图像处理之透明混合 - Alpha Blending效果

简介: 基本原理: 图像的透明混合有个专属名词– Alpha Blending   对任意两张图像可以合成为一张图像,合成图像的像素取值根据数学公式: RGB3 = (1- a) * RGB1 + a * RGB2 其中a为混合透明度取值范围[0, 1]之间, RGB3为目标像素值, RGB1与RGB2的值分别来自两 张不同的图像。

基本原理:

图像的透明混合有个专属名词– Alpha Blending

 

对任意两张图像可以合成为一张图像,合成图像的像素取值根据数学公式:

RGB3 = (1- a) * RGB1 + a * RGB2

其中a为混合透明度取值范围[0, 1]之间, RGB3为目标像素值, RGB1与RGB2的值分别来自两

张不同的图像。


两张源图像分别为:


第二张源图像是房屋设计图



三:最终程序效果如下



四:程序关键代码及解释

获取BufferedImage对象中像素数据的代码如下:

public void getRGB(BufferedImage img, int x, int y, int width, int height, int[] pixelsData) {
		int type = img.getType();
		if (type == BufferedImage.TYPE_INT_ARGB || type == BufferedImage.TYPE_INT_RGB) {
			img.getRaster().getDataElements(x, y, width, width, pixelsData);
		} else {
			img.getRGB(x, y, width, height, pixelsData, 0, img.getWidth());
		}
	}

将处理后的像素数组写到新创建的BufferedImage对象中的代码如下:

public void setRGB(BufferedImage img, int x, int y, int width, int height, int[] pixelsData) {
		int type = img.getType();
		if (type == BufferedImage.TYPE_INT_ARGB || type == BufferedImage.TYPE_INT_RGB) {
			img.getRaster().setDataElements(x, y, width, height, pixelsData);
		} else {
			img.setRGB(x, y, width, height, pixelsData, 0, width);
		}
	}

创建一个新BufferedImage对象代码如下:

alphaBlendingImage = new BufferedImage(width, height, BufferedImage.TYPE_INT_ARGB);

实现Alpha Blending的代码如下:

float blendingRate = 0.5f;
	private void processPixels(int[] inPixelsOne, int[] inPixelsTwo, int[] outPixelsData, int width, int height) {
		int index = 0;
		for(int row=0; row<height; row++) {
			for(int col=0; col<width; col++) {
				int ta = 0, tr = 0, tg = 0, tb = 0;
				int rgb1 = inPixelsOne[index];
				int rgb2 = inPixelsTwo[index];
				ta = ((rgb1 >> 24) & 0xff) + ((rgb2 >> 24) & 0xff);
                tr = ((rgb1 >> 16) & 0xff) + ((rgb2 >> 16) & 0xff);
                tg = ((rgb1 >> 8) & 0xff) + ((rgb2 >> 8) & 0xff);
                tb = (rgb1 & 0xff) + (rgb2 & 0xff);
                
                int a = 0, r=0, g=0, b=0;
                a = (int)(blendingRate *(float)ta);
                r = (int)(blendingRate *(float)tr);
                g = (int)(blendingRate *(float)tg);
                b = (int)(blendingRate *(float)tb);
                
                outPixelsData[index] = ((a << 24) & 0xFF000000)
				| ((r << 16) & 0x00FF0000)
				| ((g << 8) & 0x0000FF00)
				| ((b) & 0x000000FF);
                index++;
			}
		}
		
	}

本例中,为了简化计算假设alpah blending系数为0.5

加载/读取图像文件的代码如下:

				if (srcImageOne == null) {
					File file_001 = new File("D:\\resource\\350_001.png");
					srcImageOne = ImageIO.read(file_001);
				}
				if (srcImageTwo == null) {
					File file_002 = new File("D:\\resource\\350_002.png");
					srcImageTwo = ImageIO.read(file_002);
				}
目录
相关文章
|
机器学习/深度学习
深度学习数据增强方法-内含(亮度增强,对比度增强,旋转图图像,翻转图像,仿射变化扩充图像,错切变化扩充图像,HSV数据增强)七种方式进行增强-每种扩充一张实现7倍扩)+ 图像缩放代码-批量
深度学习数据增强方法-内含(亮度增强,对比度增强,旋转图图像,翻转图像,仿射变化扩充图像,错切变化扩充图像,HSV数据增强)七种方式进行增强-每种扩充一张实现7倍扩)+ 图像缩放代码-批量
|
6月前
|
算法 计算机视觉
图像处理之基于像素的图像混合
图像处理之基于像素的图像混合
40 1
|
6月前
|
计算机视觉
图像处理之透明混合 - Alpha Blending效果
图像处理之透明混合 - Alpha Blending效果
39 0
|
7月前
|
前端开发 计算机视觉 C++
【OpenCV】—分离颜色通道、多通道图像混合
【OpenCV】—分离颜色通道、多通道图像混合
|
7月前
|
数据采集 人工智能 计算机视觉
CLIP的升级版Alpha-CLIP:区域感知创新与精细控制
为了增强CLIP在图像理解和编辑方面的能力,上海交通大学、复旦大学、香港中文大学、上海人工智能实验室、澳门大学以及MThreads Inc.等知名机构共同合作推出了Alpha-CLIP。这一创新性的突破旨在克服CLIP的局限性,通过赋予其识别特定区域(由点、笔画或掩码定义)的能力。Alpha-CLIP不仅保留了CLIP的视觉识别能力,而且实现了对图像内容强调的精确控制,使其在各种下游任务中表现出色。
249 1
|
传感器 编解码 监控
Baumer工业相机堡盟相机如何使用Binning像素合并功能( Binning像素合并功能的优点和行业应用)(C++)(C#)
Baumer工业相机堡盟相机如何使用Binning像素合并功能( Binning像素合并功能的优点和行业应用)(C++)(C#)
261 0
|
计算机视觉
【图像去噪】基于混合自适应(EM 自适应)实现自适应图像去噪研究(Matlab代码实现)
【图像去噪】基于混合自适应(EM 自适应)实现自适应图像去噪研究(Matlab代码实现)
|
机器学习/深度学习 算法 数据挖掘
传统图像处理之颜色特征
传统图像处理之颜色特征
265 0
传统图像处理之颜色特征
Blend混合效果
Blend混合效果
140 0
|
计算机视觉
目标检测的Tricks | 【Trick8】数据增强——随机旋转、平移、缩放、错切、hsv增强
目标检测的Tricks | 【Trick8】数据增强——随机旋转、平移、缩放、错切、hsv增强
810 0
目标检测的Tricks | 【Trick8】数据增强——随机旋转、平移、缩放、错切、hsv增强