Python Opencv實(shí)現(xiàn)單目標(biāo)檢測(cè)的示例代碼
一 簡(jiǎn)介
目標(biāo)檢測(cè)即為在圖像中找到自己感興趣的部分,將其分割出來(lái)進(jìn)行下一步操作,可避免背景的干擾。以下介紹幾種基于opencv的單目標(biāo)檢測(cè)算法,算法總體思想先盡量將目標(biāo)區(qū)域的像素值全置為1,背景區(qū)域全置為0,然后通過其它方法找到目標(biāo)的外接矩形并分割,在此選擇一張前景和背景相差較大的圖片作為示例。
環(huán)境:python3.7 opencv4.4.0
二 背景前景分離
1 灰度+二值+形態(tài)學(xué) 輪廓特征和聯(lián)通組件
根據(jù)圖像前景和背景的差異進(jìn)行二值化,例如有明顯顏色差異的轉(zhuǎn)換到HSV色彩空間進(jìn)行分割。
1 原圖
2 灰度化
3 二值化
4 形態(tài)學(xué)處理
5 提取輪廓并找出目標(biāo)外接矩形
代碼封裝:
def get_roi_contours(image_path, morph_size, num_morph): ''' 參數(shù)詳解: image_path:所需處理圖片路徑 morph_size:形態(tài)學(xué)處理核的大小 num_morph:進(jìn)行形態(tài)學(xué)處理的次數(shù) ''' image = cv2.imread(image_path, cv2.IMREAD_COLOR) #灰度轉(zhuǎn)換 gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) #二值化 threhold, binary_image = cv2.threshold(gray_image, 0, 255, cv2.THRESH_BINARY_INV+cv2.THRESH_OTSU) #形態(tài)學(xué)操作 kernel = cv2.getStructuringElement(shape=cv2.MORPH_RECT, ksize=morph_size) morph_image = cv2.morphologyEx(binary_image, cv2.MORPH_CLOSE, kernel) for i in range(num_morph-1): morph_image = cv2.morphologyEx(morph_image, cv2.MORPH_CLOSE, kernel) #查找輪廓 contours, hierarchy = cv2.findContours(morph_image, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) #選取輪廓面積最大的輪廓 area = 0 max_area_index = 0 for j in range(len(contours)): if area < cv2.contourArea(contours[j]): max_area_index = j area = cv2.contourArea(contours[j]) rect = cv2.boundingRect(contours[max_area_index]) return rect
6 通過聯(lián)通組件找到外接矩形
代碼封裝:
def get_roi_ConCom(image_path, morph_size, num_morph): ''' 參數(shù)詳解: image_path:所需處理圖片路徑 morph_size:形態(tài)學(xué)處理核的大小 num_morph:進(jìn)行形態(tài)學(xué)處理的次數(shù) ''' image = cv2.imread(image_path, cv2.IMREAD_COLOR) #灰度轉(zhuǎn)換 gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) #二值化 threhold, binary_image = cv2.threshold(gray_image, 0, 255, cv2.THRESH_BINARY_INV+cv2.THRESH_OTSU) #形態(tài)學(xué)操作 kernel = cv2.getStructuringElement(shape=cv2.MORPH_RECT, ksize=morph_size) morph_image = cv2.morphologyEx(binary_image, cv2.MORPH_CLOSE, kernel) for i in range(num_morph-1): morph_image = cv2.morphologyEx(morph_image, cv2.MORPH_CLOSE, kernel) #聯(lián)通組件查詢 numlabels, components_img, stats, centers = cv2.connectedComponentsWithStats(morph_image, 8) #獲取除背景外的所有聯(lián)通組件 stats_without_back = stats[1:] #獲取除背景外的所有聯(lián)通組件的面積最大值 max_area = np.max(stats_without_back, axis=0)[-1] #獲取面積最大聯(lián)通組件的index max_area_index = stats_without_back[:, -1]==max_area rect = stats_without_back[max_area_index] return np.squeeze(rect)[0:4]
2 Kmeans聚類實(shí)現(xiàn)前景和背景的分離
1 kmeans聚類后的圖像,由于簇的中心是隨機(jī)初始化的,所以目標(biāo)的像素值可能為0,也可能為1,若采用opencv的findContours則要求前景像素值為1。
2 利用輪廓特征找外接矩形
由于Kmeans隨機(jī)初始化簇中心導(dǎo)致前景目標(biāo)像素不確定,采用邊緣提取的方法再查找輪廓。
邊緣圖:
代碼封裝:
