python图片四角圆角处理中的细节——图片变黑问题

2023-11-22 00:20

本文主要是介绍python图片四角圆角处理中的细节——图片变黑问题,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

python 四角圆角处理是基于以下一段代码:

def imageRadiusProcessing(img, radius = 30):circle = Image.new('L', (radius * 2, radius * 2), 0)draw = ImageDraw.Draw(circle)draw.ellipse((0, 0, radius * 2, radius * 2), fill = 255)w, h = img.sizealpha = Image.new('L', img.size, 255)upperLeft, lowerLeft = circle.crop((0, 0, radius, radius)), circle.crop((0, radius, radius, radius * 2))upperRight, lowerRight = circle.crop((radius, 0, radius * 2, radius)), circle.crop((radius, radius, radius * 2, radius * 2))alpha.paste(upperLeft, (0, 0))alpha.paste(upperRight, (w - radius, 0))alpha.paste(lowerRight, (w - radius, h - radius))alpha.paste(lowerLeft, (0, h - radius))img.putalpha(alpha)return img

我们仔细分析一下:

	circle = Image.new('L', (radius * 2, radius * 2), 0)draw = ImageDraw.Draw(circle)draw.ellipse((0, 0, radius * 2, radius * 2), fill = 255)

↑ 创建一个 L 模式的全黑(透明度通道参数为 0)图像,再用全透的圆形裁剪。得到一个 mask:

在这里插入图片描述
将这个 mask 输入 RGBA 模式图片的 A 通道,就可以得到圆形图片,这也是最常用的圆形处理 mask 方法。

	w, h = img.sizealpha = Image.new('L', img.size, 255)upperLeft, lowerLeft = circle.crop((0, 0, radius, radius)), circle.crop((0, radius, radius, radius * 2))upperRight, lowerRight = circle.crop((radius, 0, radius * 2, radius)), circle.crop((radius, radius, radius * 2, radius * 2))alpha.paste(upperLeft, (0, 0))alpha.paste(upperRight, (w - radius, 0))alpha.paste(lowerRight, (w - radius, h - radius))alpha.paste(lowerLeft, (0, h - radius))img.putalpha(alpha)

↑ 之后又创建一个全透的图片,并把四个角用 mask 的 1/4 盖上,确实是一个圆滑矩形四角的好方法。

但最大的问题是对于 RGBA 图片来说,我们这个函数只考虑了 RGB ,根本没有考虑 A ,举个例子:

Image.new('RGBA', (100, 100), (0, 0, 0, 150))

我们创建一个 RGBA 大小 100 x 100 的图片,他是 RGB 黑色,而且 A 有 150 的值,这个值越大,越通透。

将此图片进行如上函数的四角圆滑处理的话,会变成一张全黑的图,为什么呢?

因为处理四角的函数只考虑了 RGB ,没有考虑 A !

我们的 mask 在 A 上的中央是 255 全通透,他破坏了我们的 150 不通透,得到了全黑的显示。

正确的函数应为:

def imageRadiusProcessing(img, centralA, radius = 30):"""处理图片四个圆角。:centralA: 中央区域的 A 通道值,当指定为 255 时全透,四角将使用 0 全不透"""circle = Image.new('L', (radius * 2, radius * 2), 0)draw = ImageDraw.Draw(circle)draw.ellipse((0, 0, radius * 2, radius * 2), fill = centralA)w, h = img.sizealpha = Image.new('L', img.size, centralA)upperLeft, lowerLeft = circle.crop((0, 0, radius, radius)), circle.crop((0, radius, radius, radius * 2))upperRight, lowerRight = circle.crop((radius, 0, radius * 2, radius)), circle.crop((radius, radius, radius * 2, radius * 2))alpha.paste(upperLeft, (0, 0))alpha.paste(upperRight, (w - radius, 0))alpha.paste(lowerRight, (w - radius, h - radius))alpha.paste(lowerLeft, (0, h - radius))img.putalpha(alpha)return img

这里的通透应该与原图 A 通道相同,否则会破坏 A 通道通透度。

这篇关于python图片四角圆角处理中的细节——图片变黑问题的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/406134

