在本文中，我们将学习如何使用 OpenCV 和图像处理技术来模拟长时曝光图像。为了模拟长时曝光，我们采用了对一组图像取平均值的帧平均法。
长时曝光是摄影师最喜欢的摄影技术之一，运用长时曝光技术可以拍出展示时光流逝的图片，而这是传统技术难以企及的。我们经常使用这种技术表达流光夜景或柔顺的流水。优秀的长时曝光作品是摄影师对快门速度、光圈大小和 ISO 感光度的***把控，那么我们如何使用 Python 和 OpenCV 库来实现这种长时曝光的效果呢?
使用长时曝光技术后，水流变得如丝般光滑，夜空中的星星也随着地球的旋转留下一道光线轨迹，车头/尾灯成为了一束光带。
长时曝光技术效果酷炫，但为了拍到这种类型的镜头，我们需要学习一些系统方法：把相机放在三脚架上，应用各种滤镜，计算曝光值等。更不用说，我们需要成为一名熟练的摄影师!
作为一名计算机视觉研究员和程序员，本文作者知道很多关于图像处理的知识。虽然他是个菜鸟摄影师，但有一种通过应用多帧图像平均法来模拟长时曝光效果的方法。通过计算在特定时间内拍摄的图像的平均值，我们可以(有效)模拟长时间曝光效果。
而且由于视频实际上是一系列的图像，我们可以通过计算视频中的所有帧的平均值来实现长时曝光效果。如此得到的是令人惊叹的长时曝光效果。
一、用 OpenCV 和 Python 实现长时曝光效果
这篇文章分为三部分。在本文的***部分，我们将讨论如何通过帧平均法来模拟长时间曝光效果。随后我们将编写为输入视频创建长时曝光效果的 Python 和 OpenCV 代码。***，我们将在一些样例视频上使用我们的代码，以创建酷炫的长时曝光图像。
1. 通过多帧图像平均法模拟长时曝光效果
通过平均数模拟长时曝光的想法由来已久。事实上，如果我们去浏览热门的摄影网站，就会找到有关如何使用相机和三脚架手动实现这类效果的教程。
我们今天的目标是简单地实现这种方法，所以我们使用 Python 和 OpenCV 自动为输入视频创建长时曝光效果的图像。给定一个输入视频，我们将计算所有帧的平均值(加权平均)以创建长时曝光效果。
注意：我们也可以使用多个连续图像创建这种长时曝光效果，但是由于视频的实质是一系列图像，因此使用视频演示此技术更容易。在将此技术应用到自定义图像时，请牢记这一点。我们看到，代码并不复杂，并且在应用于使用三脚架捕获的视频时(不要抖动相机)效果很好。
2. OpenCV 实现模拟长时曝光效果
我们首先创建一个名为 long_exposure.py 的新文件，然后插入以下代码：
- # import the necessary packagesimport argparseimport imutilsimport cv2
- # construct the argument parse and parse the argumentsap = argparse.ArgumentParser()
- ap.add_argument("-v", "--video", required=True,
- help="path to input video file")
- ap.add_argument("-o", "--output", required=True,
- help="path to output'long exposure'")
- args = vars(ap.parse_args())
2-4 行导入软件包，因此我们需要预先安装 Imutils 和 opencv。如果你没有安装 imutils 模块，可以通过 pip 安装：
- $ pip install --upgrade imutils
如果你的电脑没有安装配置 OpenCV，那么请自行搜索 OpenCV 3 的安装教程，并选择适合你系统的安装方式。
我们在 7-12 行解析命令行参数。
- --video : 视频文件目录路径
- --output : 输出「长时曝光」图像的路径+文件名
接下来执行一些初始化步骤：
- # initialize the Red, Green, and Blue channel averages, along with# the total number of frames read from the file
- (rAvg, gAvg, bAvg) = (None, None, None)
- total = 0
- # open a pointer to the video file
- print("[INFO] opening video file pointer...")
- stream = cv2.VideoCapture(args["video"])
- print("[INFO] computing frame averages (this will take awhile)...")
我们在第 16 行初始化 RGB 通道平均值，稍后会将其合并到最终的长时曝光图像中。我们还初始化了第 17 行的总帧数。
对于本教程，我们正在使用包含所有帧的视频文件，因此有必要在 21 行创建一个捕获视频流的文件指针。
现在我们进入计算平均值的循环语句中：
- # loop over frames from the video file streamwhile True:
- # grab the frame from the file stream
- (grabbed, frame) = stream.read()
- # if the frame was not grabbed, then we have
- # reached the end of the sfile
- if not grabbed:
- break
- # otherwise, split the frmae into its respective channels
- (B, G, R) = cv2.split(frame.astype("float"))
在循环语句中，我们将从流中捕获帧(27 行)，并将帧各自分解到对应的 BGR 通道变量(35 行)。请注意循环语句退出条件 ：如果未从视频文件流的末尾抓取帧，我们将退出循环(31 行和 32 行)。
我们将在循环语句的其它部分执行平均值计算：
- # if the frame averages are None, initialize them
- if rAvg is None:
- rAvg = R
- bAvg = B
- gAvg = G
- # otherwise, compute the weighted average between the history of
- # frames and the current frames
- else:
- rAvg = ((total * rAvg) + (1 * R)) / (total + 1.0)
- gAvg = ((total * gAvg) + (1 * G)) / (total + 1.0)
- bAvg = ((total * bAvg) + (1 * B)) / (total + 1.0)
- # increment the total number of frames read thus far
- total += 1
如果这是***次迭代，我们在第 38-41 行上将 RGB 的初始平均值设置为抓取的***帧的通道值(if 语句仅在***次迭代时执行此操作)。
否则，我们将计算 45-48 行上抓取的图像每个通道的平均值。平均值计算非常简单，我们将总帧数乘以通道平均值，加上相应的通道，然后将该结果除以浮点型总帧数(我们将分母总数加一，因为生成的是一个新帧)。我们将计算结果存储在相应的 RGB 通道平均值数组中。
***，我们增加总帧数，以便能够保持运行时平均值(第 51 行)。一旦我们遍历完视频文件中的所有帧，我们就可以将(平均)通道值合并成一个新图像并将其写入磁盘：
- # merge the RGB averages together and write the output image to disk
- avg = cv2.merge([bAvg, gAvg, rAvg]).astype("uint8")
- cv2.imwrite(args["output"], avg)
- # do a bit of cleanup on the file pointer
- stream.release()
在 54 行，我们使用 cv2.merge 函数，同时指定了列表中的每个图像的通道平均值。因为这些数组包含浮点数(它们是所有帧的平均值)，所以我们需要使用 astype("uint8") 函数将像素值转换为 [0-255] 的整数。
我们使用命令行参数 path + filename 在随后的第 55 行中将 avg 图像写入磁盘。我们也可以通过 cv2.imshow 函数将图像显示在屏幕上，但是由于这会花费大量的 CPU 资源来处理视频文件，所以我们只是将图像保存到磁盘以便进一步查看。
该脚本的***一步是通过释放视频流指针(58 行)来清空内存。
3. 长时曝光效果与 OpenCV 实现对比
我们通过处理三个示例视频来测试脚本效果。请注意，每个视频均由安装在稳定性良好的三脚架上的相机拍摄。
请注意所用视频非作者本人拍摄，但都得到原作者的授权许可; 因此，本文作者并不能提供除源代码之外的视频资源下载。不过，如果你想重现作者的实验结果，请参考我提供的原始视频的链接。
我们的***个示例是 15 秒钟的水冲石头的视频，下面的视频中包含了一个样本帧：
视频地址：https://videohive.net/item/mountain-river-water-and-stones-01/16602591
图 1 ：河水冲击石头的样本帧
我们只需执行以下命令以实现长时曝光效果。
- $ time python long_exposure.py --video videos/river_01.mov --output river_01.png
- [INFO] opening video file pointer...
- [INFO] computing frame averages (this will take awhile)...
- real 2m1.710s
- user 0m50.959s
- sys 0m40.207s
图2:通过 Python 和 OpenCV 运用平均帧法实现的 15 秒的河水长时曝光效果图。
注意水是如何由平均法处理而得到丝滑的效果。我们继续河流的第二个例子，再次得到一幅蒙太奇效果图如下：
图 3： 另一条河流的样本帧
以下命令用于生成长时曝光效果图：
- $ time python long_exposure.py --video videos/river_02.mov --output river_02.png
- [INFO] opening video file pointer...
- [INFO] computing frame averages (this will take awhile)...
- real 0m57.881s
- user 0m27.207s
- sys 0m21.792s
图 4：第二条河流的丝滑的长时曝光效果图(由 OpenCV 创建)
注意静止的岩石是如何保持原状，但是湍急的河水被平均化为连续的图片，从而模拟出长时曝光效果。
***一个例子是我最喜欢的，因为水的颜色令人赞叹，它使水和森林交相辉映：
图 5：激流穿越森林的样本帧
当用 OpenCV 产生长时曝光效果时，它会给你一种超现实的梦幻般的感觉：
- $ time python long_exposure.py --video videos/river_03.mov --output river_03.png
- [INFO] opening video file pointer...
- [INFO] computing frame averages (this will take awhile)...
- real 3m17.212s
- user 1m11.826s
- sys 0m56.707s
图 6：通过使用 Python 和 OpenCV 创建的梦幻般的长时曝光效果图
才外，我们还可以考虑通过有规律的间隔从输入，从视频中对帧进行采样而不是对所有帧取平均值来构造不同的输出。
二、总结
在本文中，我们学习了如何使用 OpenCV 和图像处理技术来模拟长时曝光图像。为了模拟长时曝光，我们采用了对一组图像取平均值的帧平均法。我们假设输入图像/视频是使用固定的相机拍摄的(否则产生的输出图像会失真)。虽然这并非真正的「长时曝光」，但是效果上是极其(视觉上)相似的。更重要的是，这允许你应用长时曝光效果，而不需要成为专家摄影师或购买昂贵的相机、镜头和滤镜。
原文：https://www.pyimagesearch.com/2017/08/14/long-exposure-with-opencv-and-python/
【本文是51CTO专栏机构“机器之心”的原创译文，微信公众号“机器之心( id: almosthuman2014)”】