def get_roi_Kmeans(image_path): image = cv2.imread(image_path, cv2.IMREAD_COLOR) image_data = image.reshape(-1, 3).astype(np.float32) #必須要轉(zhuǎn)成浮點(diǎn)類型進(jìn)行計(jì)算 #簇內(nèi)平方和,標(biāo)簽和每個(gè)簇的中心 criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_COUNT, 10, 1) interia, label, centers = cv2.kmeans(image_data, 2, None, criteria, 5, cv2.KMEANS_RANDOM_CENTERS) #二值化,將標(biāo)簽為0的轉(zhuǎn)換為255,即是目標(biāo) label[label==0] = 255 label[label==1] = 0 #轉(zhuǎn)換數(shù)據(jù)類型,輪廓查找要是uint8類型數(shù)據(jù) thresh_img = label.reshape(image.shape[0:2]).astype(np.uint8) x_grad = cv2.Sobel(thresh_img, cv2.CV_32F, 1, 0) y_grad = cv2.Sobel(thresh_img, cv2.CV_32F, 0, 1) x_grad = cv2.convertScaleAbs(x_grad) #ax + b 線性變換 y_grad = cv2.convertScaleAbs(y_grad) dst = cv2.add(x_grad, y_grad, dtype=cv2.CV_16S) #將兩種sobel的加起來(lái)就可以得到整個(gè)邊緣 dst = cv2.convertScaleAbs(dst) plt.imshow(dst, cmap='gray') #輪廓查找目標(biāo)必須為1 contours, hierarchy = cv2.findContours(dst, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) #獲取外接矩形 rect = cv2.boundingRect(contours[0]) return rect
三 總結(jié)
單目標(biāo)檢測(cè)較為簡(jiǎn)單,只要合理利用目標(biāo)和背景的差異便可將其分離出來(lái)。當(dāng)然單目標(biāo)檢測(cè)的方法還有很多,比如有目標(biāo)模板的時(shí)候可以采用模板匹配或者均值漂移,有足夠的數(shù)據(jù)集時(shí)也可采用機(jī)器學(xué)習(xí)和深度學(xué)習(xí)方法。
到此這篇關(guān)于Python Opencv實(shí)現(xiàn)單目標(biāo)檢測(cè)的示例代碼的文章就介紹到這了,更多相關(guān)Opencv 單目標(biāo)檢測(cè)內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家!
- Python使用Opencv實(shí)現(xiàn)圖像特征檢測(cè)與匹配的方法
- python opencv檢測(cè)目標(biāo)顏色的實(shí)例講解
- 10個(gè)步驟Opencv輕松檢測(cè)出圖片中條形碼
- Python 使用Opencv實(shí)現(xiàn)目標(biāo)檢測(cè)與識(shí)別的示例代碼
- Opencv Hough算法實(shí)現(xiàn)圖片中直線檢測(cè)
- 使用OpenCV檢測(cè)圖像中的矩形
- OpenCV實(shí)現(xiàn)圖像角點(diǎn)檢測(cè)
- opencv?canny邊緣檢測(cè)算法詳解
- 基于OpenCV的路面質(zhì)量檢測(cè)的實(shí)現(xiàn)
- opencv實(shí)現(xiàn)礦石圖片檢測(cè)礦石數(shù)量
相關(guān)文章
Django框架實(shí)現(xiàn)分頁(yè)顯示內(nèi)容的方法詳解
這篇文章主要介紹了Django框架實(shí)現(xiàn)分頁(yè)顯示內(nèi)容的方法,結(jié)合實(shí)例形式詳細(xì)分析了Django框架引入bootstrap樣式進(jìn)行分頁(yè)顯示相關(guān)步驟、實(shí)現(xiàn)方法與操作注意事項(xiàng),需要的朋友可以參考下2019-05-05Python設(shè)計(jì)模式之迭代器模式原理與用法實(shí)例分析
這篇文章主要介紹了Python設(shè)計(jì)模式之迭代器模式原理與用法,結(jié)合具體實(shí)例形式分析了迭代器模式的概念、原理、定義及使用方法,代碼注釋說(shuō)明簡(jiǎn)單易懂,需要的朋友可以參考下2019-01-01詳解Python Celery和RabbitMQ實(shí)戰(zhàn)教程
這篇文章主要介紹了詳解Python Celery和RabbitMQ實(shí)戰(zhàn)教程,文中通過示例代碼介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧2021-01-01python爬蟲實(shí)現(xiàn)爬取同一個(gè)網(wǎng)站的多頁(yè)數(shù)據(jù)的實(shí)例講解
在本篇文章里小編給大家整理了一篇關(guān)于python爬蟲實(shí)現(xiàn)爬取同一個(gè)網(wǎng)站的多頁(yè)數(shù)據(jù)的實(shí)例內(nèi)容,有興趣的朋友們可以學(xué)習(xí)參考下。2021-01-01Django QuerySet查詢集原理及代碼實(shí)例
這篇文章主要介紹了Django QuerySet查詢集原理及代碼實(shí)例,文中通過示例代碼介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友可以參考下2020-06-06使用python對(duì)文件中的單詞進(jìn)行提取的方法示例
這篇文章主要介紹了使用python對(duì)文件中的單詞進(jìn)行提取的方法示例,文中通過示例代碼介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧2018-12-12python讀取raw binary圖片并提取統(tǒng)計(jì)信息的實(shí)例
今天小編就為大家分享一篇python讀取raw binary圖片并提取統(tǒng)計(jì)信息的實(shí)例,具有很好的參考價(jià)值,希望對(duì)大家有所幫助。一起跟隨小編過來(lái)看看吧2020-01-01