详解Python OpenCV图像分割算法的实现

作者:double@AI 时间:2022-11-28 13:15:44 

前言

图像分割是指根据灰度、色彩、空间纹理、几何形状等特征把图像划分成若干个互不相交的区域。

最简单的图像分割就是将物体从背景中分割出来

1.图像二值化

cv2.threshold是opencv-python中的图像二值化方法,可以实现简单的分割功能。

retval, dst = cv2.threshold(src, thresh, maxval, thresholdType[, dst])

•src:原图像,要求必须是灰度图像

•dst:结果图像

•thresh:阈值

•maxVal:结果图中像素最大值

•thresholdType:二值化类型

详解Python OpenCV图像分割算法的实现

然而,threshold用法,有两个问题:

问题一:

•根据全图统一的阈值对像素进行判断,并非在所有情况下效果都好

•例如,如果图像在不同区域具有不同的光照条件

详解Python OpenCV图像分割算法的实现

问题二:

•阈值需要手动设定,不同的图片合适的阈值可能不同,更换图片可能就需要调整代码

详解Python OpenCV图像分割算法的实现

针对于全图统一阈值的问题,可以使用自适应阈值分割法

•自适应阈值分割算法基于像素周围的局部区域确定像素的阈值

•同一图像的不同区域具有不同的阈值

•为光照变化的图像提供更好的分割效果

2.自适应阈值分割算法

dst= cv2.adaptiveThreshold(src, maxValue, adaptiveMethod,thresholdType, blockSize, C, dst=None)

参数解释如下:

•src:原图像,它必须是灰度图像

•maxValue:结果图中像素的最大值,一般设置为255

•adaptiveMethod:阈值的计算方法,包括以下两种计算方式:

详解Python OpenCV图像分割算法的实现

•thresholdType:二值化方式,例如cv2.THRESH_BINARY、cv2.THRESH_TRUNC、

cv2.THRESH_TOZERO等

详解Python OpenCV图像分割算法的实现

•blockSize:局部区域的大小

•C:阈值计算中减去的常数

缺点:blockSize要手动指定,但物体的大小有差异

3.Otsu阈值分割算法

自动根据图像内容计算阈值:

  • Otsu阈值分割算法

  • 大津法

  • 直方图技术

retval, dst = cv2.threshold(src, thresh, maxval, thresholdType[, dst])

参数解释如下:

  • src:原图像,要求必须是灰度图像

  • dst:结果图像

  • thresh:阈值(无作用)

  • maxVal:像素灰度最大值

  • thresholdType:阈值类型,在原有参数值基础上多传递一个参数值,即cv2.THRESH_OTSU

  • 比如cv2.THRESH_BINARY+cv2.THRESH_OTSU

利用固定阈值算法进行分割,适用的图片较为局限

同一个阈值,在一些图像上表现好,在其他图片上效果不佳

如:

详解Python OpenCV图像分割算法的实现

利用Otsu阈值算法进行分割,适用的图片范围较广

对每张图片,Otsu阈值算法自动找到针对性的阈值

如:

详解Python OpenCV图像分割算法的实现

4.基于轮廓的字符分离

分割步骤

1. 检测出图像中字符的轮廓

2. 得到每一条轮廓的包围框,根据包围框坐标提取ROI

4.1轮廓检测

contours, hierarchy = cv2.findContours(image, mode, method)

参数解释如下:

contours:返回的轮廓列表,每条轮廓包含构成这条轮廓上的一系列点的坐标

hierarchy:轮廓之间的层级关系

image:原始图像,需要是二值图

mode:轮廓的检索模式

详解Python OpenCV图像分割算法的实现

method:轮廓的近似办法

详解Python OpenCV图像分割算法的实现

 4.2轮廓绘制

cv2.drawContours(image, contours, contourIdx, color, thickness)

  • image:指定在哪张图片上绘制轮廓

  • contours:轮廓列表

  • contourIdx:定绘制轮廓list中的哪条轮廓,如果是-1,则绘制其中的所有轮廓

  • color:轮廓颜色

  • thickness(可选):轮廓宽度

import cv2
img=cv2.imread("D:\\desk\\images\\car_license\\test1.png")

#去噪
image=cv2.GaussianBlur(img,(3,3),0)

#转为灰度图
gray1 = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

#Ostu阈值分割
ret, th1 = cv2.threshold(gray1, 127,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)

'''轮廓检测与绘制'''
#检测轮廓(外轮廓)
th1=cv2.dilate(th1,None)      #膨胀,保证同一个字符只有一个外轮廓
contours,hierarchy=cv2.findContours(th1,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)

#轮廓可视化
th1_bgr=cv2.cvtColor(th1,cv2.COLOR_GRAY2BGR)     #转为三通道图

cv2.drawContours(th1_bgr,contours,-1,(0,0,255),2)    #轮廓可视化

cv2.imshow("th1_bgr",th1_bgr)

cv2.waitKey()

4.3包围框获取

rect= cv2.boundingRect(points)

  • points:一系列点的坐标

  • rect:能够包围住这些点的最小外接矩形信息,格式为(x,y,width,height)

详解Python OpenCV图像分割算法的实现

4.4矩形绘制 

cv2.rectangle(img, pt1, pt2, color[, thickness)

  • img:指定要绘制的图片

  • pt1:矩形的某个顶点的坐标

  • pt2:和pt1相对的顶点坐标

  • color:矩形的颜色

  • thickness(可选):矩形轮廓的宽度

基于轮廓的字符分离完整代码如下:

import cv2
img=cv2.imread("D:\\desk\\images\\car_license\\test1.png")

#去噪
image=cv2.GaussianBlur(img,(3,3),0)

#转为灰度图
gray1 = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

#Ostu阈值分割
ret, th1 = cv2.threshold(gray1, 127,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)

'''轮廓检测与绘制'''
#检测轮廓(外轮廓)
th1=cv2.dilate(th1,None)      #膨胀,保证同一个字符只有一个外轮廓
contours,hierarchy=cv2.findContours(th1,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)

#轮廓可视化
th1_bgr=cv2.cvtColor(th1,cv2.COLOR_GRAY2BGR)     #转为三通道图

# cv2.drawContours(th1_bgr,contours,-1,(0,0,255),2)    #轮廓可视化

'''包围框获取'''
words=[]         #保存包围框信息
height,width=th1.shape
for contour in contours:     #对于每一条轮廓
   rest=cv2.boundingRect(contour)       #得到这条轮廓的外接矩阵
   #只有高宽比在1.5到3.5之间,且高 度比图片高度大于0.3的矩阵才保留
   if rest[3]/rest[2]>1.5 and rest[3]/rest[2]<3.5 and rest[3]/height>0.3:
       words.append(rest)         #将当前矩形加入矩形列表
       cv2.rectangle(th1_bgr,(rest[0],rest[1]),(rest[0]+rest[2],rest[1]+rest[3]),(0,0,255),3)    #绘制矩形

#显示
# cv2.imshow("img",img)
cv2.imshow("th1",th1)
cv2.imshow("th1_bgr",th1_bgr)

cv2.waitKey()

来源:https://blog.csdn.net/m0_59405106/article/details/126274399

标签:Python,OpenCV,图像,分割
0
投稿

猜你喜欢

  • python光学仿真通过菲涅耳公式实现波动模型

    2022-10-25 06:08:19
  • python里运用私有属性和方法总结

    2023-03-29 15:33:57
  • Python中parsel两种获取数据方式小结

    2023-03-01 17:44:50
  • 关于微信小程序获取小程序码并接受buffer流保存为图片的方法

    2023-07-20 09:54:01
  • 大大改善用户体验的10个小细节

    2008-09-17 13:27:00
  • python实现自动打卡的示例代码

    2022-11-29 15:01:57
  • python tkiner实现 一个小小的图片翻页功能的示例代码

    2023-07-19 18:40:32
  • 利用Python语言的grpc实现消息传送详解

    2023-09-12 14:00:07
  • 浅谈python元素如何去重,去重后如何保持原来元素的顺序不变

    2023-03-07 19:39:32
  • asp 实现当有新信息时播放语音提示的效果

    2011-03-31 11:00:00
  • block 和 inline 的区别是?

    2009-12-08 13:00:00
  • Python数据分析之 Matplotlib 散点图绘制

    2021-09-19 07:05:46
  • JavaScript实现省市联动过程中bug的解决方法

    2024-04-19 10:46:05
  • 联邦学习论文解读分散数据的深层网络通信

    2023-09-06 00:07:37
  • Python实现的NN神经网络算法完整示例

    2023-10-06 04:30:41
  • Jupyter notebook中5个有趣的魔法命令分享

    2021-11-28 23:26:30
  • pytorch 获取层权重,对特定层注入hook, 提取中间层输出的方法

    2021-05-20 07:01:01
  • ChatGPT与Remix Api服务在浏览器url地址中对话详解

    2023-06-23 12:35:50
  • js实现滑动进度条效果

    2023-08-24 03:47:39
  • SQL中位数函数实例

    2024-01-25 17:21:55
  • asp之家 网络编程 m.aspxhome.com