詳解Python OpenCV影象分割演演算法的實現

前言

影象分割是指根據灰度、色彩、空間紋理、幾何形狀等特徵把影象劃分成若干個互不相交的區域。

最簡單的影象分割就是將物體從背景中分割出來

1.影象二值化

cv2.threshold是opencv-python中的影象二值化方法，可以實現簡單的分割功能。

retval, dst = cv2.threshold(src, thresh, maxval, thresholdType[, dst])

•src：原影象，要求必須是灰度影象

•dst：結果影象

•thresh：閾值

•maxVal：結果圖中畫素最大值

•thresholdType：二值化型別

然而，threshold用法，有兩個問題：

問題一：

•根據全圖統一的閾值對畫素進行判斷，並非在所有情況下效果都好

•例如，如果影象在不同區域具有不同的光照條件

問題二：

•閾值需要手動設定，不同的圖片合適的閾值可能不同，更換圖片可能就需要調整程式碼

針對於全圖統一閾值的問題，可以使用自適應閾值分割法

•自適應閾值分割演演算法基於畫素周圍的區域性區域確定畫素的閾值

•同一影象的不同區域具有不同的閾值

•為光照變化的影象提供更好的分割效果

2.自適應閾值分割演演算法

dst= cv2.adaptiveThreshold(src, maxValue, adaptiveMethod,thresholdType, blockSize, C, dst=None)

引數解釋如下：

•src：原影象，它必須是灰度影象

•maxValue：結果圖中畫素的最大值，一般設定為255

•adaptiveMethod：閾值的計算方法，包括以下兩種計算方式：

•thresholdType：二值化方式，例如cv2.THRESH_BINARY、cv2.THRESH_TRUNC、

cv2.THRESH_TOZERO等

•blockSize：區域性區域的大小

•C：閾值計算中減去的常數

缺點：blockSize要手動指定，但物體的大小有差異

3.Otsu閾值分割演演算法

自動根據影象內容計算閾值：

• Otsu閾值分割演演算法
• 大津法
• 直方圖技術

retval, dst = cv2.threshold(src, thresh, maxval, thresholdType[, dst])

引數解釋如下：

• src：原影象，要求必須是灰度影象
• dst：結果影象
• thresh：閾值（無作用）
• maxVal：畫素灰度最大值
• thresholdType：閾值型別，在原有引數值基礎上多傳遞一個引數值，即cv2.THRESH_OTSU
• 比如cv2.THRESH_BINARY+cv2.THRESH_OTSU

利用固定閾值演演算法進行分割，適用的圖片較為侷限

同一個閾值，在一些影象上表現好，在其他圖片上效果不佳

如：

利用Otsu閾值演演算法進行分割，適用的圖片範圍較廣

對每張圖片，Otsu閾值演演算法自動找到針對性的閾值

如：

4.基於輪廓的字元分離

分割步驟

1. 檢測出影象中字元的輪廓

2. 得到每一條輪廓的包圍框，根據包圍框座標提取ROI

4.1輪廓檢測

contours, hierarchy = cv2.findContours(image, mode, method)

引數解釋如下：

contours：返回的輪廓列表，每條輪廓包含構成這條輪廓上的一系列點的座標

hierarchy：輪廓之間的層級關係

image：原始影象，需要是二值圖

mode：輪廓的檢索模式

method：輪廓的近似辦法

 4.2輪廓繪製

cv2.drawContours(image, contours, contourIdx, color, thickness)

• image：指定在哪張圖片上繪製輪廓
• contours：輪廓列表
• contourIdx：定繪製輪廓list中的哪條輪廓，如果是-1，則繪製其中的所有輪廓
• color：輪廓顏色
• thickness（可選）：輪廓寬度

import cv2
img=cv2.imread("D:\desk\images\car_license\test1.png")
 
#去噪
image=cv2.GaussianBlur(img,(3,3),0)
 
#轉為灰度圖
gray1 = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
 
#Ostu閾值分割
ret, th1 = cv2.threshold(gray1, 127,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)
 
'''輪廓檢測與繪製'''
#檢測輪廓(外輪廓)
th1=cv2.dilate(th1,None)      #膨脹，保證同一個字元只有一個外輪廓
contours,hierarchy=cv2.findContours(th1,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)
 
#輪廓視覺化
th1_bgr=cv2.cvtColor(th1,cv2.COLOR_GRAY2BGR)     #轉為三通道圖
 
cv2.drawContours(th1_bgr,contours,-1,(0,0,255),2)    #輪廓視覺化
 
cv2.imshow("th1_bgr",th1_bgr)
 
cv2.waitKey()

4.3包圍框獲取

rect= cv2.boundingRect(points)

• points：一系列點的座標
• rect：能夠包圍住這些點的最小外接矩形資訊，格式為(x,y,width,height)

4.4矩形繪製 

cv2.rectangle(img, pt1, pt2, color[, thickness）

• img：指定要繪製的圖片
• pt1：矩形的某個頂點的座標
• pt2：和pt1相對的頂點座標
• color：矩形的顏色
• thickness（可選）：矩形輪廓的寬度

基於輪廓的字元分離完整程式碼如下：

import cv2
img=cv2.imread("D:\desk\images\car_license\test1.png")
 
#去噪
image=cv2.GaussianBlur(img,(3,3),0)
 
#轉為灰度圖
gray1 = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
 
#Ostu閾值分割
ret, th1 = cv2.threshold(gray1, 127,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)
 
'''輪廓檢測與繪製'''
#檢測輪廓(外輪廓)
th1=cv2.dilate(th1,None)      #膨脹，保證同一個字元只有一個外輪廓
contours,hierarchy=cv2.findContours(th1,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)
 
#輪廓視覺化
th1_bgr=cv2.cvtColor(th1,cv2.COLOR_GRAY2BGR)     #轉為三通道圖
 
# cv2.drawContours(th1_bgr,contours,-1,(0,0,255),2)    #輪廓視覺化
 
'''包圍框獲取'''
words=[]         #儲存包圍框資訊
height,width=th1.shape
for contour in contours:     #對於每一條輪廓
    rest=cv2.boundingRect(contour)       #得到這條輪廓的外接矩陣
    #只有高寬比在1.5到3.5之間，且高 度比圖片高度大於0.3的矩陣才保留
    if rest[3]/rest[2]>1.5 and rest[3]/rest[2]<3.5 and rest[3]/height>0.3:
        words.append(rest)         #將當前矩形加入矩形列表
        cv2.rectangle(th1_bgr,(rest[0],rest[1]),(rest[0]+rest[2],rest[1]+rest[3]),(0,0,255),3)    #繪製矩形
 
 
 
#顯示
# cv2.imshow("img",img)
cv2.imshow("th1",th1)
cv2.imshow("th1_bgr",th1_bgr)
 
cv2.waitKey()

以上就是詳解Python OpenCV影象分割演演算法的實現的詳細內容，更多關於OpenCV影象分割演演算法的資料請關注it145.com其它相關文章！