标签：处理 img python dst 图像 opencv marks cv 255

图像分割

• 基于阈值

  优点：灰度阈值化，简单，快速，广泛用于硬件处理图像，如：FPGA实时图像处理
  场景：各个物体不接触，物体和背景灰度值差别较明显，阈值处理效果好

• 基于边缘

  返回结果：边缘检测的结果是点，不能作为图像分割的点，需要进一步处理，将边缘点沿着图形边界连接，形成边缘链。
  检测算子： Sobel, Laplace, Canny

import cv2 as cv
import numpy as np


# 基于阈值
def water_shed(img_path):
    img = cv.imread(img_path)
    # 原图灰度处理,输出单通道图片
    gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
    # 二值化处理Otsu算法
    reval_0, dst_otsu = cv.threshold(gray, 0, 255, cv.THRESH_BINARY_INV|cv.THRESH_OTSU)
    # 二值化处理Triangle算法
    reval_t, dst_tri  = cv.threshold(gray, 0, 255, cv.THRESH_BINARY_INV|cv.THRESH_TRIANGLE)
    # 滑动窗口尺寸
    kernel = np.ones((3, 3), np.uint8)
    # 形态学处理:开处理,膨胀边缘
    opening = cv.morphologyEx(dst_tri, cv.MORPH_OPEN, kernel, iterations=2)
    # 膨胀处理背景区域
    dilate_bg = cv.dilate(opening, kernel, iterations=3)
    # 计算开处理图像到邻域非零像素距离
    dist_transform = cv.distanceTransform(opening, cv.DIST_L2, 5)
    # 正则处理
    norm = cv.normalize(dist_transform, 0, 255, cv.NORM_MINMAX)
    # 阈值处理距离图像,获取图像前景图
    retval_D, dst_fg = cv.threshold(dist_transform, 0.5 * dist_transform.max(), 255, 0)
    # 前景图格式转换
    dst_fg = np.uint8(dst_fg)
    # 未知区域计算:背景减去前景
    unknown = cv.subtract(dilate_bg, dst_fg)
    cv.imshow("Difference value", unknown)
    cv.imwrite(r'D:\workplace\data\opencv\unknown_reginon.png', unknown)
    # 处理连接区域
    retval_C, marks = cv.connectedComponents(dst_fg)
    cv.imshow('Connect marks', marks)
    cv.imwrite(r'D:\workplace\data\opencv\connect_marks.png', marks)
    # 处理掩模
    marks = marks + 1
    marks[unknown == 255] = 0
    cv.imshow("marks undown", marks)
    # 分水岭算法分割
    marks = cv.watershed(img, marks)
    # 绘制分割线
    img[marks == -1] = [255, 0, 255]
    cv.imshow("Watershed", img)
    cv.imwrite(r'D:\workplace\data\opencv\watershed.png', img)
    cv.waitKey(0)

# 基于边缘

def cutImage(sourceDir):
    # 读取图片
    img = cv.imread(sourceDir)
    # 灰度化
    gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
    # 高斯模糊处理:去噪(效果最好)
    blur = cv.GaussianBlur(gray, (9, 9), 0)
    # Sobel计算XY方向梯度
    gradX = cv.Sobel(gray, ddepth=cv.CV_32F, dx=1, dy=0)
    gradY = cv.Sobel(gray, ddepth=cv.CV_32F, dx=0, dy=1)
    # 计算梯度差
    gradient = cv.subtract(gradX, gradY)
    # 绝对值
    gradient = cv.convertScaleAbs(gradient)
    # 高斯模糊处理:去噪(效果最好)
    blured = cv.GaussianBlur(gradient, (9, 9), 0)
    # 二值化
    _ , dst = cv.threshold(blured, 90, 255, cv.THRESH_BINARY)
    # 滑动窗口
    kernel = cv.getStructuringElement(cv.MORPH_ELLIPSE, (107, 76))
    # 形态学处理:形态闭处理(腐蚀)
    closed = cv.morphologyEx(dst, cv.MORPH_CLOSE, kernel)
    # 腐蚀与膨胀迭代
    closed = cv.erode(closed, None, iterations=4)
    closed = cv.dilate(closed, None, iterations=4)
    # 获取轮廓
    _, cnts, _ = cv.findContours(closed.copy(), cv.RETR_LIST, cv.CHAIN_APPROX_SIMPLE)
    c = sorted(cnts, key=cv.contourArea, reverse=True)[0]
    rect = cv.minAreaRect(c)
    box = np.int0(cv.boxPoints(rect))
    draw_img = cv.drawContours(img.copy(), [box], -1, (0, 0, 255), 3)
    cv.imshow("Box", draw_img)
    cv.imwrite(r'D:\workplace\data\opencv\monkey.png', draw_img)
    cv.waitKey(0)

if __name__ == '__main__':

    sourceDir = r"D:\workplace\data\opencv\football.jpg"
    cutImage(sourceDir)

标签：处理,img,python,dst,图像,opencv,marks,cv,255
来源： https://www.cnblogs.com/01black-white/p/15387126.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。