opencv—常用函数学习_“干货“_5

轻风倦影

已于 2024-07-14 08:43:05 修改

阅读量779

点赞数 10

文章标签： opencv 学习计算机视觉

于 2024-07-14 08:42:26 首次发布

本文链接：https://blog.csdn.net/chen_0717/article/details/140411911

版权

十五、图像分割

简单阈值分割 (threshold)

自适应阈值分割 (adaptiveThreshold)

距离变换 (distanceTransform)

最大稳定极值区域检测 (MSER)

均值漂移滤波 (pyrMeanShiftFiltering)

十六、连通域

计算连通组件 (connectedComponents)

计算连通组件并返回统计信息 (connectedComponentsWithStats)

解释

http://t.csdnimg.cn/i8pqt —— opencv—常用函数学习_“干货“_总（VIP）

散的正在一部分一部分发，不需要VIP。

资料整理不易，有用话给个赞和收藏吧。

十五、图像分割

在OpenCV中，图像分割是将图像分割成不同区域或对象的过程，常用于对象检测、识别和图像分析。下面介绍一些常用的图像分割函数及其使用示例。

图像分割函数
threshold	adaptiveThreshold	inRange	watershed	floodFill
简单阈值分割	自适应阈值分割	颜色范围分割	分水岭算法	泛洪填充
grabCut	distanceTransform	MSER	pyrMeanShiftFiltering
GrabCut算法	距离变换	最大稳定极值区域检测	均值漂移滤波

简单阈值分割 (`threshold`)

import cv2
import numpy as np

# 读取图像
image = cv2.imread('path_to_image.jpg', cv2.IMREAD_GRAYSCALE)

# 应用简单阈值分割
_, binary_image = cv2.threshold(image, 127, 255, cv2.THRESH_BINARY)
cv2.imshow('Binary Image', binary_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

自适应阈值分割 (`adaptiveThreshold`)

# 应用自适应阈值分割
adaptive_thresh = cv2.adaptiveThreshold(image, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C,
                                        cv2.THRESH_BINARY, 11, 2)
cv2.imshow('Adaptive Threshold Image', adaptive_thresh)
cv2.waitKey(0)
cv2.destroyAllWindows()

颜色范围分割 (`inRange`)

# 读取彩色图像
color_image = cv2.imread('path_to_image.jpg')

# 定义颜色范围
lower_bound = np.array([0, 120, 70])
upper_bound = np.array([10, 255, 255])

# 转换到HSV颜色空间
hsv_image = cv2.cvtColor(color_image, cv2.COLOR_BGR2HSV)

# 应用颜色范围分割
mask = cv2.inRange(hsv_image, lower_bound, upper_bound)
cv2.imshow('Mask', mask)
cv2.waitKey(0)
cv2.destroyAllWindows()

分水岭算法 (`watershed`)

# 读取图像并转换为灰度图
gray = cv2.cvtColor(color_image, cv2.COLOR_BGR2GRAY)
_, binary = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)

# 确定背景区域
kernel = np.ones((3, 3), np.uint8)
sure_bg = cv2.dilate(binary, kernel, iterations=3)

# 确定前景区域
dist_transform = cv2.distanceTransform(binary, cv2.DIST_L2, 5)
_, sure_fg = cv2.threshold(dist_transform, 0.7 * dist_transform.max(), 255, 0)

# 确定未知区域
sure_fg = np.uint8(sure_fg)
unknown = cv2.subtract(sure_bg, sure_fg)

# 标记连通组件
_, markers = cv2.connectedComponents(sure_fg)

# 为确保背景为1，增加1
markers = markers + 1

# 将未知区域标记为0
markers[unknown == 255] = 0

# 应用分水岭算法
markers = cv2.watershed(color_image, markers)
color_image[markers == -1] = [0, 0, 255]

cv2.imshow('Watershed', color_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

泛洪填充 (`floodFill`)

# 应用泛洪填充
flood_filled = color_image.copy()
h, w = flood_filled.shape[:2]
mask = np.zeros((h + 2, w + 2), np.uint8)
cv2.floodFill(flood_filled, mask, (0, 0), (255, 0, 0))

cv2.imshow('Flood Fill', flood_filled)
cv2.waitKey(0)
cv2.destroyAllWindows()

GrabCut算法 (`grabCut`)

