opencv图像剪切,opencv图像修复算法

  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。

相关文章阅读

  • opencv图像识别数字,opencv 识别
  • opencv图像识别数字,opencv 识别,如何基于opencv实现简单的数字识别
  • opencv图像的旋转角度计算,opencv图像仿射变换
  • opencv图像的旋转角度计算,opencv图像仿射变换,OpenCV图像几何变换之透视变换
  • opencv图像的旋转角度计算,opencv 旋转任意角度
  • opencv图像的旋转角度计算,opencv 旋转任意角度,opencv图片的任意角度旋转实现示例
  • opencv图像处理函数,opencv图像轮廓合并
  • opencv图像处理函数,opencv图像轮廓合并,OpenCV图像处理之七种常用图像几何变换
  • opencv双线性插值函数,opencv 图像插值
  • LBPH人脸识别,基于opencv的人脸识别技术
  • LBPH人脸识别,基于opencv的人脸识别技术,Opencv LBPH人脸识别算法详解
  • ,,OpenCV黑帽运算(BLACKHAT)的使用
  • opencv双线性插值函数,opencv 图像插值,C++ OpenCV实现图像双三次插值算法详解
  • ,,C语言 OpenCV实现柱面投影
  • ,,C++ Opencv imfill孔洞填充函数的实现思路与代码
  • 留言与评论(共有 条评论)
       
    验证码: