2. 程式人生 > >直接可以用的Python和OpenCV檢測及分割影象的目標區域例子

直接可以用的Python和OpenCV檢測及分割影象的目標區域例子

阿新 • • 發佈：2019-01-01

第一天

老師：你知道麼，今天有人問了我一個問題。
~.我：什麼？
老師：他說很難。
~.我：關於什麼的？
老師：影象處理。

~.我：喔，你說說看，我確實做了不少影象處理的東西（心裡默唸，你不知知道你給過我多少影象嗎？）
老師：好嘞！在用深度學習的時候，比如說面對一張影象，對某個區域感興趣怎麼辦？
~.我：他傻啊，切割出來啊，只需要訓練感興趣的部分就好啦。

老師：哎，那你給我一個教程，我正好順手把他的問題解決了。
~.我：好的（黑人臉.gif）
老師：我回頭把圖片資料發給你。
~.我：好的好的，老師，by the way, 有多少資料啊？
老師：也不多，一個U盤夠了，這樣吧，明天你過來拷一下吧。
~.我：好的（hello？一個U盤？）

這裡寫圖片描述

第二天

這裡寫圖片描述

有這麼一個檔案
看了裡面。。。我要爆炸了。。。
這裡寫圖片描述

> 598M * 15 = 8970M = 8.97G 我的個媽呀。

開啟一看 全是密密麻麻的——蟲子！！！
為了視覺體驗，自動遮蔽，請大家自行去谷歌：蟲子、worm、bug、insects。。。

三天後

~.我： 老師， 我就給一個方法啊， 不同的蟲子他們可以自己調閾值和方法，我已經有寫說明檔案。
老師： 好的，我看看。

考慮到視覺忍受能力，我用一個可愛的蟲子做為一個示例，其他的都差不多，大家自行嘗試。

目標是把蟲子區域摳出來

這裡寫圖片描述

環境：

例圖：谷歌，可愛的蟲子–image
軟體：Anaconda 4.20，Opencv3.2
OpenCv的安裝：
1.1安裝Python3.60
1.2

下載安裝opencv3.2

具體思路如下：

1.獲取圖片，這個簡單哈

img_path = r'C:\Users\aixin\Desktop\chongzi.png'
img = cv2.imread(img_path)
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

看，這不就是你處理初始的樣子？

這裡寫圖片描述

2.轉換灰度並去噪聲

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
blurred = cv2.GaussianBlur(gray, (9, 9),0)

我們可以得到這兩張圖，第一張是灰度圖，第二張是去噪之後的，另外說一下，去噪咱們有很多種方法，均值濾波器、高斯濾波器、中值濾波器、雙邊濾波器等。

這裡取高斯是因為高斯去噪效果是最好的。

這裡寫圖片描述

3.提取影象的梯度

gradX = cv2.Sobel(gray, ddepth=cv2.CV_32F, dx=1, dy=0)
gradY = cv2.Sobel(gray, ddepth=cv2.CV_32F, dx=0, dy=1)

gradient = cv2.subtract(gradX, gradY)
gradient = cv2.convertScaleAbs(gradient)

以Sobel運算元計算x，y方向上的梯度，之後在x方向上減去y方向上的梯度，通過這個減法，我們留下具有高水平梯度和低垂直梯度的影象區域。

此時，我們會得到

這裡寫圖片描述

4.我們繼續去噪聲

考慮到影象的孔隙 首先使用低通濾潑器平滑影象, 這將有助於平滑影象中的高頻噪聲。 低通濾波器的目標是降低影象的變化率。
如將每個畫素替換為該畫素周圍畫素的均值， 這樣就可以平滑並替代那些強度變化明顯的區域。

對模糊影象二值化，顧名思義，就是把影象數值以某一邊界分成兩種數值，細節我會附在文章底部，如果還是不懂，去cao文件吧。

blurred = cv2.GaussianBlur(gradient, (9, 9),0)
(_, thresh) = cv2.threshold(blurred, 90, 255, cv2.THRESH_BINARY)

此時，我們會得到
這裡寫圖片描述

其實就算手動分割我們也是需要找到一個邊界吧，可以看到輪廓出來了，但是我們最終要的是整個輪廓，所以內部小區域就不要了

5.影象形態學（牛逼吧、唬人的）

在這裡我們選取ELLIPSE核，採用CLOSE操作，具體細節你依舊可以參考我的附錄文件，及拓展。

kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (25, 25))
closed = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, kernel)

