| OpenCV实战（2） | 您所在的位置：网站首页 › opencv二值白色 › OpenCV实战（2） |
OpenCV实战（2）
|
如果需要处理的原图及代码，请移步小编的GitHub地址
传送门：请点击我 如果点击有误：https://github.com/LeBron-Jian/ComputerVisionPractice 下面来实战一个使用opencv检测及其分割图像的目标区域的例子。 注意：现在OpenCV for Python 就是通过Numpy 进行绑定的。所以在使用时必须掌握一些Numpy的相关知识！图像就是一个矩阵，在OpenCV for Python 中，图像就是Numpy中的数组！ 1，图像的载入，显示和保存如果读取图像，只需要imread即可。 import cv2 # 获取图片 img_path = r'1.jpg' img = cv2.imread(img_path)OpenCV目前支持读取bmp，jpg，png，tiff等常用格式。 我们还可以查看图像的一些基本属性： print(img) print(img.dtype) print(img.shape)接着创建一个窗口 cv2.namedWindow("Image")然后在窗口中显示图像 cv2.imshow('Image', img)最后还要添加一句： cv2.waitKey(0)如果不添加最后一句，在IDLE中执行窗口直接无响应。在命令行中执行的话，则是一闪而过。 保存图像很简单，直接cv.imwrite即可。 cv2.imwrite(save_path, crop_img)第一个参数是保存的路径及文件名，第二个是图像矩阵。其中，imwrite()有个可选的第三个参数，如下： cv2.imwrite("cat.jpg", img，[int(cv2.IMWRITE_JPEG_QUALITY), 5])第三个参数针对特定的格式： 对于JPEG，其表示的是图像的质量，用0-100的整数表示，默认为95。 注意，cv2.IMWRITE_JPEG_QUALITY类型为Long，必须转换成int。下面是以不同质量存储的两幅图：
对于PNG，第三个参数表示的是压缩级别。cv2.IMWRITE_PNG_COMPRESSION，从0到9,压缩级别越高，图像尺寸越小。默认级别为3： cv2.imwrite("./cat.png", img, [int(cv2.IMWRITE_PNG_COMPRESSION), 0]) cv2.imwrite("./cat2.png", img, [int(cv2.IMWRITE_PNG_COMPRESSION), 9])保存的图像尺寸如下：
还有一种支持的图像，一般不常用。 完整的程序为： #!/usr/bin/env python # -*- coding: utf-8 -*- import cv2 # 获取图片 img_path = r'worm.jpg' img = cv2.imread(img_path) cv2.namedWindow("Image") cv2.imshow('Image', img) cv2.waitKey(0) cv2.destroyAllWindows()最后释放窗口是个好习惯！，查看图片效果如下：
2，转换灰度并去噪声 我们可以得到两张图片，第一张是灰度图，第二章是去噪之后的。去噪有很多种方法，均值滤波法，高斯滤波法，中值滤波器，双边滤波器等。这里展示灰度化，高斯去噪的代码： gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) blurred = cv2.GaussianBlur(gray, (9, 9),0)下图展示效果，（这里取高斯是因为高斯去噪效果是最好的）
用Sobel算子计算x，y方向上的梯度，之后在x方向上 减去 y方向上的梯度，通过这个操作，会留下具有高水平梯度和低垂直梯度的图像区域。 代码入下： # 提取图像的梯度 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)此时我们会得到如下的图像： 考虑到图像的孔隙，首先使用低通滤波器平滑图像，这将有助于平滑图像中的高频噪声。低通滤波器的目的是降低图像的变化率。 如果将每个像素替换为该图像周围像素的均值，这样就可以平滑并替代那些强度变化明显的区域。 对模糊图像二值化，顾名思义就是把图像数值以某一边界分成两种数值，梯度图像中不大于90的任何像素都设置为0（黑色）。否则，像素设置为255（白色）： blurred = cv2.GaussianBlur(gradient, (9, 9), 0) (_, thresh) = cv2.threshold(blurred, 90, 255, cv2.THRESH_BINARY)此时效果如下：
其实就算手动分割，我们也是需要找到一个边界，可以看出轮廓出来了，但是我们最终要的是整个轮廓，所以内部小区域就不要了。 5，图像形态学在上图中我们看到虫子身体区域有很多黑色的空余，我们要用白色填充这些空余，使得后面的程序更冗余识别虫子的区域，这需要一些形态学方面的操作。 在这里我们选取ELLIPSE核，采用CLOSE操作。 # 图像形态学 kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (25, 25)) closed = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, kernel)此时，效果如下：
从上图我们可以发现和原图对比，发现有细节丢失，这会干扰之后的昆虫轮廓的检测，要把它们扩充，分别执行4次形态学腐蚀与膨胀，代码如下： # 细节刻画，分别执行四次形态学腐蚀与膨胀 closed = cv2.erode(closed, None, iterations=4) closed = cv2.dilate(closed, None, iterations=4)效果如下：
此时用 cv2.findContours() 函数如下： (cnts, _) = cv2.findContours( 参数一： 二值化图像 closed.copy(), 参数二：轮廓类型 #表示只检测外轮廓 # cv2.RETR_EXTERNAL, #建立两个等级的轮廓,上一层是边界 # cv2.RETR_CCOMP, #检测的轮廓不建立等级关系 # cv2.RETR_LIST, #建立一个等级树结构的轮廓 # cv2.RETR_TREE, #存储所有的轮廓点，相邻的两个点的像素位置差不超过1 # cv2.CHAIN_APPROX_NONE, 参数三：处理近似方法 #例如一个矩形轮廓只需4个点来保存轮廓信息 # cv2.CHAIN_APPROX_SIMPLE, # cv2.CHAIN_APPROX_TC89_L1, # cv2.CHAIN_APPROX_TC89_KCOS )第一个参数是要检索的图片，必须是二值图，即黑白的（不是灰度图）。 # 这里opencv3返回的是三个参数 (cnts, _) = cv2.findContours( # 参数一：二值化图像 closed.copy(), # 参数二：轮廓类型 cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE ) c = sorted(cnts, key=cv2.contourArea, reverse=True)[0] rect = cv2.minAreaRect(c) box = np.int0(cv2.boxPoints(rect)) draw_img = cv2.drawContours(img.copy(), [box], -1, (0, 0, 255), 3) cv2.imshow("draw_img", draw_img)此时，会得到：