相关文章

无人叉车3d激光slam多房间建图定位异常处理方案-墙体画线地图切分方案

墙体画线地图切分方案 针对问题:墙体两侧特征混淆误匹配,导致建图和定位偏差,表现为过门跳变、外月台走歪等 ·解决思路:预期的根治方案IGICP需要较长时间完成上线,先使用切分地图的工程化方案,即墙体两侧切分为不同地图,在某一侧只使用该侧地图进行定位 方案思路 切分原理:切分地图基于关键帧位置,而非点云。 理论基础:光照是直线的,一帧点云必定只能照射到墙的一侧,无法同时照到两侧实践考虑:关

python: 多模块(.py)中全局变量的导入

文章目录 global关键字可变类型和不可变类型数据的内存地址单模块(单个py文件)的全局变量示例总结 多模块(多个py文件)的全局变量from x import x导入全局变量示例 import x导入全局变量示例 总结 global关键字 global 的作用范围是模块(.py)级别: 当你在一个模块(文件)中使用 global 声明变量时,这个变量只在该模块的全局命名空

好题——hdu2522(小数问题:求1/n的第一个循环节)

好喜欢这题,第一次做小数问题,一开始真心没思路,然后参考了网上的一些资料。 知识点***********************************无限不循环小数即无理数,不能写作两整数之比*****************************(一开始没想到,小学没学好) 此题1/n肯定是一个有限循环小数,了解这些后就能做此题了。 按照除法的机制,用一个函数表示出来就可以了,代码如下

hdu1043(八数码问题,广搜 + hash(实现状态压缩) )

利用康拓展开将一个排列映射成一个自然数,然后就变成了普通的广搜题。 #include<iostream>#include<algorithm>#include<string>#include<stack>#include<queue>#include<map>#include<stdio.h>#include<stdlib.h>#include<ctype.h>#inclu

使用opencv优化图片(画面变清晰)

文章目录 需求影响照片清晰度的因素 实现降噪测试代码 锐化空间锐化Unsharp Masking频率域锐化对比测试 对比度增强常用算法对比测试 需求 对图像进行优化,使其看起来更清晰,同时保持尺寸不变,通常涉及到图像处理技术如锐化、降噪、对比度增强等 影响照片清晰度的因素 影响照片清晰度的因素有很多,主要可以从以下几个方面来分析 1. 拍摄设备 相机传感器:相机传

【Python编程】Linux创建虚拟环境并配置与notebook相连接

1.创建 使用 venv 创建虚拟环境。例如,在当前目录下创建一个名为 myenv 的虚拟环境: python3 -m venv myenv 2.激活 激活虚拟环境使其成为当前终端会话的活动环境。运行: source myenv/bin/activate 3.与notebook连接 在虚拟环境中,使用 pip 安装 Jupyter 和 ipykernel: pip instal

购买磨轮平衡机时应该注意什么问题和技巧

在购买磨轮平衡机时,您应该注意以下几个关键点: 平衡精度 平衡精度是衡量平衡机性能的核心指标,直接影响到不平衡量的检测与校准的准确性,从而决定磨轮的振动和噪声水平。高精度的平衡机能显著减少振动和噪声,提高磨削加工的精度。 转速范围 宽广的转速范围意味着平衡机能够处理更多种类的磨轮,适应不同的工作条件和规格要求。 振动监测能力 振动监测能力是评估平衡机性能的重要因素。通过传感器实时监

【机器学习】高斯过程的基本概念和应用领域以及在python中的实例

引言 高斯过程(Gaussian Process,简称GP)是一种概率模型,用于描述一组随机变量的联合概率分布,其中任何一个有限维度的子集都具有高斯分布 文章目录 引言一、高斯过程1.1 基本定义1.1.1 随机过程1.1.2 高斯分布 1.2 高斯过程的特性1.2.1 联合高斯性1.2.2 均值函数1.2.3 协方差函数(或核函数) 1.3 核函数1.4 高斯过程回归(Gauss

缓存雪崩问题

缓存雪崩是缓存中大量key失效后当高并发到来时导致大量请求到数据库,瞬间耗尽数据库资源,导致数据库无法使用。 解决方案: 1、使用锁进行控制 2、对同一类型信息的key设置不同的过期时间 3、缓存预热 1. 什么是缓存雪崩 缓存雪崩是指在短时间内,大量缓存数据同时失效,导致所有请求直接涌向数据库,瞬间增加数据库的负载压力,可能导致数据库性能下降甚至崩溃。这种情况往往发生在缓存中大量 k

【生成模型系列(初级)】嵌入(Embedding)方程——自然语言处理的数学灵魂【通俗理解】

【通俗理解】嵌入(Embedding)方程——自然语言处理的数学灵魂 关键词提炼 #嵌入方程 #自然语言处理 #词向量 #机器学习 #神经网络 #向量空间模型 #Siri #Google翻译 #AlexNet 第一节:嵌入方程的类比与核心概念【尽可能通俗】 嵌入方程可以被看作是自然语言处理中的“翻译机”,它将文本中的单词或短语转换成计算机能够理解的数学形式,即向量。 正如翻译机将一种语言