opencv图像剪切,opencv图像修复算法
图像分割的本质是将前景物体从背景中分离出来。在目前的实际项目中，传统的分割方法并不多，大部分都是深度学习的方法来达到更好的效果。本文将详细介绍OpenCV中的图像分割与恢复，有需要的可以参考。
00-1010背景一、分水岭方法二、GrabCut方法三、MeanShift方法四、MOG前景背景分离方法五、扩展方法六、图像恢复总结
目录
图像分割的本质是将前景物体从背景中分离出来。在目前的实际项目中，传统的分割方法并不多，大部分都是深度学习的方法来达到更好的效果。当然，了解传统的方法对分段的整体认知有很大的帮助。本文将介绍一些传统的分割算法。
背景
示意图如下：
利用二值图像的梯度关系，设定一定的边界，赋予不同的颜色，实现分割。
实施步骤：
标记背景——标记前景3354标记未知区域(背景减去前景)——进行分割。
功能原型：
分水岭(img，masker):分水岭算法，其中masker代表背景、前景和未知区域；
DistanceTransform(img，distanceType，maskSize):通过改变矩距离计算非零值到最近零值的距离；
ConnectedComponents(img，connectivity，):查找连通域；
代码实现：
img=cv2 . im read( water _ coins . JPEG )
gray=cv2.cvtColor(img，cv2。COLOR_BGR2GRAY)
#添加cv2。指示自适应阈值的THRESH_OTSU(以获得更好的结果)
ret，thresh=cv2.threshold(gray，100，255，cv2。THRESH_BINARY_INV cv2。OTSU)
#开放操作(噪音消除)
kernel=np.ones((3，3)，np.int8)
open1=cv2.morphologyEx(thresh，cv2。MORPH_OPEN，内核，迭代次数=2)
#扩展
beijing=cv2.dilate(open1，kernel，iterations=1)
#获得前景
tmp=cv2 . distance transform(open 1，cv2。L2 DIST，5岁)
ret，钱景=cv2.threshold(tmp，0.7*tmp.max()，255，cv2。THRESH_BINARY)
#获取未知区域
beijingj=np.uint8(北京)
钱景=np.uint8(钱景)
unknow=cv2.subtract(北京，钱景)
#创建一个连接的域
ret，masker=cv2.connectedComponents(钱景)
屏蔽=屏蔽1
masker[unknow==255]=0
#执行图像分割
result=cv2.watershed(img，masker)
img[result==-1]=[0，0，255]
cv2.imshow(result ，img)
cv2.waitKey(0)
一、分水岭法
原理：通过交互获取前景物体；
1.用户指定前景的大致区域，其余为背景区域；
2.用户可以明确指定一些地方作为前景或背景；
3.通过分段迭代的方式分析前景对象以形成模型树；
4.根据权重决定像素是前景还是背景；
功能原型：
grabCut(img，mask，rect，bgdModel，fbgModel，5，mode)
Mask:表示生成的遮罩，函数的输出值，其中0表示背景，1表示前景，2表示可能的背景，3表示可能的前景；
代码如下：
App:级
flag_rect=False
rect=(0，0，0，0)
startX = 0
startY = 0
def onmouse(self, event, x, y, flags, param):
if event == cv2.EVENT_LBUTTONDOWN:
self.flag_rect = True
self.startX = x
self.startY = y
print("LBUTTIONDOWN")
elif event == cv2.EVENT_LBUTTONUP:
self.flag_rect = False
cv2.rectangle(self.img,
(self.startX, self.startY),
(x, y),
(0, 0, 255),
3)
self.rect = (min(self.startX, x), min(self.startY, y),
abs(self.startX - x),
abs(self.startY -y))
print("LBUTTIONUP")
elif event == cv2.EVENT_MOUSEMOVE:
if self.flag_rect == True:
self.img = self.img2.copy()
cv2.rectangle(self.img,
(self.startX, self.startY),
(x, y),
(255, 0, 0),
3)
print("MOUSEMOVE")
print("onmouse")
def run(self):
print("run...")
