TensorFlow中实现cv2.addWeighted等效功能的方法

TensorFlow 没有单独封装和cv2.addWeighted()同名的API，但该函数的计算逻辑非常简单，直接用TensorFlow原生算子即可实现，完全适配tf.data流水线的图执行模式，性能远高于嵌套OpenCV调用。

核心逻辑对齐 #

cv2.addWeighted()的本质是两张同尺寸图像的带偏移线性加权融合，计算公式为：

dst = src1 * alpha + src2 * beta + gamma
计算完成后会自动将像素值截断到当前数据类型的合法区间，避免溢出。

原生实现代码 #

直接在你的预处理流程中加入以下封装函数即可，参数逻辑和OpenCV版本完全一致：

def tf_add_weighted(src1, alpha, src2, beta, gamma=0.0):
    # 执行线性加权计算
    fused = src1 * alpha + src2 * beta + gamma
    # 对齐OpenCV的截断逻辑，避免像素值溢出
    if src1.dtype == tf.uint8:
        fused = tf.clip_by_value(fused, 0, 255)
        return tf.cast(fused, tf.uint8)
    else:
        # 如果你的预处理流程会将像素归一化到0-1区间，把截断范围改成(0.0, 1.0)即可
        fused = tf.clip_by_value(fused, 0.0, 255.0)
        return fused

在你的read_image函数中直接调用即可，示例用法：

def read_image(image_file, labels):
    img = tf.io.read_file(image_file)
    img = tf.image.decode_png(img, channels=3, dtype=tf.uint8)
    img = tf.image.resize(img, [512, 512], preserve_aspect_ratio=False)
    
    img2 = ... # 你的第二张图像生成逻辑
    # 加权融合，示例权重为img占70%，img2占30%，无偏移，可根据业务调整
    img = tf_add_weighted(img, 0.7, img2, 0.3, 0.0)

    return img, labels

不建议在tf.data中混用OpenCV的原因 #

• 性能损耗：如果用tf.py_function包裹OpenCV代码，会跳出TensorFlow的图执行优化链路，无法享受并行预取、算子融合等加速能力，数据加载效率会出现明显下降
• 兼容问题：OpenCV默认读取/处理图像为BGR通道顺序，和TensorFlow默认的RGB通道顺序不一致，极易出现通道错配问题；在XLA编译、分布式训练场景下，tf.py_function包裹的逻辑大概率无法正常运行
• 数值一致性问题：OpenCV部分算子的数值计算逻辑和TensorFlow存在微小差异，可能导致跨设备训练/推理时结果不一致

如果确实因特殊需求必须调用OpenCV原生实现，可以用tf.py_function做包裹（非必要不推荐），示例代码如下：

def cv2_add_weighted(src1, alpha, src2, beta, gamma=0.0):
    def _wrap_func(img1, img2):
        img1_np = img1.numpy()
        img2_np = img2.numpy()
        res = cv2.addWeighted(img1_np, alpha, img2_np, beta, gamma)
        return res
    return tf.py_function(_wrap_func, [src1, src2], src1.dtype)

内容的提问来源于stack exchange，提问作者Manan Vij