欧美bbbwbbbw肥妇,免费乱码人妻系列日韩,一级黄片

OpenCV學(xué)習(xí)之圖像的分割與修復(fù)詳解

 更新時(shí)間:2022年01月25日 08:42:00   作者:一個(gè)熱愛(ài)學(xué)習(xí)的深度渣渣  
圖像分割本質(zhì)就是將前景目標(biāo)從背景中分離出來(lái)。在當(dāng)前的實(shí)際項(xiàng)目中,應(yīng)用傳統(tǒng)分割的并不多,大多是采用深度學(xué)習(xí)的方法以達(dá)到更好的效果。本文將詳細(xì)介紹一下OpenCV中的圖像分割與修復(fù),需要的可以參考一下

背景

圖像分割本質(zhì)就是將前景目標(biāo)從背景中分離出來(lái)。在當(dāng)前的實(shí)際項(xiàng)目中,應(yīng)用傳統(tǒng)分割的并不多,大多是采用深度學(xué)習(xí)的方法以達(dá)到更好的效果;當(dāng)然,了解傳統(tǒng)的方法對(duì)于分割的整體認(rèn)知具有很大幫助,本篇將介紹些傳統(tǒng)分割的一些算法;

一、分水嶺法

原理圖如下:

利用二值圖像的梯度關(guān)系,設(shè)置一定邊界,給定不同顏色實(shí)現(xiàn)分割;

實(shí)現(xiàn)步驟:

標(biāo)記背景 —— 標(biāo)記前景 —— 標(biāo)記未知區(qū)域(背景減前景) —— 進(jìn)行分割

函數(shù)原型:

watershed(img,masker):分水嶺算法,其中masker表示背景、前景和未知區(qū)域;

distanceTransform(img,distanceType,maskSize):矩離變化,求非零值到最近的零值的距離;

connectedComponents(img,connectivity,…):求連通域;

代碼實(shí)現(xiàn):

img = cv2.imread('water_coins.jpeg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 加入cv2.THRESH_OTSU表示自適應(yīng)閾值(實(shí)現(xiàn)更好的效果)
ret, thresh = cv2.threshold(gray, 100, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)

# 開(kāi)運(yùn)算(去噪點(diǎn))
kernel = np.ones((3,3), np.int8)
open1 = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, kernel, iterations = 2)
#膨脹
beijing = cv2.dilate(open1, kernel, iterations = 1)
# 獲取前景
tmp = cv2.distanceTransform(open1, cv2.DIST_L2, 5)
ret, qianjing = cv2.threshold(tmp, 0.7*tmp.max(), 255, cv2.THRESH_BINARY)
# 獲取未知區(qū)域
beijingj = np.uint8(beijing)
qianjing = np.uint8(qianjing)
unknow = cv2.subtract(beijing, qianjing)
# 創(chuàng)建連通域
ret, masker = cv2.connectedComponents(qianjing)
masker = masker + 1
masker[unknow==255] = 0
# 進(jìn)行圖像分割
result = cv2.watershed(img, masker)
img[result == -1] = [0, 0, 255]

cv2.imshow('result', img)
cv2.waitKey(0)?

二、GrabCut法

原理:通過(guò)交互的方式獲得前景物體;

1、用戶指定前景的大體區(qū)域,剩下的為背景區(qū)域;

2、用戶可以明確指定某些地方為前景或背景;

3、采用分段迭代的方法分析前景物體形成模型樹(shù);

4、根據(jù)權(quán)重決定某個(gè)像素是前景還是背景;

函數(shù)原型:

grabCut(img,mask,rect,bgdModel,fbgModel,5,mode)

mask:表示生成的掩碼,函數(shù)輸出的值,其中0表示背景、1表示前景、2表示可能背景、3表示可能前景;

代碼如下:

class App:

? ? flag_rect = False
? ? rect=(0, 0, 0, 0)
? ? startX = 0
? ? startY = 0

? ? def onmouse(self, event, x, y, flags, param):

