快捷導(dǎo)航

Python Opencv實(shí)現(xiàn)單目標(biāo)檢測的示例代碼

更新時間：2020年09月08日 10:50:39 作者：lemonQQP

這篇文章主要介紹了Python Opencv實(shí)現(xiàn)單目標(biāo)檢測的示例代碼，文中通過示例代碼介紹的非常詳細(xì)，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧

一簡介

目標(biāo)檢測即為在圖像中找到自己感興趣的部分，將其分割出來進(jìn)行下一步操作，可避免背景的干擾。以下介紹幾種基于opencv的單目標(biāo)檢測算法，算法總體思想先盡量將目標(biāo)區(qū)域的像素值全置為1，背景區(qū)域全置為0，然后通過其它方法找到目標(biāo)的外接矩形并分割，在此選擇一張前景和背景相差較大的圖片作為示例。

環(huán)境：python3.7 opencv4.4.0

二背景前景分離

1 灰度+二值+形態(tài)學(xué) 輪廓特征和聯(lián)通組件

根據(jù)圖像前景和背景的差異進(jìn)行二值化，例如有明顯顏色差異的轉(zhuǎn)換到HSV色彩空間進(jìn)行分割。

1 原圖

2 灰度化

3 二值化

4 形態(tài)學(xué)處理

5 提取輪廓并找出目標(biāo)外接矩形

代碼封裝：

def get_roi_contours(image_path, morph_size, num_morph):
  '''
  參數(shù)詳解：
  image_path：所需處理圖片路徑
  morph_size：形態(tài)學(xué)處理核的大小
  num_morph：進(jìn)行形態(tài)學(xué)處理的次數(shù)
  '''
  image = cv2.imread(image_path, cv2.IMREAD_COLOR)
  #灰度轉(zhuǎn)換
  gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
  #二值化
  threhold, binary_image = cv2.threshold(gray_image, 0, 255, cv2.THRESH_BINARY_INV+cv2.THRESH_OTSU)
  #形態(tài)學(xué)操作
  kernel = cv2.getStructuringElement(shape=cv2.MORPH_RECT, ksize=morph_size)
  morph_image = cv2.morphologyEx(binary_image, cv2.MORPH_CLOSE, kernel)
  for i in range(num_morph-1):
    morph_image = cv2.morphologyEx(morph_image, cv2.MORPH_CLOSE, kernel)
  #查找輪廓
  contours, hierarchy = cv2.findContours(morph_image, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
  #選取輪廓面積最大的輪廓
  area = 0
  max_area_index = 0
  for j in range(len(contours)):
    if area < cv2.contourArea(contours[j]):
      max_area_index = j
      area = cv2.contourArea(contours[j])
  rect = cv2.boundingRect(contours[max_area_index])
  return rect

6 通過聯(lián)通組件找到外接矩形
代碼封裝：

def get_roi_ConCom(image_path, morph_size, num_morph):
  '''
  參數(shù)詳解：
  image_path：所需處理圖片路徑
  morph_size：形態(tài)學(xué)處理核的大小
  num_morph：進(jìn)行形態(tài)學(xué)處理的次數(shù)
  '''
  image = cv2.imread(image_path, cv2.IMREAD_COLOR)
  #灰度轉(zhuǎn)換
  gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
  #二值化
  threhold, binary_image = cv2.threshold(gray_image, 0, 255, cv2.THRESH_BINARY_INV+cv2.THRESH_OTSU)
  #形態(tài)學(xué)操作
  kernel = cv2.getStructuringElement(shape=cv2.MORPH_RECT, ksize=morph_size)
  morph_image = cv2.morphologyEx(binary_image, cv2.MORPH_CLOSE, kernel)
  for i in range(num_morph-1):
    morph_image = cv2.morphologyEx(morph_image, cv2.MORPH_CLOSE, kernel)
  #聯(lián)通組件查詢
  numlabels, components_img, stats, centers = cv2.connectedComponentsWithStats(morph_image, 8)
  #獲取除背景外的所有聯(lián)通組件
  stats_without_back = stats[1:]
  #獲取除背景外的所有聯(lián)通組件的面積最大值
  max_area = np.max(stats_without_back, axis=0)[-1]
  #獲取面積最大聯(lián)通組件的index
  max_area_index = stats_without_back[:, -1]==max_area
  rect = stats_without_back[max_area_index]
  return np.squeeze(rect)[0:4]

2 Kmeans聚類實(shí)現(xiàn)前景和背景的分離

1 kmeans聚類后的圖像，由于簇的中心是隨機(jī)初始化的，所以目標(biāo)的像素值可能為0，也可能為1，若采用opencv的findContours則要求前景像素值為1。

2 利用輪廓特征找外接矩形

由于Kmeans隨機(jī)初始化簇中心導(dǎo)致前景目標(biāo)像素不確定，采用邊緣提取的方法再查找輪廓。

邊緣圖：

代碼封裝：

def get_roi_Kmeans(image_path):
  image = cv2.imread(image_path, cv2.IMREAD_COLOR)
  image_data = image.reshape(-1, 3).astype(np.float32) #必須要轉(zhuǎn)成浮點(diǎn)類型進(jìn)行計算
  #簇內(nèi)平方和，標(biāo)簽和每個簇的中心
  criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_COUNT, 10, 1)
  interia, label, centers = cv2.kmeans(image_data, 2, None, criteria, 5, cv2.KMEANS_RANDOM_CENTERS)
  #二值化，將標(biāo)簽為0的轉(zhuǎn)換為255，即是目標(biāo)
  label[label==0] = 255
  label[label==1] = 0
  #轉(zhuǎn)換數(shù)據(jù)類型，輪廓查找要是uint8類型數(shù)據(jù)
  thresh_img = label.reshape(image.shape[0:2]).astype(np.uint8)
  x_grad = cv2.Sobel(thresh_img, cv2.CV_32F, 1, 0)
  y_grad = cv2.Sobel(thresh_img, cv2.CV_32F, 0, 1)

  x_grad = cv2.convertScaleAbs(x_grad) #ax + b 線性變換
  y_grad = cv2.convertScaleAbs(y_grad)
  
  dst = cv2.add(x_grad, y_grad, dtype=cv2.CV_16S) #將兩種sobel的加起來就可以得到整個邊緣
  dst = cv2.convertScaleAbs(dst)
  plt.imshow(dst, cmap='gray')
  #輪廓查找目標(biāo)必須為1
  contours, hierarchy = cv2.findContours(dst, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
  #獲取外接矩形
  rect = cv2.boundingRect(contours[0])
  return rect

三總結(jié)

單目標(biāo)檢測較為簡單，只要合理利用目標(biāo)和背景的差異便可將其分離出來。當(dāng)然單目標(biāo)檢測的方法還有很多，比如有目標(biāo)模板的時候可以采用模板匹配或者均值漂移，有足夠的數(shù)據(jù)集時也可采用機(jī)器學(xué)習(xí)和深度學(xué)習(xí)方法。

到此這篇關(guān)于Python Opencv實(shí)現(xiàn)單目標(biāo)檢測的示例代碼的文章就介紹到這了,更多相關(guān)Opencv 單目標(biāo)檢測內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

您可能感興趣的文章: