OpenCV数字图像处理之ROI区域的提取

OpenCV数字图像处理之ROI区域的提取

利用mask(掩模)技术提取纯色背景图像ROI区域中的人和物,并将提取出来的人或物添加在其他图像上。

1、实现原理

先通过cv.cvtColor()函数,将原RGB彩色图像转换为hsv色彩空间的图像,然后通过cv.inRange()函数获得ROI区域的Mask,最后利用cv.bitwise()函数提取得到ROI区域。

2、使用的函数简述

(1) cv.cvtColor(img, cv.COLOR_BGR2HSV)函数

img为要进行色彩空间转换的原图
cv.COLOR_BGR2HSV即将原图RGB色彩空间转换为HSV色彩空间

(2) cv.inRange(hsv, (h_min, s_min, v_min), (h_max, s_max, v_max))函数

cv.inRange函数通过设置不同的h、s、v的min和max阈值可以获取不同色彩的一个二值的mask图,下图为各颜色的阈值表:
在这里插入图片描述

(3)cv.bitwise_and(img1, img2, mask)cv.bitwise_or(img1, img2, mask)cv.bitwise_not(img)

第一个函数为按位与操作函数,将img1和img2在mask的区域内,R,G,B三个分量分别进行按位与操作。第二个函数为按位或操作函数,将img1和img2在mask的区域内,R,G,B三个分量分别进行按位或操作。第三个函数为按位取反操作函数,将img在R,G,B三个分量分别进行按位取反操作。

(4)cv.add(img1, img2)函数

将img1和img2 进行相加操作,img1和img2的尺寸必须要相同。

3、代码实现过程

原图如下:
在这里插入图片描述
如图,要从图中提取出卡通人物,并将其贴在其他背景上。

(1)读入原始图像

src = cv.imread('person.jpg')
cv.imshow('src', src)

在这里插入图片描述

(2)获取mask

hsv = cv.cvtColor(src, cv.COLOR_BGR2HSV)       # 转换成hsv色彩风格
mask = cv.inRange(hsv, (35, 43, 46), (99, 255, 255))   # 利用inRange产生mask
cv.imshow('mask1', mask)

由于背景为绿色,可以提取绿色背景的mask,由上表可以查出绿色和青色的值,设置好参数后,就可以获得mask(白色区域才是mask区域):
在这里插入图片描述
注意:这里获取的mask为背景的mask,我们要获得人物的mask。

(3)获取人物mask

通过逻辑非操作取反,即可获得人物的mask区域(白色区域):

mask = cv.bitwise_not(mask)
cv.imshow('mask2', mask)

在这里插入图片描述

(4)获取人物

将原始图像与原始图像在mask区域进行逻辑与操作,即可获取

timg1 = cv.bitwise_and(src, src, mask=mask)
cv.imshow('timg1', timg1)

在这里插入图片描述
以上操作即提取了图像中的ROI(卡通人)区域,下面介绍将介绍将提取出来的图贴到其他背景上。

(5)新建一张与原始图一样大小的蓝色的背景图

background = np.zeros(src.shape, src.dtype)
background[:,:,0] = 255

(6)得到蓝色背景的mask

mask = cv.bitwise_not(mask)
dst = cv.bitwise_or(timg1, background, mask=mask)
cv.imshow('dst1', dst)

在这里插入图片描述

(7)将人物图贴到蓝色背景上

dst = cv.add(dst, timg1)
cv.imshow('dst2', dst)

在这里插入图片描述

4、整体代码

import cv2 as cv
import numpy as np

src = cv.imread('person.jpg')
cv.imshow('src', src)
hsv = cv.cvtColor(src, cv.COLOR_BGR2HSV)       # 转换成hsv色彩风格
mask = cv.inRange(hsv, (35, 43, 46), (99, 255, 255))        # 利用inRange产生mask
cv.imshow('mask1', mask)
cv.imwrite('mask1.jpg', mask)

# 获取mask
mask = cv.bitwise_not(mask)
cv.imshow('mask2', mask)
cv.imwrite('mask2.jpg', mask)
timg1 = cv.bitwise_and(src, src, mask=mask)
cv.imshow('timg1', timg1)
cv.imwrite('timg1.jpg', timg1)

# 生成背景
background = np.zeros(src.shape, src.dtype)
background[:,:,0] = 255

# 将人物贴到背景中
mask = cv.bitwise_not(mask)
dst = cv.bitwise_or(timg1, background, mask=mask)
cv.imshow('dst1', dst)
cv.imwrite('dst1.jpg', dst)

dst = cv.add(dst, timg1)
cv.imshow('dst2', dst)
cv.imwrite('dst2.jpg', dst)

cv.waitKey(0)
cv.destroyAllWindows()
参考

OpenCV学习笔记——HSV颜色空间超极详解&inRange函数用法及实战

  • 58
    点赞
  • 406
    收藏
    觉得还不错? 一键收藏
  • 17
    评论
以下是一个基于传统图像处理方法的车牌字符识别示例代码: ```python import cv2 import numpy as np # 加载字符模板 template_images = [] for i in range(10): template_image = cv2.imread(f'template_{i}.jpg', 0) template_images.append(template_image) # 读取车牌图像 plate_image = cv2.imread('plate_image.jpg', 0) # 预处理车牌图像 _, plate_image = cv2.threshold(plate_image, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU) plate_image = cv2.medianBlur(plate_image, 3) # 字符分割 contours, _ = cv2.findContours(plate_image, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) characters = [] for contour in contours: # 忽略过小的轮廓 if cv2.contourArea(contour) < 100: continue # 获取字符区域的矩形框坐标 x, y, w, h = cv2.boundingRect(contour) # 提取字符图像 character_roi = plate_image[y:y+h, x:x+w] # 调整字符图像大小为模板大小 character_roi = cv2.resize(character_roi, (template_images[0].shape[1], template_images[0].shape[0])) # 字符匹配 scores = [] for template in template_images: score = cv2.matchTemplate(character_roi, template, cv2.TM_CCOEFF_NORMED) scores.append(score) # 获取最佳匹配字符 best_match_index = np.argmax(scores) character = str(best_match_index) characters.append(character) # 输出识别结果 plate_number = ''.join(characters) print("车牌号码:", plate_number) ``` 在代码中,首先加载字符模板图像,它们包含了数字0到9的样本字符图像。然后读取待识别的车牌图像,并进行预处理操作,例如二值化和中值滤波。接下来,使用`findContours`函数找到字符的轮廓,并遍历每个字符轮廓。对于每个字符区域,首先调整大小为模板大小,然后使用`matchTemplate`函数与所有模板进行匹配得分计算。最后,根据得分选择最佳匹配字符,并将其存储在结果中。 请注意,上述代码仅用于演示目的,实际应用中可能需要根据具体情况进行调整和优化。此外,传统图像处理方法在复杂场景下的效果可能不如基于深度学习的方法。因此,对于更高精度和鲁棒性的车牌字符识别任务,建议使用基于深度学习的方法。
评论 17
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
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