然后这是一张背景图：
今天的任务很简单，我要对第一张图中的人物进行抠图，然后贴在背景图上。
这个操作用PS并不复杂，让我们来看一下这一过程如何用代码来实现~
给大家整理了Python很全面的资料和教程可以下载，加群943752371即可
素材处理
首先，导入一些工具包
opencv(cv2)，用于图像处理
numpy，用于数据计算。
matplotlib用于出图。
然后，导入前景图。
因为opencv的图片默认使用BGR图像格式，而我们通常使用的图片是RGB（红，绿，蓝），所以，需要再转换一下格式，否则查看时颜色会失真。
最后打印图片规格和图片本身
同样的方法，导入背景图
#导入背景图
back_img = cv2.imread('back_img.jpg') #图片导入
back_img = cv2.cvtColor(back_img,cv2.COLOR_BGR2RGB) #转换颜色模型
print(back_img.shape) #打印图片规格
show(back_img) #显示图片
效果如下，高1079，长1920,3通道。
我们发现人物图高度和背景高度差不多，且我们只要中间的人像即可，那么我们先来适当地裁剪一下图片
#裁剪图片 img = img[0:1000,150:550] #裁剪图片大小 show(img) #显示图片
通过切片，裁去了logo
再对图片缩小10%，这样大小最为合适
#缩放图片 print(img.shape) #打印图片规格 img=cv2.resize(img,None,fx=0.9,fy=0.9) #图片缩小10% print(img.shape) #打印图片规格
打印一下图片尺寸，发现裁剪成功
图片在计算机中是用数字矩阵形式保存的，红、绿、蓝三个颜色通道每种色各分为256阶，分别由0-255这256个数表示。比如900*360的图片，可以理解为900行360列的像素矩阵，而每个像素又是由R，G，B三个数字确认其颜色的。于是，我们先把图片的行，列数记录下来，稍后可以用诸如遍历的方法读取每个像素，再对其进行矩阵计算。
#拆分图片信息 rows,cols,channels = img.shape #拆分图片信息
▼
抠图：三种效果
抠图的方法雷同PS，我们要先建立个蒙版。在开始之前，我们先需要把图片转换成HSV格式，这是一种比较直观的颜色模型，可以更好的数字化处理颜色。
#转换格式 img_hsv = cv2.cvtColor(img,cv2.COLOR_RGB2HSV) #把图片转换成HSV格式，用于抠图 show(img_hsv) #显示图片
看下效果：
虽然不能直视，但做法显而易见，只要把非蓝色的部分提取出来。我们设定一个阈值，在最小阈值以下和最大阈值以上，图像变为0，而在阈值之间的变为255。
#抠图 lower_blue=np.array([0,0,0]) #获取最小阈值 upper_blue=np.array([0,255,255]) #获取最大阈值 mask = cv2.inRange(img_hsv, lower_blue, upper_blue) #创建遮罩 show(mask) #显示遮罩
然后，遮罩就这么给整了出来。
不过，我们发现，人物中间有那么多小点点，我需要把它们去掉。这里使用形态学图像处理的基本方法，先腐蚀后膨胀。其原理是在原图的小区域内取局部最小值和最大值，背后的逻辑为深度学习中的卷积神经网络。
通过尝试，我发现还可以使用开运算（先腐蚀后膨胀的整合运算）直接完成这一过程，且效果相对较好。
erode=cv2.erode(mask,None,iterations=3) #图像腐蚀 show(erode) #显示图片 dilate=cv2.dilate(erode,None,iterations=1) #图像膨胀 show(dilate) #显示图片 opening = cv2.morphologyEx(mask, cv2.MORPH_OPEN, cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (8,8))) #开运算 show(opening) #显示图片
大家可以自行比较下腐蚀，腐蚀后膨胀和开运算的效果：
▼
图像合并
最后，终于到了图像合并环节。先设定人物在背景图中的起始位置。再遍历遮罩中的每个像素，如果是0（代表黑色），则把人物图像上的颜色赋值到背景图像上。
center = [70,240] #设置前景图开始位置 for i in range(rows): for j in range(cols): if opening[i,j]==0: #代表黑色 back_img[center[0]+i,center[1]+j] =img[i,j] #赋值颜色 show(back_img) #显示图片
运行完毕，显示结果：
受限于图片质量和简化代码，略显粗糙，但大体已经达到功能~
最后，调整图片格式，并保存。
back_img = cv2.cvtColor(back_img,cv2.COLOR_RGB2BGR) #图像格式转换
back_img=cv2.resize(back_img,None,fx=0.8,fy=0.8) #图像缩放20%
cv2.imwrite('result.png',back_img) #保存图像