 Canny 算子
【youcans 的 OpenCV 例程200篇】155. 边缘连接的局部处理方法
【youcans 的 OpenCV 例程200篇】156. 边缘连接局部处理的简化算法
【youcans 的 OpenCV 例程200篇】157. 霍夫变换直线检测
【youcans 的 OpenCV 例程200篇】158. 阈值处理之固定阈值法
【youcans 的 OpenCV 例程200篇】159. 图像分割之全局阈值处理
【youcans 的 OpenCV 例程200篇】160. 图像处理之OTSU 方法
【youcans 的 OpenCV 例程200篇】161. OTSU 阈值处理算法的实现
【youcans 的 OpenCV 例程200篇】162. 全局阈值处理改进方法
【youcans 的 OpenCV 例程200篇】163. 基于边缘信息改进全局阈值处理
【youcans 的 OpenCV 例程200篇】164.使用 Laplace 边缘信息改进全局阈值处理
【youcans 的 OpenCV 例程200篇】165.多阈值 OTSU 处理方法
【youcans 的 OpenCV 例程200篇】166.自适应阈值处理
【youcans 的 OpenCV 例程200篇】167.基于移动平均的可变阈值处理
【youcans 的 OpenCV 例程200篇】168.图像分割之区域生长
【youcans 的 OpenCV 例程200篇】169.图像分割之区域分离
【youcans 的 OpenCV 例程200篇】170.图像分割之K均值聚类
【youcans 的 OpenCV 例程200篇】171.SLIC 超像素区域分割
【youcans 的 OpenCV 例程200篇】172.SLIC 超像素区域分割算法比较
【youcans 的 OpenCV 例程200篇】173.SEEDS 超像素区域分割
【youcans 的 OpenCV 例程200篇】174.LSC 超像素区域分割
【youcans 的 OpenCV 例程200篇】175.超像素区域分割方法比较
【youcans 的 OpenCV 例程200篇】176.图像分割之均值漂移算法
【youcans 的 OpenCV 例程200篇】177.图像分割之 GraphCuts 图割法
【youcans 的 OpenCV 例程200篇】178.图像分割之 GrabCut 图割法（框选前景）
【youcans 的 OpenCV 例程200篇】179.图像分割之 GrabCut 图割法（掩模图像）
【youcans 的 OpenCV 例程200篇】180.基于距离变换的分水岭算法
【youcans 的 OpenCV 例程200篇】181.基于 Sobel 梯度的分水岭算法
【youcans 的 OpenCV 例程200篇】182.基于形态学梯度的分水岭算法
【youcans 的 OpenCV 例程200篇】183.基于轮廓标记的分水岭算法
【youcans 的 OpenCV 例程200篇】184.鼠标交互标记的分水岭算法
【youcans 的 OpenCV 例程200篇】185.图像金字塔之高斯金字塔
【youcans 的 OpenCV 例程200篇】186.图像金字塔之拉普拉斯金字塔
【youcans 的 OpenCV 例程200篇】187.由拉普拉斯金字塔还原图像
【youcans 的 OpenCV 例程200篇】188.基于拉普拉斯金字塔的图像融合
【youcans 的 OpenCV 例程200篇】189.基于掩模的拉普拉斯金字塔图像融合