阅读量:4
目录
均值漂移滤波 (pyrMeanShiftFiltering)
计算连通组件并返回统计信息 (connectedComponentsWithStats)
http://t.csdnimg.cn/i8pqt —— opencv—常用函数学习_“干货“_总（VIP）
散的正在一部分一部分发，不需要VIP。
资料整理不易，有用话给个赞和收藏吧。
十五、图像分割
在OpenCV中，图像分割是将图像分割成不同区域或对象的过程，常用于对象检测、识别和图像分析。下面介绍一些常用的图像分割函数及其使用示例。
| 图像分割函数 | ||||
| threshold | adaptiveThreshold | inRange | watershed | floodFill |
| 简单阈值分割 | 自适应阈值分割 | 颜色范围分割 | 分水岭算法 | 泛洪填充 |
| grabCut | distanceTransform | MSER | pyrMeanShiftFiltering | |
| GrabCut算法 | 距离变换 | 最大稳定极值区域检测 | 均值漂移滤波 | |
简单阈值分割 (threshold)
import cv2 import numpy as np # 读取图像 image = cv2.imread('path_to_image.jpg', cv2.IMREAD_GRAYSCALE) # 应用简单阈值分割 _, binary_image = cv2.threshold(image, 127, 255, cv2.THRESH_BINARY) cv2.imshow('Binary Image', binary_image) cv2.waitKey(0) cv2.destroyAllWindows() 自适应阈值分割 (adaptiveThreshold)
# 应用自适应阈值分割 adaptive_thresh = cv2.adaptiveThreshold(image, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2) cv2.imshow('Adaptive Threshold Image', adaptive_thresh) cv2.waitKey(0) cv2.destroyAllWindows() 颜色范围分割 (inRange)
# 读取彩色图像 color_image = cv2.imread('path_to_image.jpg') # 定义颜色范围 lower_bound = np.array([0, 120, 70]) upper_bound = np.array([10, 255, 255]) # 转换到HSV颜色空间 hsv_image = cv2.cvtColor(color_image, cv2.COLOR_BGR2HSV) # 应用颜色范围分割 mask = cv2.inRange(hsv_image, lower_bound, upper_bound) cv2.imshow('Mask', mask) cv2.waitKey(0) cv2.destroyAllWindows() 分水岭算法 (watershed)
# 读取图像并转换为灰度图 gray = cv2.cvtColor(color_image, cv2.COLOR_BGR2GRAY) _, binary = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU) # 确定背景区域 kernel = np.ones((3, 3), np.uint8) sure_bg = cv2.dilate(binary, kernel, iterations=3) # 确定前景区域 dist_transform = cv2.distanceTransform(binary, cv2.DIST_L2, 5) _, sure_fg = cv2.threshold(dist_transform, 0.7 * dist_transform.max(), 255, 0) # 确定未知区域 sure_fg = np.uint8(sure_fg) unknown = cv2.subtract(sure_bg, sure_fg) # 标记连通组件 _, markers = cv2.connectedComponents(sure_fg) # 为确保背景为1，增加1 markers = markers + 1 # 将未知区域标记为0 markers[unknown == 255] = 0 # 应用分水岭算法 markers = cv2.watershed(color_image, markers) color_image[markers == -1] = [0, 0, 255] cv2.imshow('Watershed', color_image) cv2.waitKey(0) cv2.destroyAllWindows() 泛洪填充 (floodFill)
# 应用泛洪填充 flood_filled = color_image.copy() h, w = flood_filled.shape[:2] mask = np.zeros((h + 2, w + 2), np.uint8) cv2.floodFill(flood_filled, mask, (0, 0), (255, 0, 0)) cv2.imshow('Flood Fill', flood_filled) cv2.waitKey(0) cv2.destroyAllWindows() GrabCut算法 (grabCut)
# 初始化掩码 mask = np.zeros(color_image.shape[:2], np.uint8) # 定义矩形 rect = (50, 50, 450, 290) # 定义模型 bgdModel = np.zeros((1, 65), np.float64) fgdModel = np.zeros((1, 65), np.float64) # 应用GrabCut算法 cv2.grabCut(color_image, mask, rect, bgdModel, fgdModel, 5, cv2.GC_INIT_WITH_RECT) mask2 = np.where((mask == 2) | (mask == 0), 0, 