盛成广告传媒做网站的,免费网站报价单怎么做,制作网站的方法有哪些,国外wordpress cms主题目录 十五、图像分割
简单阈值分割 (threshold)
自适应阈值分割 (adaptiveThreshold)
颜色范围分割 (inRange)
分水岭算法 (watershed)
泛洪填充 (floodFill)
GrabCut算法 (grabCut)
距离变换 (distanceTransform)
最大稳定极值区域检测 (MSER)
均值漂移滤波 (pyrMean…目录 十五、图像分割
简单阈值分割 (threshold)
自适应阈值分割 (adaptiveThreshold)
颜色范围分割 (inRange)
分水岭算法 (watershed)
泛洪填充 (floodFill)
GrabCut算法 (grabCut)
距离变换 (distanceTransform)
最大稳定极值区域检测 (MSER)
均值漂移滤波 (pyrMeanShiftFiltering)
十六、连通域
计算连通组件 (connectedComponents)
计算连通组件并返回统计信息 (connectedComponentsWithStats)
解释 http://t.csdnimg.cn/i8pqt —— opencv—常用函数学习_“干货“_总VIP
散的正在一部分一部分发不需要VIP。
资料整理不易有用话给个赞和收藏吧。 十五、图像分割 在OpenCV中图像分割是将图像分割成不同区域或对象的过程常用于对象检测、识别和图像分析。下面介绍一些常用的图像分割函数及其使用示例。
图像分割函数thresholdadaptiveThresholdinRangewatershedfloodFill简单阈值分割自适应阈值分割颜色范围分割分水岭算法泛洪填充grabCutdistanceTransformMSERpyrMeanShiftFilteringGrabCut算法距离变换最大稳定极值区域检测均值漂移滤波
简单阈值分割 (threshold)
import cv2
import numpy as np# 读取图像
image cv2.imread(path_to_image.jpg, cv2.IMREAD_GRAYSCALE)# 应用简单阈值分割
_, binary_image cv2.threshold(image, 127, 255, cv2.THRESH_BINARY)
cv2.imshow(Binary Image, binary_image)
cv2.waitKey(0)
cv2.destroyAllWindows()自适应阈值分割 (adaptiveThreshold)
# 应用自适应阈值分割
adaptive_thresh cv2.adaptiveThreshold(image, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY, 11, 2)
cv2.imshow(Adaptive Threshold Image, adaptive_thresh)
cv2.waitKey(0)
cv2.destroyAllWindows()颜色范围分割 (inRange)
# 读取彩色图像
color_image cv2.imread(path_to_image.jpg)# 定义颜色范围
lower_bound np.array([0, 120, 70])
upper_bound np.array([10, 255, 255])# 转换到HSV颜色空间
hsv_image cv2.cvtColor(color_image, cv2.COLOR_BGR2HSV)# 应用颜色范围分割
mask cv2.inRange(hsv_image, lower_bound, upper_bound)
cv2.imshow(Mask, mask)
cv2.waitKey(0)
cv2.destroyAllWindows()分水岭算法 (watershed)
# 读取图像并转换为灰度图
gray cv2.cvtColor(color_image, cv2.COLOR_BGR2GRAY)
_, binary cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV cv2.THRESH_OTSU)# 确定背景区域
kernel np.ones((3, 3), np.uint8)
sure_bg cv2.dilate(binary, kernel, iterations3)# 确定前景区域
dist_transform cv2.distanceTransform(binary, cv2.DIST_L2, 5)
_, sure_fg cv2.threshold(dist_transform, 0.7 * dist_transform.max(), 255, 0)# 确定未知区域
sure_fg np.uint8(sure_fg)
unknown cv2.subtract(sure_bg, sure_fg)# 标记连通组件
_, markers cv2.connectedComponents(sure_fg)# 为确保背景为1增加1
markers markers 1# 将未知区域标记为0
markers[unknown 255] 0# 应用分水岭算法
markers cv2.watershed(color_image, markers)
color_image[markers -1] [0, 0, 255]cv2.imshow(Watershed, color_image)
cv2.waitKey(0)
cv2.destroyAllWindows()泛洪填充 (floodFill)
# 应用泛洪填充
flood_filled color_image.copy()
h, w flood_filled.shape[:2]
mask np.zeros((h 2, w 2), np.uint8)
cv2.floodFill(flood_filled, mask, (0, 0), (255, 0, 0))cv2.imshow(Flood Fill, flood_filled)
cv2.waitKey(0)
cv2.destroyAllWindows()GrabCut算法 (grabCut)
# 初始化掩码
mask np.zeros(color_image.shape[:2], np.uint8)# 定义矩形
rect (50, 50, 450, 290)# 定义模型