? ? ? ? if event == cv2.EVENT_LBUTTONDOWN:
? ? ? ? ? ? self.flag_rect = True
? ? ? ? ? ? self.startX = x
? ? ? ? ? ? self.startY = y
? ? ? ? ? ? print("LBUTTIONDOWN")
? ? ? ? elif event == cv2.EVENT_LBUTTONUP:
? ? ? ? ? ? self.flag_rect = False
? ? ? ? ? ? cv2.rectangle(self.img,?
? ? ? ? ? ? ? ? ? ? ? ? ? ? (self.startX, self.startY),
? ? ? ? ? ? ? ? ? ? ? ? ? ? (x, y),
? ? ? ? ? ? ? ? ? ? ? ? ? ? (0, 0, 255),?
? ? ? ? ? ? ? ? ? ? ? ? ? ? 3)
? ? ? ? ? ? self.rect = (min(self.startX, x), min(self.startY, y),?
? ? ? ? ? ? ? ? ? ? ? ? abs(self.startX - x),?
? ? ? ? ? ? ? ? ? ? ? ? abs(self.startY -y))

? ? ? ? ? ? print("LBUTTIONUP")
? ? ? ? elif event == cv2.EVENT_MOUSEMOVE:
? ? ? ? ? ? if self.flag_rect == True:
? ? ? ? ? ? ? ? self.img = self.img2.copy()
? ? ? ? ? ? ? ? cv2.rectangle(self.img,?
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? (self.startX, self.startY),
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? (x, y),
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? (255, 0, 0),?
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 3)
? ? ? ? ? ? print("MOUSEMOVE") ?

? ? ? ? print("onmouse")

? ? def run(self):
? ? ? ? print("run...")

? ? ? ? cv2.namedWindow('input')
? ? ? ? cv2.setMouseCallback('input', self.onmouse)

? ? ? ? self.img = cv2.imread('./lena.png')
? ? ? ? self.img2 = self.img.copy()
? ? ? ? self.mask = np.zeros(self.img.shape[:2], dtype=np.uint8)
? ? ? ? self.output = np.zeros(self.img.shape, np.uint8)

? ? ? ? while(1):
? ? ? ? ? ? cv2.imshow('input', self.img)
? ? ? ? ? ? cv2.imshow('output', self.output)
? ? ? ? ? ? k = cv2.waitKey(100)
? ? ? ? ? ? if k == 27:
? ? ? ? ? ? ? ? break

? ? ? ? ? ? if k == ord('g'):
? ? ? ? ? ? ? ? bgdmodel = np.zeros((1, 65), np.float64)
? ? ? ? ? ? ? ? fgdmodel = np.zeros((1, 65), np.float64)
? ? ? ? ? ? ? ? cv2.grabCut(self.img2, self.mask, self.rect,
? ? ? ? ? ? ? ? ? ? ? ? ? ? bgdmodel, fgdmodel,
? ? ? ? ? ? ? ? ? ? ? ? ? ? 1,?
? ? ? ? ? ? ? ? ? ? ? ? ? ? cv2.GC_INIT_WITH_RECT)
? ? ? ? ? ? # 注意np.where的用法可以用來(lái)篩選前景
? ? ? ? ? ? mask2 = np.where((self.mask==1)|(self.mask==3), 255, 0).astype('uint8')
? ? ? ? ? ? self.output = cv2.bitwise_and(self.img2, self.img2, mask=mask2)

由于效果并不是特別明顯,并且運(yùn)行時(shí)耗時(shí)會(huì)比較長(zhǎng),在這里就不展示了;

注意:np.where的用法需要掌握,可以將一個(gè)矩陣中選定的值與未選定的值做二值化的處理;

三、MeanShift法

實(shí)現(xiàn)原理:

并不是用來(lái)進(jìn)行圖像分割的,而是在色彩層面的平滑濾波;

中和色彩分布相近的顏色,平滑色彩細(xì)節(jié),腐蝕掉面積較小的顏色區(qū)域;

以圖像上任意點(diǎn)P為圓心,半徑為sp,色彩幅值為sr進(jìn)行不斷的迭代;

函數(shù)原型:

pyrMeanShiftFiltering(img,sp,sr,…)

代碼實(shí)現(xiàn):

img = cv2.imread('flower.png')
result = cv2.pyrMeanShiftFiltering(img, 20, 30)

cv2.imshow('img', img)
cv2.imshow('result', result)
cv2.waitKey(0)?

