Я скептически отношусь к тому, что эту задачу можно решить, используя только PIL / Pillow, по крайней мере, если вы хотите автоматически найти красную рамку и т. Д.
Так что, если вы используете OpenCV, это вариант,Я бы предложил следующее решение с использованием некоторого цветового порога и cv2.findContours
. Этот подход также должен быть перенесен на лыжный образ, например.
import cv2
import numpy as np
from skimage import io # Only needed for web grabbing images; use cv2.imread(...) for local images
# Read images
frame = cv2.cvtColor(io.imread('https://i.stack.imgur.com/gVf0a.png'), cv2.COLOR_RGB2BGR)
image = cv2.cvtColor(io.imread('https://i.stack.imgur.com/Vw5Rc.jpg'), cv2.COLOR_RGB2BGR)
# Color threshold red frame; single color here, more sophisticated solution would be using cv2.inRange
mask = 255 * np.uint8(np.all(frame == [36, 28, 237], axis=2))
# Find inner contour of frame; get coordinates
contours, _ = cv2.findContours(mask, cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)
cnt = min(contours, key=cv2.contourArea)
(x, y, w, h) = cv2.boundingRect(cnt)
# Copy appropriately resized image to frame
frame[y:y+h, x:x+w] = cv2.resize(image, (w, h))
cv2.imshow('frame', frame)
cv2.waitKey(0)
cv2.destroyAllWindows()
Как указано в комментарии, пороговое значение цвета в этом примере выполняется путем простой проверки конкретного значения BGR кадра. Более сложным решением будет преобразование кадра в цветовое пространство HSV / HSL, а затем использование cv2.inRange
. Для ознакомления с этим, пожалуйста, смотрите один из моих предыдущих ответов .
Вывод вышеприведенного сценария выглядит следующим образом:
Надеюсь, это поможет!