在图像处理中,抠图(也称为图像分割或前景提取)是一项非常重要的技术,它允许我们从复杂背景中提取出感兴趣的对象。OpenCV(Open Source Computer Vision Library)是一个强大的计算机视觉库,提供了丰富的工具来实现这一目标。本文将详细介绍如何使用OpenCV来实现简单的抠图功能。
1.最终效果展示:
2.实现思路:
1.加载logo图片
2.找出轮廓
- 将原图(RGB)转换为灰度图logo_gray
- 将灰度图转换为二值图logo_binary
- 通过二值图查找轮廓,使用cv2.findContours()函数找出轮廓
3.绘制轮廓
- 背景选择 原图 灰度图
- 背景是黑色填充白色
4.将颜色对应位置进行替换
1. 加载logo图片
首先,我们需要加载包含logo的原始图片。这通常是一个RGB图像,包含了丰富的颜色信息。
2. 找出轮廓
为了从背景中分离出logo,我们需要找到logo的轮廓。这通常涉及以下几个步骤:
- 将原图(RGB)转换为灰度图:这一步是为了减少图像中的颜色信息,使其更易于处理。
- 将灰度图转换为二值图:通过设定一个阈值,将灰度图像转换为仅包含黑白两种颜色的二值图像。这一步有助于更清晰地定义前景和背景。
- 通过二值图查找轮廓:使用
cv2.findContours()
函数在二值图像上查找轮廓。这个函数会返回图像中所有轮廓的坐标点集。
3. 绘制轮廓
找到轮廓后,我们可以选择在不同的背景上绘制它们。但在这个抠图的上下文中,绘制轮廓更多是为了验证轮廓的准确性,而不是最终的目的。不过,为了展示效果,我们可以:
- 在原图或灰度图上绘制轮廓:这有助于我们直观地看到哪些部分被识别为前景。
- 在黑色背景上填充白色轮廓:这实际上并不是抠图的直接步骤,但它可以模拟抠图后的效果,即前景对象被单独提取出来。
4. 将颜色对应位置进行替换
真正的抠图步骤涉及到将原图中属于前景对象的像素颜色保留,而将背景像素替换为透明或特定颜色。然而,OpenCV标准库直接处理图像透明度(alpha通道)的能力有限。因此,通常的做法是创建一个与原图大小相同的遮罩(mask),其中前景对象区域为白色(或特定值),背景区域为黑色。然后,可以使用这个遮罩与原图进行位运算(如按位与操作),从而得到抠图后的结果。但这里为了简化说明,我们主要关注轮廓的提取和绘制。
3.项目完整代码:
import cv2
import numpy as np
def get_mask():
# 读取logo
logo = cv2.imread("logo.jpg")
# 将原图(RGB)转换为灰度图logo_gray
logo_gray = cv2.cvtColor(logo, cv2.COLOR_BGR2GRAY)
# 将灰度图转换为二值图logo_binary
# 实现思路:大于大于某个阈值就是255,反之小于阈值就是0
# 参数1:被转换为图像(灰度图)
# 参数2:阈值
# 参数3:大于阈值就是255,反之小于阈值就是0
# 参数4:阈值类型cv2.THRESH_BINARY
# 参数5:cv2.THRESH_OTSU
retval, logo_binary = cv2.threshold(logo_gray, 100, 255, cv2.THRESH_BINARY+cv2.THRESH_OTSU)
# 查找轮廓
# 参数1:被查找的图像
# 参数2:轮廓存放的层级关系
# 参数3:CHAIN_APPROX_NONE:轮廓逼近方法
contours, hierarchy = cv2.findContours(logo_binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)
# 生产背景为黑色的图像
mask = np.zeros_like(logo_binary)
# 方式1:使用循环
# 方式2:使用切片
# 绘制轮廓
cv2.drawContours(mask, contours, 1, color=255, thickness=-1)
print(f"retval:{retval}")
return mask
def img_original(img, mask, logo):
m_h, m_w = mask.shape
for h in range(m_h):
for w in range(m_w):
if(mask[h, w] == 255):
img[h, w+50] = logo[h, w]
return img
if __name__ == '__main__':
# 读取图像
logo = cv2.imread("logo.jpg")
img1 = cv2.imread("img1.jpg")
# 显示图像
mask = get_mask()
img = img_original(img1, mask, logo)
cv2.imshow("image", img)
cv2.waitKey(0)
cv2.destroyAllWindows()
4.总结:
本文介绍了使用OpenCV实现抠图的基本思路,包括加载图片、找出轮廓、绘制轮廓以及模拟抠图效果。然而,真正的抠图可能需要更复杂的处理,如使用图像分割算法、深度学习模型等,以更准确地从背景中分离出前景对象。此外,处理透明度和alpha通道通常需要借助专门的图像处理软件或库。希望本文能为初学者提供一个入门级的抠图实现示例。