使用OpenCV进行颜色分割

图像分割

在滤波、变换、缩放等任务中，图像分割具有重要的意义。图像分割是将不同的对象划分为不同的部分，并将这些区域以明显的颜色或者记号标记出来。图像分割是使用轮廓、边界框等概念进行其他高级计算机视觉任务（例如对象分类和对象检测）的基础。良好的图像分割为我们后续的图像分类以及检测奠定了基础。

计算机视觉中三种不同的图像分割类型：

1. 颜色分割或阈值分割
2. 语义分割
3. 边缘检测

本次将介绍基于颜色的图像分割，并通过OpenCV实现。（准确性落后于DL，运行速度快于DL）

颜色分割可以用于检测身体肿瘤、从森林或海洋背景中提取野生动物的图像，或者从单一的背景图像中提取其他彩色物体。下面即是图像分割的几个典型的示例：

从上面的示例可以看出尽管OpenCV速度快，但是图像分割的结果并不是非常理想。

下面以一张鸟的图片进行介绍OpenCV对图片进行颜色分割，目标是通过对鸟进行颜色分类来提取这只鸟。

首先打入完成项目的所需包和图片

import cv2 as cv
img = cv.imread("images/bird.png")

滤波处理

使用滤波器对该图像进行预处理，对图像进行模糊操作，以减少图像中的细微差异。在OpenCV中提供了4个内置的滤波器，以满足用户对图像进行不同的滤波的需求。这种滤波器的使用方式在下面的代码中给出。但是，针对于本文中需要分割的图像，我们并不需要将4种滤波器都使用。

blur = cv.blur(img, (5, 5))
blur0 = cv.medianBlur(blur, 5)
blur1 = cv.GaussianBlur(blur0, (5, 5), 0)
blur2 = cv.bilateralFilter(blur1, 9, 75, 75)

下图是滤波模糊后的结果：

颜色空间转换（BGRtoHSV）

接下来需要将图片从BGR转换为HSV（色相饱和度值）。从BGR空间中转到HSV空间中的原因在于像素B，G和R的取值与落在物体上的光相关，因此这些值也彼此相关，无法准确描述像素。相反，HSV空间中，三者相对独立，可以准确描述像素的亮度，饱和度和色度。

hsv = cv.cvtColor(blur2, cv.COLOR_BGR2HSV

这个操作看似很小，但当我们尝试找到要提取的阈值或像素范围时，它可以使操作变得简单。

阈值分割

这里主要是确定要提取的所有像素的阈值。需要在所有像素中获取期望的像素，具体步骤如下：

low_blue = np.array([55, 0, 0]
high_blue = np.array([118, 225, 225])
mask = cv.inRange(hsv, low_blue, high_blue)

上面的代码中的mask是将所有不在描述对象范围内的其他像素进行覆盖。程序运行效果如下：

接下来、进行最后的操作将mask作为边界的图像。得出最后的实现效果：

总结

可以看出这效果总体来说还是可以的，但是细节部分还是需要改善，比如看图片可知鸟的眼睛部分被抠掉了，尾部蓝色部分也抠出来了。

通过上面的方式，我们基本可以实现基于颜色的图像分割，感兴趣的的小伙伴可以通过上面的代码和步骤进行尝试，看看能否满足自己的图像分割需求。