cv2.namedWindow(input)
cv2.setMouseCallback(input, self.onmouse)
self.img = cv2.imread(./lena.png)
self.img2 = self.img.copy()
self.mask = np.zeros(self.img.shape[:2], dtype=np.uint8)
self.output = np.zeros(self.img.shape, np.uint8)
while(1):
cv2.imshow(input, self.img)
cv2.imshow(output, self.output)
k = cv2.waitKey(100)
if k == 27:
break
if k == ord(g):
bgdmodel = np.zeros((1, 65), np.float64)
fgdmodel = np.zeros((1, 65), np.float64)
cv2.grabCut(self.img2, self.mask, self.rect,
bgdmodel, fgdmodel,
1,
cv2.GC_INIT_WITH_RECT)
# 注意np.where的用法可以用来筛选前景
mask2 = np.where((self.mask==1)(self.mask==3), 255, 0).astype(uint8)
self.output = cv2.bitwise_and(self.img2, self.img2, mask=mask2)
由于效果并不是特别明显，并且运行时耗时会比较长，在这里就不展示了；
注意：np.where的用法需要掌握，可以将一个矩阵中选定的值与未选定的值做二值化的处理；
三、MeanShift法
实现原理：
并不是用来进行图像分割的，而是在色彩层面的平滑滤波；
中和色彩分布相近的颜色，平滑色彩细节，腐蚀掉面积较小的颜色区域；
以图像上任意点P为圆心，半径为sp，色彩幅值为sr进行不断的迭代；
函数原型：
pyrMeanShiftFiltering（img，sp，sr，…）
代码实现：
img = cv2.imread(flower.png)
通过该函数可以实现色彩的平滑处理，做特效也是不错的（有种卡通化的效果），虽然该函数并不能直接做图像分割，但处理后的图像可以通过canny算法进行边缘检测；
Canny代码：
img = cv2.imread(key.png)
四、MOG前景背景分离法
首先需要了解视频的一些原理：
视频是一组连续帧组成的（一帧也可以看作一副图像）
帧与帧之间关系密切（又称为GOP）
在GOP中，背景几乎是不变的
主要有以下几种方法：
1、MOG去背景
原理：混合高斯模型为基础的前景、背景分割法；
函数原型：
createBackgroundSubtractorMOG（其中的默认值就不做讲解了）
代码实战：
cap = cv2.VideoCapture(./vtest.avi)
五、拓展方法
1、MOG2
说明：与MOG算法类似，但对于亮度产生的阴影有更好的识别效果，噪点更多；
函数原型：createBackgroundSubtractorMOG2（默认参数不作介绍）
效果展示：
2、GMG
说明：静态背景图像估计和每个像素的贝叶斯分割抗噪性更强；
函数原型：createBackgroundSubtractorGMG（）
效果展示：
总结：GMG开始会不显示一段时间，这是由于初始参考帧的数量和过大；对比业界的效果来看，这些传统方法的效果并不好，特别是对比深度学习的算法；但很多原理值得我们取思考借鉴，模型只是给出我们问题的优解，如果能将传统算法结合深度学习算法，那是否能在提速的同时，也达到一个可观的效果，这是我思考的一个点，欢迎大家发表自己的意见；
六、图像修复
说明：我们的图像往往会有一些马赛克的存在，特别是一些老照片会有不必要的图案，图像修复就是用于解决这类问题，并不等同于超清化；
函数原型：
inpaint（img，mask，inpaintRadius，两种方式：INPAINT_NS、INPAINT_TELEA）
代码案例：
img = cv2.imread(inpaint.png)
总结：从结果来看，效果相当不错，但前提我们需要知道需要修复的部分，所以应用的场景也会比较局限；
总结
简单介绍了一些传统的一些图像分割算法，并没有涉及原理，感兴趣的可以自行了解；当然，现在业界的分割算法都采用深度学习的方式了，并且也有了很好的效果和落地应用。
以上就是OpenCV学习之图像的分割与修复详解的详细内容，更多关于OpenCV图像分割修复的资料请关注盛行IT软件开发工作室其它相关文章！
郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。