通過(guò)該函數(shù)可以實(shí)現(xiàn)色彩的平滑處理,做特效也是不錯(cuò)的(有種卡通化的效果),雖然該函數(shù)并不能直接做圖像分割,但處理后的圖像可以通過(guò)canny算法進(jìn)行邊緣檢測(cè);

Canny代碼:

img = cv2.imread('key.png')
result = cv2.pyrMeanShiftFiltering(img, 20, 30)

img_canny = cv2.Canny(result, 150, 300)
contours, _ = cv2.findContours(img_canny, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
cv2.drawContours(img, contours, -1, (0, 0, 255), 2)
cv2.imshow('img', img)
cv2.imshow('result', result)
cv2.imshow('canny', img_canny)
cv2.waitKey(0)?

四、MOG前景背景分離法

首先需要了解視頻的一些原理:

  • 視頻是一組連續(xù)幀組成的(一幀也可以看作一副圖像)
  • 幀與幀之間關(guān)系密切(又稱(chēng)為GOP)
  • 在GOP中,背景幾乎是不變的

主要有以下幾種方法:

1、MOG去背景

原理:混合高斯模型為基礎(chǔ)的前景、背景分割法;

函數(shù)原型:

createBackgroundSubtractorMOG(其中的默認(rèn)值就不做講解了)

代碼實(shí)戰(zhàn):

cap = cv2.VideoCapture('./vtest.avi')
mog = cv2.bgsegm.createBackgroundSubtractorMOG()

while(True):
? ? ret, frame = cap.read()
? ? mask = mog.apply(frame)
? ??
? ? cv2.imshow('img', mask)
? ? k = cv2.waitKey(10)
? ? if k == 27:
? ? ? ? break
? ??
cap.release()
cv2.destroyAllWindows()

五、拓展方法

1、MOG2

說(shuō)明:與MOG算法類(lèi)似,但對(duì)于亮度產(chǎn)生的陰影有更好的識(shí)別效果,噪點(diǎn)更多;

函數(shù)原型:createBackgroundSubtractorMOG2(默認(rèn)參數(shù)不作介紹)

效果展示:

2、GMG

說(shuō)明:靜態(tài)背景圖像估計(jì)和每個(gè)像素的貝葉斯分割抗噪性更強(qiáng);

函數(shù)原型:createBackgroundSubtractorGMG()

效果展示:

總結(jié):GMG開(kāi)始會(huì)不顯示一段時(shí)間,這是由于初始參考幀的數(shù)量和過(guò)大;對(duì)比業(yè)界的效果來(lái)看,這些傳統(tǒng)方法的效果并不好,特別是對(duì)比深度學(xué)習(xí)的算法;但很多原理值得我們?nèi)∷伎冀梃b,模型只是給出我們問(wèn)題的優(yōu)解,如果能將傳統(tǒng)算法結(jié)合深度學(xué)習(xí)算法,那是否能在提速的同時(shí),也達(dá)到一個(gè)可觀的效果,這是我思考的一個(gè)點(diǎn),歡迎大家發(fā)表自己的意見(jiàn);

六、圖像修復(fù)

說(shuō)明:我們的圖像往往會(huì)有一些馬賽克的存在,特別是一些老照片會(huì)有不必要的圖案,圖像修復(fù)就是用于解決這類(lèi)問(wèn)題,并不等同于超清化;

函數(shù)原型:

inpaint(img,mask,inpaintRadius,兩種方式:INPAINT_NS、INPAINT_TELEA)

代碼案例:

img = cv2.imread('inpaint.png')
mask = cv2.imread('inpaint_mask.png', 0)

result = cv2.inpaint(img, mask, 5, cv2.INPAINT_TELEA)

cv2.imshow('img', img)
cv2.imshow('result', result)
cv2.waitKey()

總結(jié):從結(jié)果來(lái)看,效果相當(dāng)不錯(cuò),但前提我們需要知道需要修復(fù)的部分,所以應(yīng)用的場(chǎng)景也會(huì)比較局限;

總結(jié)

簡(jiǎn)單介紹了一些傳統(tǒng)的一些圖像分割算法,并沒(méi)有涉及原理,感興趣的可以自行了解;當(dāng)然,現(xiàn)在業(yè)界的分割算法都采用深度學(xué)習(xí)的方式了,并且也有了很好的效果和落地應(yīng)用。

以上就是OpenCV學(xué)習(xí)之圖像的分割與修復(fù)詳解的詳細(xì)內(nèi)容,更多關(guān)于OpenCV圖像分割修復(fù)的資料請(qǐng)關(guān)注腳本之家其它相關(guān)文章!