此時，我們會得到
這裡寫圖片描述

6.細節刻畫

從上圖我們可以發現和原圖對比，發現有細節丟失，這會干擾之後的昆蟲輪廓的檢測，要把它們擴充，分別執行4次形態學腐蝕與膨脹（附錄文件）

closed = cv2.erode(closed, None, iterations=4)
closed = cv2.dilate(closed, None, iterations=4)

此時，我們會得到
這裡寫圖片描述

7.找出昆蟲區域的輪廓

此時用cv2.findContours()函式
第一個引數是要檢索的圖片，必須是為二值圖，即黑白的（不是灰度圖）

(_, cnts, _) = cv2.findContours(
    引數一： 二值化影象
    closed.copy(),
    引數二：輪廓型別
    # cv2.RETR_EXTERNAL,             #表示只檢測外輪廓
    # cv2.RETR_CCOMP,                #建立兩個等級的輪廓,上一層是邊界
    # cv2.RETR_LIST,                 #檢測的輪廓不建立等級關係
    # cv2.RETR_TREE,                 #建立一個等級樹結構的輪廓
    # cv2.CHAIN_APPROX_NONE,         #儲存所有的輪廓點，相鄰的兩個點的畫素位置差不超過1
    引數三：處理近似方法
    # cv2.CHAIN_APPROX_SIMPLE,         #例如一個矩形輪廓只需4個點來儲存輪廓資訊
    # cv2.CHAIN_APPROX_TC89_L1,
    # cv2.CHAIN_APPROX_TC89_KCOS
    )

8.畫出輪廓

找到輪廓了，接下來，要畫出來的，即用cv2.drawContours()函式。

c = sorted(cnts, key=cv2.contourArea, reverse=True)[0]

# compute the rotated bounding box of the largest contour
rect = cv2.minAreaRect(c)
box = np.int0(cv2.boxPoints(rect))

# draw a bounding box arounded the detected barcode and display the image
draw_img = cv2.drawContours(img.copy(), [box], -1, (0, 0, 255), 3)
cv2.imshow("draw_img", draw_img)

此時，我們會得到
這裡寫圖片描述

9.裁剪出來就完成啦

方法嘛，這不就是麼，找到這四個點切出來就好啦
我們放大一點看一下細節
這裡寫圖片描述+

Xs = [i[0] for i in box]
Ys = [i[1] for i in box]
x1 = min(Xs)
x2 = max(Xs)
y1 = min(Ys)
y2 = max(Ys)
hight = y2 - y1
width = x2 - x1
crop_img= img[y1:y1+hight, x1:x1+width]
cv2.imshow('crop_img', crop_img)

其實，box裡儲存的是綠色矩形區域四個頂點的座標。 我將按下圖紅色矩形所示裁剪昆蟲影象。
找出四個頂點的x，y座標的最大最小值。新影象的高=maxY-minY，寬=maxX-minX
這裡寫圖片描述

終於我們得到了可愛的小蟲子。
得到了目標區域，那麼你想拿它幹什麼就幹什麼！我不管你哈。

考慮到現在的python教程一般都是一上來就是list、tuple什麼的，而不是檔案的讀寫和儲存，包括批量讀取等等，我特地加入了python版的檔案批量讀寫和儲存等附錄檔案。

快快快、誇我！

附錄1.實現程式碼

#-*- coding: UTF-8 -*- 

'''
Author: Steve Wang
Time: 2017/12/8 10:00
Environment: Python 3.6.2 |Anaconda 4.3.30 custom (64-bit) Opencv 3.3
'''

import cv2
import numpy as np


def get_image(path):
    #獲取圖片
    img=cv2.imread(path)
    gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

    return img, gray

def Gaussian_Blur(gray):
    # 高斯去噪
    blurred = cv2.GaussianBlur(gray, (9, 9),0)

    return blurred

def Sobel_gradient(blurred):
    # 索比爾運算元來計算x、y方向梯度
    gradX = cv2.Sobel(blurred, ddepth=cv2.CV_32F, dx=1, dy=0)
    gradY = cv2.Sobel(blurred, ddepth=cv2.CV_32F, dx=0, dy=1)

    gradient = cv2.subtract(gradX, gradY)
    gradient = cv2.convertScaleAbs(gradient)

    return gradX, gradY, gradient

def Thresh_and_blur(gradient):

    blurred = cv2.GaussianBlur(gradient, (9, 9),0)
    (_, thresh) = cv2.threshold(blurred, 90, 255, cv2.THRESH_BINARY)