# 初始化掩码
mask = np.zeros(color_image.shape[:2], np.uint8)

# 定义矩形
rect = (50, 50, 450, 290)

# 定义模型
bgdModel = np.zeros((1, 65), np.float64)
fgdModel = np.zeros((1, 65), np.float64)

# 应用GrabCut算法
cv2.grabCut(color_image, mask, rect, bgdModel, fgdModel, 5, cv2.GC_INIT_WITH_RECT)
mask2 = np.where((mask == 2) | (mask == 0), 0, 1).astype('uint8')
grabcut_image = color_image * mask2[:, :, np.newaxis]

cv2.imshow('GrabCut', grabcut_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

距离变换 (`distanceTransform`)

# 应用距离变换
dist_transform = cv2.distanceTransform(binary, cv2.DIST_L2, 5)
cv2.imshow('Distance Transform', dist_transform)
cv2.waitKey(0)
cv2.destroyAllWindows()

最大稳定极值区域检测 (`MSER`)

# 创建MSER对象
mser = cv2.MSER_create()

# 检测MSER区域
regions, _ = mser.detectRegions(gray)

# 绘制检测到的区域
output = color_image.copy()
for p in regions:
    hull = cv2.convexHull(p.reshape(-1, 1, 2))
    cv2.polylines(output, [hull], 1, (0, 255, 0))

cv2.imshow('MSER', output)
cv2.waitKey(0)
cv2.destroyAllWindows()

均值漂移滤波 (`pyrMeanShiftFiltering`)

# 应用均值漂移滤波
mean_shift_image = cv2.pyrMeanShiftFiltering(color_image, 21, 51)
cv2.imshow('Mean Shift Filtering', mean_shift_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

这些示例展示了如何使用OpenCV中的各种图像分割函数来处理图像。根据具体的应用需求，可以灵活运用这些函数来实现复杂的图像分割任务。

十六、连通域

在OpenCV中，连通域分析是图像处理中的一个重要步骤，用于检测和标记图像中的连通区域。主要有两个函数：connectedComponents 和 connectedComponentsWithStats。下面介绍这些函数及其使用示例。

连通域分析函数
connectedComponents	connectedComponentsWithStats
计算连通组件	计算连通组件并返回统计信息

计算连通组件 (`connectedComponents`)

import cv2
import numpy as np

# 读取图像并转换为灰度图
image = cv2.imread('path_to_image.jpg', cv2.IMREAD_GRAYSCALE)

# 应用阈值处理
_, binary_image = cv2.threshold(image, 127, 255, cv2.THRESH_BINARY)

# 计算连通组件
num_labels, labels = cv2.connectedComponents(binary_image)

# 显示结果
label_hue = np.uint8(179 * labels / np.max(labels))
blank_ch = 255 * np.ones_like(label_hue)
labeled_img = cv2.merge([label_hue, blank_ch, blank_ch])

# 转换到BGR颜色空间
labeled_img = cv2.cvtColor(labeled_img, cv2.COLOR_HSV2BGR)

# 设置背景为黑色
labeled_img[label_hue == 0] = 0

cv2.imshow('Connected Components', labeled_img)
cv2.waitKey(0)
cv2.destroyAllWindows()

计算连通组件并返回统计信息 (`connectedComponentsWithStats`)

# 计算连通组件及统计信息
num_labels, labels, stats, centroids = cv2.connectedComponentsWithStats(binary_image)

# 输出每个连通组件的统计信息
for i in range(num_labels):
    print(f"Component {i}:")
    print(f"  Bounding box: {stats[i, cv2.CC_STAT_LEFT]}, {stats[i, cv2.CC_STAT_TOP]}, "
          f"{stats[i, cv2.CC_STAT_WIDTH]}, {stats[i, cv2.CC_STAT_HEIGHT]}")
    print(f"  Area: {stats[i, cv2.CC_STAT_AREA]}")
    print(f"  Centroid: {centroids[i]}")
    
# 显示结果
label_hue = np.uint8(179 * labels / np.max(labels))
blank_ch = 255 * np.ones_like(label_hue)
labeled_img = cv2.merge([label_hue, blank_ch, blank_ch])

# 转换到BGR颜色空间
labeled_img = cv2.cvtColor(labeled_img, cv2.COLOR_HSV2BGR)

# 设置背景为黑色
labeled_img[label_hue == 0] = 0

cv2.imshow('Connected Components with Stats', labeled_img)
cv2.waitKey(0)
cv2.destroyAllWindows()