- 项目主要内容概括:
利用OpenCV中的cv2.inRange()函数,对图像中目标进行基于颜色的分割。
下面看看具体步骤:
- 读取图片并滤波:
滤波的主要作用是:对图像进行模糊处理,以减小图像的细微差异。
import cv2
import numpy as np
from matplotlib import pyplot as plt
img = cv2.imread('bird.png')
#平均滤波器
blur1 = cv2.blur(img,(5,5))
#中值滤波器
blur2 = cv2.medianBlur(img,5)
#高斯滤波器
blur3 = cv2.GaussianBlur(img,(5,5,),0)
#双边滤波器,同时考虑像素的空间位置和邻域的像素灰度相似性,在滤波的同时较好的保留图片的边缘
blur4 = cv2.bilateralFilter(img,9,75,75)
plt.figure(figsize=(10,10))
plt.subplot(321),plt.imshow(img),plt.title('img')
plt.xticks([]), plt.yticks([])
plt.subplot(322),plt.imshow(blur1),plt.title('blurl')
plt.xticks([]), plt.yticks([])
plt.subplot(323),plt.imshow(blur2),plt.title('blur2')
plt.xticks([]), plt.yticks([])
plt.subplot(324),plt.imshow(blur3),plt.title('blur3')
plt.xticks([]), plt.yticks([])
plt.subplot(325),plt.imshow(blur4),plt.title('blur4')
plt.xticks([]), plt.yticks([])
plt.show()
- 将图像与RGB颜色空间转到HSV颜色空间
RGB颜色空间中,像素的R、G和B取值,与照在物体上的光有关,彼此相关,不能准确描述像素。HSV空间,H、S和V相对独立,可以准确描述像素的色度,饱和度和亮度。
hsv = cv2.cvtColor(blur4,cv2.COLOR_BGR2HSV)
- 确定像素的颜色阈值
利用颜色选择工具,确定需要提取的对象的像素值,这是一个繁琐的过程,需要不断尝试,以获取准确的颜色阈值区间。
# 颜色阈值分割
low_blue = np.array([55,0,0])
high_blue = np.array([118,255,255])
mask = cv2.inRange(hsv,low_blue,high_blue)
cv2.imshow('mask',mask)
cv2.waitKey(0)
cv2.destroyAllWindows()
- 得到最终结果
利用mask将图像中所有不在描述范围的像素覆盖,得到需要的对象。
res = cv2.bitwise_and(img,img,mask=mask)
cv2.imshow('res',res)
cv2.waitKey(0)
cv2.destroyAllWindows()