    return thresh

def image_morphology(thresh):
    # 建立一個橢圓核函式
    kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (25, 25))
    # 執行影象形態學, 細節直接查文件，很簡單
    closed = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, kernel)
    closed = cv2.erode(closed, None, iterations=4)
    closed = cv2.dilate(closed, None, iterations=4)

    return closed

def findcnts_and_box_point(closed):
    # 這裡opencv3返回的是三個引數
    (_, cnts, _) = cv2.findContours(closed.copy(), 
        cv2.RETR_LIST, 
        cv2.CHAIN_APPROX_SIMPLE)
    c = sorted(cnts, key=cv2.contourArea, reverse=True)[0]
    # compute the rotated bounding box of the largest contour
    rect = cv2.minAreaRect(c)
    box = np.int0(cv2.boxPoints(rect))

    return box

def drawcnts_and_cut(original_img, box):
    # 因為這個函式有極強的破壞性，所有需要在img.copy()上畫
    # draw a bounding box arounded the detected barcode and display the image
    draw_img = cv2.drawContours(original_img.copy(), [box], -1, (0, 0, 255), 3)

    Xs = [i[0] for i in box]
    Ys = [i[1] for i in box]
    x1 = min(Xs)
    x2 = max(Xs)
    y1 = min(Ys)
    y2 = max(Ys)
    hight = y2 - y1
    width = x2 - x1
    crop_img = original_img[y1:y1+hight, x1:x1+width]

    return draw_img, crop_img

def walk():

    img_path = r'C:\Users\aixin\Desktop\chongzi.png'
    save_path = r'C:\Users\aixin\Desktop\chongzi_save.png'
    original_img, gray = get_image(img_path)
    blurred = Gaussian_Blur(gray)
    gradX, gradY, gradient = Sobel_gradient(blurred)
    thresh = Thresh_and_blur(gradient)
    closed = image_morphology(thresh)
    box = findcnts_and_box_point(closed)
    draw_img, crop_img = drawcnts_and_cut(original_img,box)

    # 暴力一點，把它們都顯示出來看看

    cv2.imshow('original_img', original_img)
    cv2.imshow('blurred', blurred)
    cv2.imshow('gradX', gradX)
    cv2.imshow('gradY', gradY)
    cv2.imshow('final', gradient)
    cv2.imshow('thresh', thresh)
    cv2.imshow('closed', closed)
    cv2.imshow('draw_img', draw_img)
    cv2.imshow('crop_img', crop_img)
    cv2.waitKey(20171219)
    cv2.imwrite(save_path, crop_img)

walk()

# 用來轉化影象格式的
img = cv2.cvtColor(src, 
    COLOR_BGR2HSV # BGR---->HSV
    COLOR_HSV2BGR # HSV---->BGR
    ...)
# For HSV, Hue range is [0,179], Saturation range is [0,255] and Value range is [0,255]


# 返回一個閾值，和二值化影象，第一個閾值是用來otsu方法時候用的
# 不過現在不用了，因為可以通過mahotas直接實現
T = ret = mahotas.threshold(blurred)
ret, thresh_img = cv2.threshold(src, # 一般是灰度影象
    num1, # 影象閾值
    num2, # 如果大於或者num1, 畫素值將會變成 num2
# 最後一個二值化引數
    cv2.THRESH_BINARY      # 將大於閾值的灰度值設為最大灰度值，小於閾值的值設為0
    cv2.THRESH_BINARY_INV  # 將大於閾值的灰度值設為0，大於閾值的值設為最大灰度值
    cv2.THRESH_TRUNC       # 將大於閾值的灰度值設為閾值，小於閾值的值保持不變
    cv2.THRESH_TOZERO      # 將小於閾值的灰度值設為0，大於閾值的值保持不變
    cv2.THRESH_TOZERO_INV  # 將大於閾值的灰度值設為0，小於閾值的值保持不變
)
thresh = cv2.AdaptiveThreshold(src, 
    dst, 
    maxValue, 
    # adaptive_method 
    ADAPTIVE_THRESH_MEAN_C,      
    ADAPTIVE_THRESH_GAUSSIAN_C,      
    # thresholdType
    THRESH_BINARY, 
    THRESH_BINARY_INV, 
    blockSize=3,
    param1=5
)


