直接可以用的Python和OpenCV检测及分割图像的目标区域例子

第一天

老师：图像处理。

~.我：他傻啊，切割出来啊，只需要训练感兴趣的部分就好啦。

~.我：好的（hello？一个U盘？）

第二天

---

有这么一个文件
看了里面。。。我要爆炸了。。。

> 598M * 15 = 8970M = 8.97G 我的个妈呀。

为了视觉体验，自动屏蔽，请大家自行去谷歌：虫子、worm、bug、insects。。。

三天后

老师： 好的，我看看。

考虑到视觉忍受能力，我用一个可爱的虫子做为一个示例，其他的都差不多，大家自行尝试。

目标是把虫子区域抠出来

---

环境：

1.2下载安装opencv3.2

---

具体思路如下：

1.获取图片，这个简单哈

img_path = r'C:\Users\aixin\Desktop\chongzi.png' img = cv2.imread(img_path) gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

• 1
• 2
• 3

看，这不就是你处理初始的样子？

2.转换灰度并去噪声

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) blurred = cv2.GaussianBlur(gray, (9, 9),0) 

• 1
• 2

我们可以得到这两张图，第一张是灰度图，第二张是去噪之后的，另外说一下，去噪咱们有很多种方法，均值滤波器、高斯滤波器、中值滤波器、双边滤波器等。

这里取高斯是因为高斯去噪效果是最好的。

3.提取图像的梯度

gradX = cv2.Sobel(gray, ddepth=cv2.CV_32F, dx=1, dy=0) gradY = cv2.Sobel(gray, ddepth=cv2.CV_32F, dx=0, dy=1)  gradient = cv2.subtract(gradX, gradY) gradient = cv2.convertScaleAbs(gradient)

• 1
• 2
• 3
• 4
• 5

以Sobel算子计算x，y方向上的梯度，之后在x方向上减去y方向上的梯度，通过这个减法，我们留下具有高水平梯度和低垂直梯度的图像区域。

此时，我们会得到

4.我们继续去噪声

如将每个像素替换为该像素周围像素的均值， 这样就可以平滑并替代那些强度变化明显的区域。

对模糊图像二值化，顾名思义，就是把图像数值以某一边界分成两种数值，细节我会附在文章底部，如果还是不懂，去cao文档吧。

blurred = cv2.GaussianBlur(gradient, (9, 9),0) (_, thresh) = cv2.threshold(blurred, 90, 255, cv2.THRESH_BINARY)

• 1
• 2

其实就算手动分割我们也是需要找到一个边界吧，可以看到轮廓出来了，但是我们最终要的是整个轮廓，所以内部小区域就不要了

5.图像形态学（牛逼吧、唬人的）

在这里我们选取ELLIPSE核，采用CLOSE操作，具体细节你依旧可以参考我的附录文档，及拓展。

kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (25, 25)) closed = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, kernel)

• 1
• 2

6.细节刻画

从上图我们可以发现和原图对比，发现有细节丢失，这会干扰之后的昆虫轮廓的检测，要把它们扩充，分别执行4次形态学腐蚀与膨胀（附录文档）

closed = cv2.erode(closed, None, iterations=4) closed = cv2.dilate(closed, None, iterations=4)

• 1
• 2

7.找出昆虫区域的轮廓

第一个参数是要检索的图片，必须是为二值图，即黑白的（不是灰度图）

(_, cnts, _) = cv2.findContours(     参数一： 二值化图像     closed.copy(),     参数二：轮廓类型     # cv2.RETR_EXTERNAL,             #表示只检测外轮廓     # cv2.RETR_CCOMP,                #建立两个等级的轮廓,上一层是边界     # cv2.RETR_LIST,                 #检测的轮廓不建立等级关系     # cv2.RETR_TREE,                 #建立一个等级树结构的轮廓     # cv2.CHAIN_APPROX_NONE,         #存储所有的轮廓点，相邻的两个点的像素位置差不超过1     参数三：处理近似方法     # cv2.CHAIN_APPROX_SIMPLE,         #例如一个矩形轮廓只需4个点来保存轮廓信息     # cv2.CHAIN_APPROX_TC89_L1,     # cv2.CHAIN_APPROX_TC89_KCOS     )

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14

8.画出轮廓

找到轮廓了，接下来，要画出来的，即用cv2.drawContours()函数。

c = sorted(cnts, key=cv2.contourArea, reverse=True)[0]  # compute the rotated bounding box of the largest contour rect = cv2.minAreaRect(c) box = np.int0(cv2.boxPoints(rect))  # draw a bounding box arounded the detected barcode and display the image draw_img = cv2.drawContours(img.copy(), [box], -1, (0, 0, 255), 3) cv2.imshow("draw_img", draw_img)