相關(guān)文章

  • python提示No module named images的解決方法

    python提示No module named images的解決方法

    這篇文章主要介紹了python提示No module named images的解決方法,是Python程序設(shè)計(jì)中經(jīng)常遇到的問(wèn)題,本文給出了具有針對(duì)性的解決方法,需要的朋友可以參考下
    2014-09-09
  • tensorflow 打印內(nèi)存中的變量方法

    tensorflow 打印內(nèi)存中的變量方法

    今天小編就為大家分享一篇tensorflow 打印內(nèi)存中的變量方法,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(guò)來(lái)看看吧
    2018-07-07
  • Django框架自定義模型管理器與元選項(xiàng)用法分析

    Django框架自定義模型管理器與元選項(xiàng)用法分析

    這篇文章主要介紹了Django框架自定義模型管理器與元選項(xiàng)用法,結(jié)合實(shí)例形式分析了自定義模型管理器與元選項(xiàng)的功能、用法及相關(guān)操作注意事項(xiàng),需要的朋友可以參考下
    2019-07-07
  • Python基礎(chǔ)之time庫(kù)詳解

    Python基礎(chǔ)之time庫(kù)詳解

    這篇文章主要介紹了Python基礎(chǔ)之time庫(kù)詳解,文中有非常詳細(xì)的代碼示例,對(duì)正在學(xué)習(xí)python基礎(chǔ)的小伙伴們有非常好的幫助,需要的朋友可以參考下
    2021-04-04
  • Python解惑之True和False詳解

    Python解惑之True和False詳解

    這篇文章主要給大家介紹了關(guān)于Python中常用的數(shù)據(jù)類(lèi)型bool(布爾)類(lèi)型的兩個(gè)值:True和False的相關(guān)資料,通過(guò)示例代碼給大家進(jìn)行了解惑,讓對(duì)這兩個(gè)值有所疑惑的朋友們能有起到一定的幫助,需要的朋友下面來(lái)一起看看吧。
    2017-04-04
  • python MySQLdb Windows下安裝教程及問(wèn)題解決方法

    python MySQLdb Windows下安裝教程及問(wèn)題解決方法

    這篇文章主要介紹了python MySQLdb Windows下安裝教程及問(wèn)題解決方法,本文講解了安裝數(shù)據(jù)庫(kù)mysql、安裝MySQLdb等步驟,需要的朋友可以參考下
    2015-05-05
  • python因子分析的實(shí)例

    python因子分析的實(shí)例

    本文主要介紹了python因子分析的實(shí)例,這里舉一個(gè)因子分析的具體的例子,?看一下因子分析是如何進(jìn)行的,具有一定的參考價(jià)值,感興趣的小伙伴們可以參考一下
    2022-03-03
  • python3 實(shí)現(xiàn)調(diào)用串口功能

    python3 實(shí)現(xiàn)調(diào)用串口功能

    今天小編就為大家分享一篇python3 實(shí)現(xiàn)調(diào)用串口功能,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(guò)來(lái)看看吧
    2019-12-12
  • python基礎(chǔ)之編碼規(guī)范總結(jié)

    python基礎(chǔ)之編碼規(guī)范總結(jié)

    今天帶大家來(lái)學(xué)習(xí)python基礎(chǔ)知識(shí),文中對(duì)python編碼規(guī)范作了詳細(xì)的介紹,對(duì)正在學(xué)習(xí)python的小伙伴們很有幫助,需要的朋友可以參考下
    2021-05-05
  • 淺談圖像處理中掩膜(mask)的意義

    淺談圖像處理中掩膜(mask)的意義

    今天小編就為大家分享一篇淺談圖像處理中掩膜(mask)的意義,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(guò)來(lái)看看吧
    2020-02-02

最新評(píng)論