# 一般是在黑色背景中找白色物體，所以原始影象背景最好是黑色
# 在執行找邊緣的時候，一般是threshold 或者是canny 邊緣檢測後進行的。
# warning:此函式會修改原始影象、
# 返回：座標位置（x,y）, 
(_, cnts, _) = cv2.findContours(mask.copy(), 
    # cv2.RETR_EXTERNAL,             #表示只檢測外輪廓
    # cv2.RETR_CCOMP,                #建立兩個等級的輪廓,上一層是邊界
    cv2.RETR_LIST,                 #檢測的輪廓不建立等級關係
    # cv2.RETR_TREE,                   #建立一個等級樹結構的輪廓
    # cv2.CHAIN_APPROX_NONE,           #儲存所有的輪廓點，相鄰的兩個點的畫素位置差不超過1
    cv2.CHAIN_APPROX_SIMPLE,       #例如一個矩形輪廓只需4個點來儲存輪廓資訊
    # cv2.CHAIN_APPROX_TC89_L1,
    # cv2.CHAIN_APPROX_TC89_KCOS
   )
img = cv2.drawContours(src, cnts, whichToDraw(-1), color, line)


img = cv2.imwrite(filename, dst,  # 檔案路徑，和目標影象檔案矩陣

    # 對於JPEG，其表示的是影象的質量，用0-100的整數表示，預設為95
    # 注意，cv2.IMWRITE_JPEG_QUALITY型別為Long，必須轉換成int
    [int(cv2.IMWRITE_JPEG_QUALITY), 5] 
    [int(cv2.IMWRITE_JPEG_QUALITY), 95]
    # 從0到9,壓縮級別越高，影象尺寸越小。預設級別為3
    [int(cv2.IMWRITE_PNG_COMPRESSION), 5])
    [int(cv2.IMWRITE_PNG_COMPRESSION), 9])

# 如果你不知道用哪個flags，畢竟太多了哪能全記住，直接找找。
尋找某個函式或者變數
events = [i for i in dir(cv2) if 'PNG' in i]
print( events )

尋找某個變數開頭的flags
flags = [i for i in dir(cv2) if i.startswith('COLOR_')]
print flags

批量讀取檔名字
import os
filename_rgb = r'C:\Users\aixin\Desktop\all_my_learning\colony\20170629'
for filename in os.listdir(filename_rgb):              #listdir的引數是資料夾的路徑
    print (filename)

相關推薦

直接可以用的Python和OpenCV檢測及分割影象的目標區域例子

第一天 老師：你知道麼，今天有人問了我一個問題。 ~.我：什麼？ 老師：他說很難。 ~.我：關於什麼的？ 老師：影象處理。 ~.我：喔，你說說看，我確實做了不少影象處理的東西（心裡默唸，你不知知道你給過我多少影象嗎？） 老師：好嘞！在用深度學習的時

深入學習OpenCV檢測及分割影象的目標區域

準備1：OpenCV常用圖片轉換技巧 　　在進行計算機視覺模型訓練前，我們經常會用到影象增強的技巧來獲取更多的樣本，但是有些深度學習框架中的方法對影象的變換方式可能並不滿足我們的需求，所以掌握OpenCV中一些常用的影象處理技巧對我們還是有很多幫助的。 影象通道分離 　　我們知道每個影象是由RGB三個顏

用 Python 和 OpenCV 檢測圖片上的條形碼（轉載）

  原文地址：http://python.jobbole.com/80448/ 假設我們要檢測下圖中的條形碼： 圖1：包含條形碼的示例圖片 現在讓我們開始寫點程式碼，新建一個檔案，命名為detect_barcode.py，開啟並編碼： Python 1&nbs

使用Python和OpenCV檢測影象中的物體並將物體裁剪下來

介紹 碩士階段的畢設是關於昆蟲影象分類的，程式碼寫到一半，上週五導師又給我新的昆蟲圖片資料集了，新圖片中很多圖片很大，但是圖片中的昆蟲卻很小，所以我就想著先處理一下圖片，把圖片中的昆蟲裁剪下來，這樣除去大部分無關背景，應該可以提高識別率。 原圖片舉例（將紅色

用 Python 和 OpenCV 檢測和跟蹤運動物件

這個該死的傢伙。我就知道他偷了我最後一罐啤酒！ 對於一個男人來講，這些話永遠都不該說。但是當我關上冰箱門的時候，我憤怒地嘆息，感到厭惡，自言自語地說了這些。 你看，我花了12個小時寫了這篇將要發表的文章《PyImageSearch Gurus course》。我的腦子都

python3.6 windows安裝python-contrib-opencv安裝及提取影象的SIFT特徵

#前言 最近幾天在做水果分類的一個Project，看到有人說SIFT特徵比較有用。由於Project的其他部分都是在python中完成的，所以想在python中提取影象的SIFT特徵。上網上一查立馬就發現了很多程式碼，原來python的opencv庫就封裝後SI