8，裁剪 图像的裁剪最简单的方式就是获取图像数组的切片，如下： img_crop = img[100:300,100:300] cv2.imshow("img_crop", img_crop) key = cv2.waitKey() if key == 27: cv2.destroyAllWindows()当然，这里我们直接找到四个点，切出来就OK. 其实，box里保存的是绿色矩阵区域四个顶点的坐标。我们按照下图所示裁剪昆虫图像。
方法是找到四个顶点的x，y坐标的最大最小值。新图像的高等于 max(Y) - min(Y)，宽等于 max(X) - min(X)。 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)9，完整代码 #-*- coding: UTF-8 -*- import cv2 import numpy as np def get_image(path): #获取图片 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): # 索比尔算子来计算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): # 建立一个椭圆核函数 kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (25, 25)) # 执行图像形态学, 细节直接查文档，很简单 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): # 这里opencv3返回的是三个参数 (_, 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): # 因为这个函数有极强的破坏性，所有需要在img.copy()上画 # 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'worm.png' save_path = r'worm_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) # 暴力一点，把它们都显示出来看看 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()
附录代码： # 用来转化图像格式的 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] # 返回一个阈值，和二值化图像，第一个阈值是用来otsu方法时候用的 # 不过现在不用了，因为可以通过mahotas直接实现 T = ret = mahotas.threshold(blurred) ret, thresh_img = cv2.threshold(src, # 一般是灰度图像 num1, # 图像阈值 num2, # 如果大于或者num1, 像素值将会变成 num2 # 最后一个二值化参数 cv2.THRESH_BINARY # 将大于阈值的灰度值设为最大灰度值，小于阈值的值设为0 cv2.THRESH_BINARY_INV # 将大于阈值的灰度值设为0，大于阈值的值设为最大灰度值 cv2.THRESH_TRUNC # 将大于阈值的灰度值设为阈值，小于阈值的值保持不变 cv2.THRESH_TOZERO # 将小于阈值的灰度值设为0，大于阈值的值保持不变 cv2.THRESH_TOZERO_INV # 将大于阈值的灰度值设为0，小于阈值的值保持不变 ) 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体，所以原始图像背景最好是黑色 # 在执行找边缘的时候，一般是threshold 或者是canny 边缘检测后进行的。 # warning:此函数会修改原始图像、 # 返回：坐标位置（x,y）, (_, cnts, _) = cv2.findContours(mask.copy(), # cv2.RETR_EXTERNAL, #表示只检测外轮廓 # cv2.RETR_CCOMP, #建立两个等级的轮廓,上一层是边界 cv2.RETR_LIST, #检测的轮廓不建立等级关系 # cv2.RETR_TREE, #建立一个等级树结构的轮廓 # cv2.CHAIN_APPROX_NONE, #存储所有的轮廓点，相邻的两个点的像素位置差不超过1 cv2.CHAIN_APPROX_SIMPLE, #例如一个矩形轮廓只需4个点来保存轮廓信息 # cv2.CHAIN_APPROX_TC89_L1, # cv2.CHAIN_APPROX_TC89_KCOS ) img = cv2.drawContours(src, cnts, whichToDraw(-1), color, line) img = cv2.imwrite(filename, dst, # 文件路径，和目标图像文件矩阵 # 对于JPEG，其表示的是图像的质量，用0-100的整数表示，默认为95 # 注意，cv2.IMWRITE_JPEG_QUALITY类型为Long，必须转换成int [int(cv2.IMWRITE_JPEG_QUALITY), 5] [int(cv2.IMWRITE_JPEG_QUALITY), 95] # 从0到9,压缩级别越高，图像尺寸越小。默认级别为3 [int(cv2.IMWRITE_PNG_COMPRESSION), 5]) [int(cv2.IMWRITE_PNG_COMPRESSION), 9]) # 如果你不知道用哪个flags，毕竟太多了哪能全记住，直接找找。 寻找某个函数或者变量 events = [i for i in dir(cv2) if 'PNG' in i] print( events ) 寻找某个变量开头的flags flags = [i for i in dir(cv2) if i.startswith('COLOR_')] print flags 批量读取文件名字 import os filename_rgb = r'C:\Users\aixin\Desktop\all_my_learning\colony\20170629' for filename in os.listdir(filename_rgb): #listdir的参数是文件夹的路径 print (filename)
参考文献： https://mp.weixin.qq.com/s?__biz=MzUyMjE2MTE0Mw==&mid=2247485167&idx=1&sn=dd124331da063dc5adf5a9d21c97cd5f&chksm=f9d15877cea6d161c55d7cd2969a0ed8f9275e2391ad36dfda0abc77752593afedbe9351c998&scene=21#wechat_redirect https://blog.csdn.net/sunny2038/article/category/904451 https://www.cnblogs.com/zangyu/p/5802142.html |
【本文地址】