Python OpenCV实现照片换底色：从基础处理到像素级替换

OpenCV库简介

OpenCV全称为Open Source Computer Vision Library，是一个基于BSD开源许可发布的跨平台计算机视觉库，支持Linux、Windows及Mac OS系统。该库轻量且高效，主要由C函数和少量C++类组成，并提供Python、Ruby、MATLAB等语言接口，实现了图像处理与计算机视觉的多种通用算法。相比PIL库，OpenCV功能更为强大，能够执行人脸识别等复杂应用。

照片换底色完整流程

第一步：读取并显示图片

import cv2

# 读入图片
img = cv2.imread(r'D:\test\test_001.jpg', 1)

# 显示图像
cv2.imshow('img', img)

# 窗口等待命令 0表示无限等待
cv2.waitKey(0)

执行上述代码后的运行效果如图所示：

第二步：缩放图片尺寸

import cv2
# 读入图片
img = cv2.imread(r'D:\test\test_001.jpg', 1)
rows, cols, channels = img.shape
print(rows, cols, channels)

new_img = cv2.resize(img, None, fx=0.5, fy=0.5)

rows, cols, channels = new_img.shape
print(rows, cols, channels)

# 显示图像
cv2.imshow('new_img', new_img)

# 窗口等待命令 0表示无限等待
cv2.waitKey(0)

将图片尺寸按50%比例缩小，具体运行效果如下：

第三步：彩色图像转换为灰度图像

彩色图像包含RGB三个颜色通道，直接进行腐蚀和膨胀操作效果不佳。因此，需先将彩色图片转换为HSV格式的灰度图像，以便后续进行形态学处理。

import cv2

img = cv2.imread(r'D:\test\test_001.jpg', 1)
new_img = cv2.resize(img, None, fx=0.5, fy=0.5)

rows, cols, channels = new_img.shape
print(rows, cols, channels)

# 显示图像
cv2.imshow('new_img', new_img)

# 将图片转换为灰度图片
gray_img = cv2.cvtColor(new_img, cv2.COLOR_BGR2HSV)
cv2.imshow('hsv', gray_img)
cv2.waitKey(0)

转换后的运行效果如下：

第四步：图片二值化处理

二值化旨在将图像转换为黑白图像，通过滤除过大或过小的像素值并消除噪声，从灰度图中提取二值图像（将灰度值设定为0或255）。此举能增强黑白对比效果，并显著减少数据量。

import cv2
import numpy as np

img = cv2.imread(r'D:\test\test_001.jpg', 1)
new_img = cv2.resize(img, None, fx=0.5, fy=0.5)

rows, cols, channels = new_img.shape
print(rows, cols, channels)

# 显示图像
cv2.imshow('new_img', new_img)

# 将图片转换为灰度图片
gray_img = cv2.cvtColor(new_img, cv2.COLOR_BGR2HSV)
cv2.imshow('hsv', gray_img)

# 图片二值化处理
low_value = np.array([90, 70, 70])
high_value = np.array([110, 255, 255])
binary_img = cv2.inRange(gray_img, low_value, high_value)
cv2.imshow('binary_img', binary_img)

cv2.waitKey(0)

二值化处理后的运行效果如下：

第五步：图像的腐蚀和膨胀操作

图像的膨胀（Dilation）与腐蚀（Erosion）是两种基础形态学运算，主要用于识别图像中的极大和极小区域。膨胀类似于“领域扩张”，使高亮或白色区域扩大，结果图比原图高亮区域更大；腐蚀类似于“领域被蚕食”，使高亮或白色区域缩减细化，结果图比原图高亮区域更小。

• 图像经过腐蚀处理后，去除了噪声，但会导致图像整体压缩。
• 对腐蚀后的图像进行膨胀处理，可在去除噪声的同时保持原有形状。

# 腐蚀膨胀
erode = cv2.erode(binary_img, None, iterations=1)
dilate = cv2.dilate(erode, None, iterations=1)
cv2.imshow('dilate', dilate)

第六步：遍历像素点进行颜色替换

图像由像素点构成。通过定位腐蚀后图片中白色底色处的像素点，并将原图中对应位置的像素点替换为红色或白色，即可实现照片背景色的更换。

import cv2
import numpy as np

img = cv2.imread(r'D:\test\test_001.jpg', 1)
new_img = cv2.resize(img, None, fx=0.5, fy=0.5)

rows, cols, channels = new_img.shape
print(rows, cols, channels)

# 显示图像
cv2.imshow('new_img', new_img)

# 将图片转换为灰度图片
gray_img = cv2.cvtColor(new_img, cv2.COLOR_BGR2HSV)

# 图片二值化处理
low_value = np.array([90, 70, 70])
high_value = np.array([110, 255, 255])
binary_img = cv2.inRange(gray_img, low_value, high_value)

# 腐蚀膨胀
erode = cv2.erode(binary_img, None, iterations=1)
dilate = cv2.dilate(erode, None, iterations=1)
# cv2.imshow('dilate', dilate)

# 遍历替换
for i in range(rows):
 for j in range(cols):
  if dilate[i, j] == 255:
  	# 此处替换颜色，为BGR通道
   new_img[i, j] = (0, 0, 255) # (0, 0, 255)替换为红底 (255, 255, 255)替换为白底

cv2.imshow('red_bg_img', new_img)
# 窗口等待命令 0表示无限等待
cv2.waitKey(0)
cv2.destroyAllWindows()

颜色替换后的运行效果如下：

程序运行成功，可将照片的蓝底替换为红底或白底，验证了利用OpenCV实现照片换底色的可行性。

第七步：其他说明

测试所用图片来源于百度图片搜索，仅用于图像处理知识交流和学习，如有侵权请联系作者删除！

至此，关于Python利用OpenCV给照片换底色的示例代码介绍完毕。如需了解更多Python照片换底色相关内容，请搜索本站历史文章或继续浏览后续文章，感谢支持。