基於Python和OpenCV的影象目標檢測及分割

          基於Python和OpenCV的影象目標檢測及分割 本文在https://blog.csdn.net/sinat_36458870/article/details/78825571博主的部落格基礎上加了批處理部分，同時對多張圖

【OpenCV+Python】輪廓檢測及繪製，可用以生成對應於不規則形狀ROI區域的mask

Overview 在OpenCV中文論壇上很多人問到這樣的問題，如何對影象的不規則區域設定ROI，即設定敏感區域，以用來做相關的影象處理。 根據若干博文的整理及自己的點點經驗，在此進行簡單的歸納： 第一部分主要敘述C++中對於不規則區域設定ROImask的方法，第二部分主要敘述Pyt

Python和OpenCV簡單的人臉檢測程式

    最近想要搞人臉識別的東西，所以先弄了個簡單的人臉檢測的程式，網上找的許多都無法使用，不知道是不是Opencv版本的關係，或者是和Python結合後產生的問題，感覺很多API都是錯的，這裡用的是opencv2.3.1和python2.7。Python需要安裝numpy

利用python和opencv批量去掉圖片黑邊

sorted 去掉 pro tor gin com barcode simple min import os import cv2 import numpy as np from scipy.stats import mode import time import con

python實現人臉檢測及識別（3）---- 識別真正的boss

    現在模型訓練已經完成，只需要一個預測函式判斷拍攝的照片是否是boss即可，在boss_train.py裡的Model新增predeict實現函式。 def predict(self, image): # 依然是根據後端系統確定維度順序

python實現人臉檢測及識別（2）---- 利用keras庫訓練人臉識別模型

前面已經採集好資料集boss資料夾存放需要識別的物件照片，other存放其他人的訓練集照片，現在，我們終於可以嘗試訓練我們自己的卷積神經網路模型了。CNN擅長影象處理，keras庫的tensorflow版亦支援此種網路模型，萬事俱備，就放開手做吧。前面說過，我們需要通過大量的訓練資料訓練我們的模型，

python實現人臉檢測及識別（1）---- 採集人臉資料

    本次專案是採用keras深度學習框架，訓練人臉識別模型，採用opencv實時檢測與識別周圍的人臉，本文主要講解如何採集訓練集，本次程式碼在人臉識別的程式碼上添加了將識別的照片依次寫入指定資料夾，並命名(000-499).jpg和顯示識別的第N張照片的文字顯示。 程式

啥年代了啊！誰還用翻譯軟體？我直接用Python自制的翻譯機器人！

  這正是應用程式程式設計介面（Application Programming Interface，API）的用處，它為不同的應用提供了友好方便的介面。不同開發者不同的架構，甚至不同的程式語言也沒問題。這就實現了不同軟體進行資訊共享。 儘管不同的軟體應用都有不同的API，但A

使用python和opencv將圖片轉化為素描圖-python程式碼解析

實際上為了有效地創造黑白素描圖，你真正需要的是一些模糊和兩張圖片的混合技術，叫做dodging and burning. 用OpenCV、Python一張RGB顏色的影象經過下面四個步驟就能夠生成出一張素描圖： 將RGB圖轉化為灰度圖。 灰度圖進行反色操作。 將步

用Python和OpenCV建立一個圖片搜尋引擎時遇到的坑

在學習http://python.jobbole.com/80860/ 中的圖片搜尋引擎時，遇到一些問題，花費了很長時間解決： 問題一：TypeError: ellipse() takes at most 5 arguments (8 given) 解決：有兩個引數不同的el

tensorflow檢測及分割任務筆記

準備相關環境。如tensorflow環境和object detection相關環境，可以參考上面的文章 tensorflow models 倉庫位置：在github上搜 tensorflow models 準備下載資料（可以使用下面的倉庫，根據readme來調整和

Ubuntu 16.04 python和OpenCV安裝

Ubuntu 16.04 python和OpenCV安裝 https://blog.csdn.net/cyn618/article/details/64494434 最進在做深度學習和計算機視覺的有關內容，因此要在python中用到opencv。我的電腦裝的是Ubuntu 16.04，pyt

Python和opencv開啟攝像頭

import cv2 import numpy as np cap = cv2.VideoCapture(0) fourcc = cv2.cv.CV_FOURCC(*'XVID') #opencv3

使用python和opencv將.png檔案修改為.bmp檔案

直接上程式碼，檔案路徑是寫死的： import fnmatch import os import pandas as pd import numpy as np import sys import cv2 def ReadSaveAddr(Stra,