详解PythonOpenCV图像分割算法的实现

目录

前言

1.图像二值化

2.自适应阈值分割算法

3.Otsu阈值分割算法

4.基于轮廓的字符分离

4.1轮廓检测

 4.2轮廓绘制

4.3包围框获取

4.4矩形绘制 

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

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

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

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:

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

cv2.THRESH_TOZERO等

•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:

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:

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

method:轮廓的近似办法

 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.webp") #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)

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.webp") #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()

以上就是详解Python OpenCV图像分割算法的实现的详细内容,更多关于OpenCV图像分割算法的资料请关注易知道(ezd.cc)其它相关文章!

推荐阅读