如何在OpenCV Python中生成图像遮罩？

我们可以通过计算掩模和图像的 cv2.bitwise_and() 来应用掩模到图像上。要跟踪颜色，我们使用 cv2.inRange() 在HSV颜色空间中定义掩模，传递颜色数值的下限和上限。

要跟踪图像的一部分，我们可以使用 np.zeros() 定义一个掩模，并对待检查的输入图像区域为白色（255）的条目进行切片。按照以下给定的步骤生成图像掩模 –

• 第一步是导入必要的库。所需的Python库是 OpenCV 和 NumPy 。确保您已经安装了它们。

• 然后使用 cv2.imread() 方法读取输入图像。将图像BGR转换为HSV以跟踪输入图像中的颜色。要跟踪图像的一部分，请保持图像为BGR格式。

• 使用 cv2.inRange() 定义一个掩模以跟踪图像中的特定颜色。传递颜色在HSV格式中的下限和上限。如果要跟踪输入图像的矩形部分，请使用一个矩形图像（称为 mask ），并使用 cv2.zeros() 填充掩模的条目以跟踪原始图像中的区域。

• 使用 cv2.bitwise_and() 在 mask 和输入图像之间执行按位与操作。

• 现在显示掩模和掩膜图像。

我们将使用此图像作为 输入文件 在以下示例中-

示例

在此Python程序中，我们创建一个颜色掩模以跟踪输入图像中的黄色。在此示例中，我们使用HSV颜色空间获取颜色掩模。

# 导入必要的库
import cv2
import numpy as np

# 读取输入图像
img = cv2.imread('car.jpg')

# 将BGR转换为HSV
hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)

# 定义HSV颜色中蓝色的范围
lower_yellow = np.array([15,50,180])
upper_yellow = np.array([40,255,255])

# 创建一个掩模。使用HSV图像阈值获取仅有黄色颜色
mask = cv2.inRange(hsv, lower_yellow, upper_yellow)

# 与原始图像掩膜进行按位与操作
result = cv2.bitwise_and(img,img, mask= mask)

# 显示掩膜和掩膜图像
cv2.imshow('Mask',mask)
cv2.waitKey(0)
cv2.imshow('Masked Image',result)
cv2.waitKey(0)
cv2.destroyAllWindows()

输出

运行上述代码后，将打开两个窗口名为 “ Mask ”和 “ Masked Image ”。 “ Mask ” 显示跟踪黄色的掩膜。“ Masked Image ” 显示已跟踪的黄色在输入图像中的图像。

示例

在这个Python程序中，我们创建一个矩形区域作为掩模。我们想要跟踪输入图像中的这个矩形部分。

# 导入需要的库
import cv2
import numpy as np

# 读取一个灰度图像作为输入图像
img = cv2.imread('car.jpg')

# 创建掩模
mask = np.zeros(img.shape[:2], np.uint8)
mask[100:250, 150:450] = 255

# 使用掩模计算按位与
masked_img = cv2.bitwise_and(img,img,mask = mask)

# 显示掩模和输出图像
cv2.imshow('Mask',mask)
cv2.waitKey(0)
cv2.imshow('Masked Image',masked_img)
cv2.waitKey(0)
cv2.destroyAllWindows()

输出

当我们运行上面的代码时，会打开两个名为 ‘ Mask ‘ 和 ‘ Masked Image ‘ 的窗口。’ Mask ‘ 显示掩模（矩形区域）。’ Masked Image ‘ 在输入图像中显示跟踪部分。

为帮助更多对人工智能感兴趣的小伙伴们能够有效的系统性的学习以及论文的研究，小编特意制作整理了一份人工智能学习资料给大家，整理了很久，非常全面。

大致内容包括一些人工智能基础入门视频和文档+AI常用框架实战视频、计算机视觉、机器学习、图像识别、NLP、OpenCV、YOLO、pytorch、深度学习与神经网络等学习资料、课件源码、国内外知名精华资源、以及AI热门论文等全套学习资料。

需要以上这些文中提到的资料，请点击此处→【人工智能全套完整VIP资料】即可免费获取。

 

看完三件事❤️

• 如果你觉得这篇内容对你还蛮有帮助，我想邀请你帮我三个小忙：
• 点赞，转发，有你们的 『点赞和评论』，才是我创造的动力。
• 关注作者公众号 『 python深度学习NLP 』，不定期分享原创知识。
• 关注后回复【666】扫码即可获取学习资料包。
• 同时可以期待后续文章ing🚀。