bgdModel np.zeros((1, 65), np.float64)
fgdModel np.zeros((1, 65), np.float64)# 应用GrabCut算法
cv2.grabCut(color_image, mask, rect, bgdModel, fgdModel, 5, cv2.GC_INIT_WITH_RECT)
mask2 np.where((mask 2) | (mask 0), 0, 1).astype(uint8)
grabcut_image color_image * mask2[:, :, np.newaxis]cv2.imshow(GrabCut, grabcut_image)
cv2.waitKey(0)
cv2.destroyAllWindows()距离变换 (distanceTransform)
# 应用距离变换
dist_transform cv2.distanceTransform(binary, cv2.DIST_L2, 5)
cv2.imshow(Distance Transform, dist_transform)
cv2.waitKey(0)
cv2.destroyAllWindows()最大稳定极值区域检测 (MSER)
# 创建MSER对象
mser cv2.MSER_create()# 检测MSER区域
regions, _ mser.detectRegions(gray)# 绘制检测到的区域
output color_image.copy()
for p in regions:hull cv2.convexHull(p.reshape(-1, 1, 2))cv2.polylines(output, [hull], 1, (0, 255, 0))cv2.imshow(MSER, output)
cv2.waitKey(0)
cv2.destroyAllWindows()均值漂移滤波 (pyrMeanShiftFiltering)
# 应用均值漂移滤波
mean_shift_image cv2.pyrMeanShiftFiltering(color_image, 21, 51)
cv2.imshow(Mean Shift Filtering, mean_shift_image)
cv2.waitKey(0)
cv2.destroyAllWindows()这些示例展示了如何使用OpenCV中的各种图像分割函数来处理图像。根据具体的应用需求可以灵活运用这些函数来实现复杂的图像分割任务。
十六、连通域 在OpenCV中连通域分析是图像处理中的一个重要步骤用于检测和标记图像中的连通区域。主要有两个函数connectedComponents 和 connectedComponentsWithStats。下面介绍这些函数及其使用示例。
连通域分析函数connectedComponentsconnectedComponentsWithStats计算连通组件计算连通组件并返回统计信息
计算连通组件 (connectedComponents)
import cv2
import numpy as np# 读取图像并转换为灰度图
image cv2.imread(path_to_image.jpg, cv2.IMREAD_GRAYSCALE)# 应用阈值处理
_, binary_image cv2.threshold(image, 127, 255, cv2.THRESH_BINARY)# 计算连通组件
num_labels, labels cv2.connectedComponents(binary_image)# 显示结果
label_hue np.uint8(179 * labels / np.max(labels))
blank_ch 255 * np.ones_like(label_hue)
labeled_img cv2.merge([label_hue, blank_ch, blank_ch])# 转换到BGR颜色空间
labeled_img cv2.cvtColor(labeled_img, cv2.COLOR_HSV2BGR)# 设置背景为黑色
labeled_img[label_hue 0] 0cv2.imshow(Connected Components, labeled_img)
cv2.waitKey(0)
cv2.destroyAllWindows()计算连通组件并返回统计信息 (connectedComponentsWithStats)
# 计算连通组件及统计信息
num_labels, labels, stats, centroids cv2.connectedComponentsWithStats(binary_image)# 输出每个连通组件的统计信息
for i in range(num_labels):print(fComponent {i}:)print(f Bounding box: {stats[i, cv2.CC_STAT_LEFT]}, {stats[i, cv2.CC_STAT_TOP]}, f{stats[i, cv2.CC_STAT_WIDTH]}, {stats[i, cv2.CC_STAT_HEIGHT]})print(f Area: {stats[i, cv2.CC_STAT_AREA]})print(f Centroid: {centroids[i]})# 显示结果
label_hue np.uint8(179 * labels / np.max(labels))
blank_ch 255 * np.ones_like(label_hue)
labeled_img cv2.merge([label_hue, blank_ch, blank_ch])# 转换到BGR颜色空间
labeled_img cv2.cvtColor(labeled_img, cv2.COLOR_HSV2BGR)# 设置背景为黑色
labeled_img[label_hue 0] 0cv2.imshow(Connected Components with Stats, labeled_img)
cv2.waitKey(0)
cv2.destroyAllWindows()解释
connectedComponents此函数返回连通组件的数量和每个像素所属的标签。connectedComponentsWithStats此函数除了返回标签外还返回每个连通组件的统计信息如边界框、面积和重心。 这些示例展示了如何使用OpenCV中的连通域分析函数来处理图像。根据具体的应用需求可以灵活运用这些函数来实现复杂的连通域检测和分析任务。