1).astype('uint8') grabcut_image = color_image * mask2[:, :, np.newaxis] cv2.imshow('GrabCut', grabcut_image) cv2.waitKey(0) cv2.destroyAllWindows() 距离变换 (distanceTransform)
# 应用距离变换 dist_transform = cv2.distanceTransform(binary, cv2.DIST_L2, 5) cv2.imshow('Distance Transform', dist_transform) cv2.waitKey(0) cv2.destroyAllWindows() 最大稳定极值区域检测 (MSER)
# 创建MSER对象 mser = cv2.MSER_create() # 检测MSER区域 regions, _ = mser.detectRegions(gray) # 绘制检测到的区域 output = color_image.copy() for p in regions: hull = cv2.convexHull(p.reshape(-1, 1, 2)) cv2.polylines(output, [hull], 1, (0, 255, 0)) cv2.imshow('MSER', output) cv2.waitKey(0) cv2.destroyAllWindows() 均值漂移滤波 (pyrMeanShiftFiltering)
# 应用均值漂移滤波 mean_shift_image = cv2.pyrMeanShiftFiltering(color_image, 21, 51) cv2.imshow('Mean Shift Filtering', mean_shift_image) cv2.waitKey(0) cv2.destroyAllWindows() 这些示例展示了如何使用OpenCV中的各种图像分割函数来处理图像。根据具体的应用需求，可以灵活运用这些函数来实现复杂的图像分割任务。
十六、连通域
在OpenCV中，连通域分析是图像处理中的一个重要步骤，用于检测和标记图像中的连通区域。主要有两个函数：connectedComponents 和 connectedComponentsWithStats。下面介绍这些函数及其使用示例。
| 连通域分析函数 | |
| connectedComponents | connectedComponentsWithStats |
| 计算连通组件 | 计算连通组件并返回统计信息 |
计算连通组件 (connectedComponents)
import cv2 import numpy as np # 读取图像并转换为灰度图 image = cv2.imread('path_to_image.jpg', cv2.IMREAD_GRAYSCALE) # 应用阈值处理 _, binary_image = cv2.threshold(image, 127, 255, cv2.THRESH_BINARY) # 计算连通组件 num_labels, labels = cv2.connectedComponents(binary_image) # 显示结果 label_hue = np.uint8(179 * labels / np.max(labels)) blank_ch = 255 * np.ones_like(label_hue) labeled_img = cv2.merge([label_hue, blank_ch, blank_ch]) # 转换到BGR颜色空间 labeled_img = cv2.cvtColor(labeled_img, cv2.COLOR_HSV2BGR) # 设置背景为黑色 labeled_img[label_hue == 0] = 0 cv2.imshow('Connected Components', labeled_img) cv2.waitKey(0) cv2.destroyAllWindows() 计算连通组件并返回统计信息 (connectedComponentsWithStats)
# 计算连通组件及统计信息 num_labels, labels, stats, centroids = cv2.connectedComponentsWithStats(binary_image) # 输出每个连通组件的统计信息 for i in range(num_labels): print(f"Component {i}:") print(f" Bounding box: {stats[i, cv2.CC_STAT_LEFT]}, {stats[i, cv2.CC_STAT_TOP]}, " f"{stats[i, cv2.CC_STAT_WIDTH]}, {stats[i, cv2.CC_STAT_HEIGHT]}") print(f" Area: {stats[i, cv2.CC_STAT_AREA]}") print(f" Centroid: {centroids[i]}") # 显示结果 label_hue = np.uint8(179 * labels / np.max(labels)) blank_ch = 255 * np.ones_like(label_hue) labeled_img = cv2.merge([label_hue, blank_ch, blank_ch]) # 转换到BGR颜色空间 labeled_img = cv2.cvtColor(labeled_img, cv2.COLOR_HSV2BGR) # 设置背景为黑色 labeled_img[label_hue == 0] = 0 cv2.imshow('Connected Components with Stats', labeled_img) cv2.waitKey(0) cv2.destroyAllWindows() 解释
connectedComponents：此函数返回连通组件的数量和每个像素所属的标签。connectedComponentsWithStats：此函数除了返回标签外，还返回每个连通组件的统计信息（如边界框、面积）和重心。
这些示例展示了如何使用OpenCV中的连通域分析函数来处理图像。根据具体的应用需求，可以灵活运用这些函数来实现复杂的连通域检测和分析任务。
