最详细的 Opencv--图像提取裁剪

目录

一、裁剪效果展示

二、具体实现操作

1.导入相应的库

2.读取相应图片并转换为灰度图

1）代码部分

2）效果展示

3.高斯滤波 

1）代码部分

2）效果展示

4.边缘检测 

1）代码部分

2）效果展示

 5.提取小金鱼轮廓

1）代码部分

2）效果展示

 6.设置掩膜

1）代码部分

2）效果展示

7.图像裁剪 

1）代码部分

2）效果展示

三、总结 

---

对于部分操作或参数有疑惑的，或者想了解更多opencv操作的可前往OpenCV操作教程

一、裁剪效果展示

将图像中较大的小金鱼裁剪出来 

二、具体实现操作

1.导入相应的库

import cv2
from tools import my_tools
import numpy as np

#这里的from tools import my_tools 是我自己的一个工具包，里面的my_tools代码具体如下
#一个resize函数，输入想要缩放的大小，图片长宽会按照等比例缩放

def resize(image, width=None, height=None, inter=cv2.INTER_AREA):
    dim = None
    (h, w) = image.shape[:2]
    if width is None and height is None:
        return image
    if width is None:
        r = height / float(h)
        dim = (int(w * r), height)
    else:
        r = width / float(w)
        dim = (width, int(h * r))
    resized = cv2.resize(image, dim, interpolation=inter)
    return resized

2.读取相应图片并转换为灰度图

方便后续处理图像并提取轮廓

1）代码部分

#打包函数，包含展示图片以及等待
def cv_show(name, image):
    cv2.imshow(name, image)
    cv2.waitKey(0)

image = cv2.imread('./fish.jpg')  #图片路径根据自己路径设置
#高设置为500，宽会按照等比例进行缩放
image = my_tools.resize(image, height=500)
cv_show('fish', image)
#将图片转换为灰度图
image_gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
cv_show('image_gray', image_gray)

2）效果展示

3.高斯滤波 

        高斯滤波是一种用于图像处理的线性平滑滤波技术，可以有效地消除图像中的高频噪声（也称为细节或边缘）。它使用一个二维的高斯函数（或称为高斯核）来与图像的每个像素及其邻域进行卷积，以达到平滑的效果。

作用：整个图像相较于原图像会看起来较为模糊，原图像上的某些噪声点在经过周围像素点加权求和后会被剔除掉。

1）代码部分

#选用3x3的卷积核，sigmaX设为0，确保核不会具有几乎为0的值。这是为了防止除以零或得到接近零的权重。
image_gaussian = cv2.GaussianBlur(image_gray, (3, 3), 0)
cv_show('image_gaussian', image_gaussian)

2）效果展示

4.边缘检测 

Canny边缘检测：cv2.Canny(image, minVal, maxVal)

当一个像素的梯度强度高于maxVal时，它被认为是边缘。

当一个像素的梯度强度低于minVal时，它被认为是非边缘，并且会被丢弃。

如果一个像素的梯度强度在minVal和maxVal之间，那么它只有在与高于maxVal的像素连接时才会被认为是边缘。

1）代码部分

edge = cv2.Canny(image_gaussian, 10, 200)
cv_show('edge', edge)
#设置一个卷积核
kernel = np.ones((4, 4), np.uint8)
#对图像做一个闭操作，防止图像边缘轮廓出现断点
edge = cv2.morphologyEx(edge, cv2.MORPH_CLOSE, kernel)
cv_show('edge', edge)

2）效果展示

 5.提取小金鱼轮廓

cv2.CHAIN_APPROX_SIMPLE ：一种轮廓点的压缩方法，它仅保存轮廓的端点（即轮廓的起点和终点）以及轮廓在水平、垂直和对角线方向上的拐点。通过这种方法，可以有效地减少表示轮廓所需的点的数量，从而提高计算效率。

1）代码部分

cnts = cv2.findContours(edge, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)[1]
#key=cv2.contourArea对提取到的轮廓进行排序，根据轮廓面积进行排序
#reverse=True面积由大到小进行排序
cnts = sorted(cnts, key=cv2.contourArea, reverse=True)[0]  #[0]提取面积最大轮廓
#将提取到的轮廓绘制出来
image_draw = cv2.drawContours(image.copy(), cnts, -1, (0, 0, 255), 2)
cv_show('image_draw', image_draw)

2）效果展示

这里采用cv2.CHAIN_APPROX_SIMPLE，所以轮廓会保存各个点的位置

 6.设置掩膜

1）代码部分

mask = np.zeros(image.shape[:2], dtype=np.uint8)

cv2.drawContours(mask, [cnts], -1, (255, 255, 255), -1)
cv_show('mask', mask)

2）效果展示

7.图像裁剪 

1）代码部分

#将原图进行bitwise_and相加，掩膜为上一步设置的掩膜
image_cut = cv2.bitwise_and(image, image, mask=mask)
cv_show('image_cut', image_cut)

2）效果展示

三、总结 

        要将图像中某一部分裁剪出来就要找到该图像的轮廓，并将掩膜设置为相应位置且大小相等，最后利用掩膜对图像进行加权求和提取出来对应图像。

        OpenCV：功能更强大，提供了许多计算机视觉和图像处理的算法，包括图像滤波、特征检测、目标跟踪等。OpenCV在处理视频和实时图像处理方面也有很好的性能。