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9

9.裁剪出来就完成啦

+

Xs = [i[0] for i in box] Ys = [i[1] for i in box] x1 = min(Xs) x2 = max(Xs) y1 = min(Ys) y2 = max(Ys) hight = y2 - y1 width = x2 - x1 crop_img= img[y1:y1+hight, x1:x1+width] cv2.imshow('crop_img', crop_img)

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10

得到了目标区域，那么你想拿它干什么就干什么！我不管你哈。

考虑到现在的python教程一般都是一上来就是list、tuple什么的，而不是文件的读写和保存，包括批量读取等等，我特地加入了python版的文件批量读写和保存等附录文件。

快快快、夸我！

附录1.实现代码

#-*- coding: UTF-8 -*-   ''' Author: Steve Wang Time: 2017/12/8 10:00 Environment: Python 3.6.2 |Anaconda 4.3.30 custom (64-bit) Opencv 3.3 '''  import cv2 import numpy as np   def get_image(path):     #获取图片     img=cv2.imread(path)     gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)      return img, gray  def Gaussian_Blur(gray):     # 高斯去噪     blurred = cv2.GaussianBlur(gray, (9, 9),0)      return blurred  def Sobel_gradient(blurred):     # 索比尔算子来计算x、y方向梯度     gradX = cv2.Sobel(blurred, ddepth=cv2.CV_32F, dx=1, dy=0)     gradY = cv2.Sobel(blurred, ddepth=cv2.CV_32F, dx=0, dy=1)      gradient = cv2.subtract(gradX, gradY)     gradient = cv2.convertScaleAbs(gradient)      return gradX, gradY, gradient  def Thresh_and_blur(gradient):      blurred = cv2.GaussianBlur(gradient, (9, 9),0)     (_, thresh) = cv2.threshold(blurred, 90, 255, cv2.THRESH_BINARY)      return thresh  def image_morphology(thresh):     # 建立一个椭圆核函数     kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (25, 25))     # 执行图像形态学, 细节直接查文档，很简单     closed = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, kernel)     closed = cv2.erode(closed, None, iterations=4)     closed = cv2.dilate(closed, None, iterations=4)      return closed  def findcnts_and_box_point(closed):     # 这里opencv3返回的是三个参数     (_, cnts, _) = cv2.findContours(closed.copy(),          cv2.RETR_LIST,          cv2.CHAIN_APPROX_SIMPLE)     c = sorted(cnts, key=cv2.contourArea, reverse=True)[0]     # compute the rotated bounding box of the largest contour     rect = cv2.minAreaRect(c)     box = np.int0(cv2.boxPoints(rect))      return box  def drawcnts_and_cut(original_img, box):     # 因为这个函数有极强的破坏性，所有需要在img.copy()上画     # draw a bounding box arounded the detected barcode and display the image     draw_img = cv2.drawContours(original_img.copy(), [box], -1, (0, 0, 255), 3)      Xs = [i[0] for i in box]     Ys = [i[1] for i in box]     x1 = min(Xs)     x2 = max(Xs)     y1 = min(Ys)     y2 = max(Ys)     hight = y2 - y1     width = x2 - x1     crop_img = original_img[y1:y1+hight, x1:x1+width]      return draw_img, crop_img  def walk():      img_path = r'C:\Users\aixin\Desktop\chongzi.png'     save_path = r'C:\Users\aixin\Desktop\chongzi_save.png'     original_img, gray = get_image(img_path)     blurred = Gaussian_Blur(gray)     gradX, gradY, gradient = Sobel_gradient(blurred)     thresh = Thresh_and_blur(gradient)     closed = image_morphology(thresh)     box = findcnts_and_box_point(closed)     draw_img, crop_img = drawcnts_and_cut(original_img,box)      # 暴力一点，把它们都显示出来看看      cv2.imshow('original_img', original_img)     cv2.imshow('blurred', blurred)     cv2.imshow('gradX', gradX)     cv2.imshow('gradY', gradY)     cv2.imshow('final', gradient)     cv2.imshow('thresh', thresh)     cv2.imshow('closed', closed)     cv2.imshow('draw_img', draw_img)     cv2.imshow('crop_img', crop_img)     cv2.waitKey(20171219)     cv2.imwrite(save_path, crop_img)  walk()

