Как вставить полупрозрачное изображение поверх обычного изображения и получить прозрачность PIL?

Итак, я пытаюсь вставить прозрачное изображение поверх обычного изображения. Но почему-то пропала прозрачность.

Есть ли способ сохранить прозрачность второго изображения (прозрачного) поверх первого изображения (обычного) без потери прозрачности второго изображения?

(Кстати, я новичок в PIL)

BG = Image.open("BGImage.png") # normal image, size is 1920x1080
BG = BG.convert("RGBA")
overlay = Image.open("OverlayImage.png") # transparent image, size is 1920x1080
overlay = overlay.convert("RGBA")

BG = Image.alpha_composite(BG, overlay) # I tried doing this but it didn't work

BG.save("NewImage.png")

Фоновое изображение:

Изображение наложения:

Что я получил:

Что я хотел (небольшое изменение цвета):

07.03.2021

Покажите, что у вас есть по сравнению с тем, что вы хотели 07.03.2021
@MadPhysicist Я сделал, как ты сказал 07.03.2021

Ответы:

Используйте paste следующим образом, убедившись, что ваше изображение не палеттизировано:

from PIL import Image

# Open background and foreground ensuring they are not palette images
bg = Image.open('bg.png').convert('RGB')
fg = Image.open('fg.png')

# Paste foreground onto background and save
bg.paste(fg,mask=fg)
bg.save('result.png')

07.03.2021

это не сработало, я получил тот же результат, что и раньше 07.03.2021

Ммм, пожалуйста, поделитесь своими изображениями и объясните, что вы имеете в виду под не сработало. Спасибо. 07.03.2021

результат, который я получил, был таким же, как и предыдущий, наложение не было полупрозрачным 07.03.2021

Мне удалось это исправить, ваш ответ помог мне, но я также понял, что изображение по какой-то причине не было прозрачным (хотя я сохранил его с прозрачностью). В любом случае спасибо 07.03.2021

Новые материалы

Как проанализировать работу вашего классификатора?

Не всегда просто знать, какие показатели использовать С развитием глубокого обучения все больше и больше людей учатся обучать свой первый классификатор. Но как только вы закончите..

Работа с цепями Маркова, часть 4 (Машинное обучение)

Нелинейные цепи Маркова с агрегатором и их приложения (arXiv) Автор : Бар Лайт Аннотация: Изучаются свойства подкласса случайных процессов, называемых дискретными нелинейными цепями Маркова..

Crazy Laravel Livewire упростил мне создание электронной коммерции (панель администратора и API) [Часть 3]

Как вы сегодня, ребята? В этой части мы создадим CRUD для данных о продукте. Думаю, в этой части я не буду слишком много делиться теорией, но чаще буду делиться своим кодом. Потому что..

Использование машинного обучения и Python для классификации 1000 сезонов новичков MLB Hitter

Чему может научиться машина, глядя на сезоны новичков 1000 игроков MLB? Это то, что исследует это приложение. В этом процессе мы будем использовать неконтролируемое обучение, чтобы..

Учебные заметки: создание моего первого пакета Node.js

Это мои обучающие заметки, когда я научился создавать свой самый первый пакет Node.js, распространяемый через npm. Оглавление Глоссарий I. Новый пакет 1.1 советы по инициализации..

Забудьте о Matplotlib: улучшите визуализацию данных с помощью умопомрачительных функций Seaborn!

Примечание. Эта запись в блоге предполагает базовое знакомство с Python и концепциями анализа данных. Привет, энтузиасты данных! Добро пожаловать в мой блог, где я расскажу о невероятных..

ИИ в аэрокосмической отрасли

Каждый полет – это шаг вперед к великой мечте. Чтобы это происходило в их собственном темпе, необходима команда астронавтов для погони за космосом и команда технического обслуживания..

Метки

Machine Learning JavaScript Data Science Artificial Intelligence Software Development Python Web Development Coding Deep Learning AI React Software Engineering Nodejs Java Front End Development Typescript Computer Science Data Algorithms Development NLP Tech Programming Languages CSS ChatGPT HTML Python Programming Javascript Tips Angular Computer Vision Data Visualization Neural Networks Startup Tutorial Statistics Productivity Reactjs Learning