python-opencv实现检测物体轮廓矩形并扣出

通过蓝色的阈值,去除背景,找出轮廓,并将图片扣出。

其余颜色阈值:

import cv2
import numpy as np
img = cv2.imread("ce.jpg")
# 检测蓝色的阈值
lower_blue=np.array([78,43,46])
upper_blue=np.array([110,255,255])

# change to hsv model
hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)

# get mask
mask = cv2.inRange(hsv, lower_blue, upper_blue)

# detect blue
image = cv2.bitwise_and(img, img, mask=mask)

gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
gradX = cv2.Sobel(gray
  • 1
    点赞
  • 31
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
Python中的OpenCV库可以通过使用计算机视觉技术来实现动态物体检测和跟踪。具体步骤如下: 1.导入必要的库: 首先,导入必要的Python库和OpenCV库。 import cv2 import numpy as np 2.初始化摄像头: 创建VideoCapture对象来读取视频或图像。这可以是连接到计算机的摄像头或加载的视频文件。 cap = cv2.VideoCapture(0) 3.设置背景图像: 通过读取一些帧来设置背景图像,可以考虑使用静态场景的参考。 _, background = cap.read() 4.捕捉动态物体: 在一个while循环中,读取视频的每一帧并对其进行处理。首先,要检测到动态物体,需要计算背景差异。通过对背景图像和当前帧之间的差异进行阈值处理,从而检测图像中的物体。 _, frame = cap.read() diff = cv2.absdiff(background, frame) gray = cv2.cvtColor(diff, cv2.COLOR_BGR2GRAY) blur = cv2.GaussianBlur(gray, (5, 5), 0) _, thresh = cv2.threshold(blur, 20, 255, cv2.THRESH_BINARY) dilated = cv2.dilate(thresh, None, iterations=3) contours, _ = cv2.findContours(dilated, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE) 5.绘制轮廓: 找到轮廓后,可以绘制矩形或圆形框来标识动态物体。 for contour in contours: (x, y, w, h) = cv2.boundingRect(contour) cv2.rectangle(frame, (x, y), (x+w, y+h), (0, 255, 0), 2) 6.显示结果: 通过显示每一帧的结果来实现动态物体的实时检测cv2.imshow("Dynamic Object Detection", frame) 7.释放资源: 在完成操作之后,释放资源并关闭窗口。 cap.release() cv2.destroyAllWindows() 通过以上步骤,我们可以利用PythonOpenCV实现动态物体检测和跟踪。可以根据具体需求进行进一步的优化和改进。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

学术菜鸟小晨

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值