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20
• 21
• 22
• 23
• 24
• 25
• 26
• 27
• 28
• 29
• 30
• 31
• 32
• 33
• 34
• 35
• 36
• 37
• 38
• 39
• 40
• 41
• 42
• 43
• 44
• 45
• 46
• 47
• 48
• 49
• 50
• 51
• 52
• 53
• 54
• 55
• 56
• 57
• 58
• 59
• 60
• 61
• 62
• 63
• 64
• 65
• 66
• 67
• 68
• 69
• 70
• 71
• 72
• 73
• 74
• 75
• 76
• 77
• 78
• 79
• 80
• 81
• 82
• 83
• 84
• 85
• 86
• 87
• 88
• 89
• 90
• 91
• 92
• 93
• 94
• 95
• 96
• 97
• 98
• 99
• 100
• 101
• 102
• 103
• 104
• 105
• 106
• 107
• 108

附录2.本篇文章精华函数说明

 # 用来转化图像格式的 img = cv2.cvtColor(src,      COLOR_BGR2HSV # BGR---->HSV     COLOR_HSV2BGR # HSV---->BGR     ...) # For HSV, Hue range is [0,179], Saturation range is [0,255] and Value range is [0,255]   # 返回一个阈值，和二值化图像，第一个阈值是用来otsu方法时候用的 # 不过现在不用了，因为可以通过mahotas直接实现 T = ret = mahotas.threshold(blurred) ret, thresh_img = cv2.threshold(src, # 一般是灰度图像     num1, # 图像阈值     num2, # 如果大于或者num1, 像素值将会变成 num2 # 最后一个二值化参数     cv2.THRESH_BINARY      # 将大于阈值的灰度值设为最大灰度值，小于阈值的值设为0     cv2.THRESH_BINARY_INV  # 将大于阈值的灰度值设为0，大于阈值的值设为最大灰度值     cv2.THRESH_TRUNC       # 将大于阈值的灰度值设为阈值，小于阈值的值保持不变     cv2.THRESH_TOZERO      # 将小于阈值的灰度值设为0，大于阈值的值保持不变     cv2.THRESH_TOZERO_INV  # 将大于阈值的灰度值设为0，小于阈值的值保持不变 ) thresh = cv2.AdaptiveThreshold(src,      dst,      maxValue,      # adaptive_method      ADAPTIVE_THRESH_MEAN_C,           ADAPTIVE_THRESH_GAUSSIAN_C,           # thresholdType     THRESH_BINARY,      THRESH_BINARY_INV,      blockSize=3,     param1=5 )   # 一般是在黑色背景中找白色物体，所以原始图像背景最好是黑色 # 在执行找边缘的时候，一般是threshold 或者是canny 边缘检测后进行的。 # warning:此函数会修改原始图像、 # 返回：坐标位置（x,y）,  (_, cnts, _) = cv2.findContours(mask.copy(),      # cv2.RETR_EXTERNAL,             #表示只检测外轮廓     # cv2.RETR_CCOMP,                #建立两个等级的轮廓,上一层是边界     cv2.RETR_LIST,                 #检测的轮廓不建立等级关系     # cv2.RETR_TREE,                   #建立一个等级树结构的轮廓     # cv2.CHAIN_APPROX_NONE,           #存储所有的轮廓点，相邻的两个点的像素位置差不超过1     cv2.CHAIN_APPROX_SIMPLE,       #例如一个矩形轮廓只需4个点来保存轮廓信息     # cv2.CHAIN_APPROX_TC89_L1,     # cv2.CHAIN_APPROX_TC89_KCOS    ) img = cv2.drawContours(src, cnts, whichToDraw(-1), color, line)   img = cv2.imwrite(filename, dst,  # 文件路径，和目标图像文件矩阵      # 对于JPEG，其表示的是图像的质量，用0-100的整数表示，默认为95     # 注意，cv2.IMWRITE_JPEG_QUALITY类型为Long，必须转换成int     [int(cv2.IMWRITE_JPEG_QUALITY), 5]      [int(cv2.IMWRITE_JPEG_QUALITY), 95]     # 从0到9,压缩级别越高，图像尺寸越小。默认级别为3     [int(cv2.IMWRITE_PNG_COMPRESSION), 5])     [int(cv2.IMWRITE_PNG_COMPRESSION), 9])  # 如果你不知道用哪个flags，毕竟太多了哪能全记住，直接找找。 寻找某个函数或者变量 events = [i for i in dir(cv2) if 'PNG' in i] print( events )  寻找某个变量开头的flags flags = [i for i in dir(cv2) if i.startswith('COLOR_')] print flags  批量读取文件名字 import os filename_rgb = r'C:\Users\aixin\Desktop\all_my_learning\colony\20170629' for filename in os.listdir(filename_rgb):              #listdir的参数是文件夹的路径     print (filename)

文章来源: 直接可以用的Python和OpenCV检测及分割图像的目标区域例子