详解Python|详解Python OpenCV图像分割算法的实现详解PythonOpenCV图像分割算法的

前言
1.图像二值化
2.自适应阈值分割算法
3.Otsu阈值分割算法
4.基于轮廓的字符分离

4.1轮廓检测
4.2轮廓绘制
4.3包围框获取
4.4矩形绘制

前言图像分割是指根据灰度、色彩、空间纹理、几何形状等特征把图像划分成若干个互不相交的区域。
最简单的图像分割就是将物体从背景中分割出来

1.图像二值化 cv2.threshold是opencv-python中的图像二值化方法，可以实现简单的分割功能。
retval, dst = cv2.threshold(src, thresh, maxval, thresholdType[, dst])
?src：原图像，要求必须是灰度图像
?dst：结果图像
?thresh：阈值
?maxVal：结果图中像素最大值
?thresholdType：二值化类型

文章图片

然而，threshold用法，有两个问题：
问题一：
?根据全图统一的阈值对像素进行判断，并非在所有情况下效果都好
?例如，如果图像在不同区域具有不同的光照条件

文章图片

问题二：
?阈值需要手动设定，不同的图片合适的阈值可能不同，更换图片可能就需要调整代码

文章图片

针对于全图统一阈值的问题，可以使用自适应阈值分割法
?自适应阈值分割算法基于像素周围的局部区域确定像素的阈值
?同一图像的不同区域具有不同的阈值
?为光照变化的图像提供更好的分割效果

2.自适应阈值分割算法 dst= cv2.adaptiveThreshold(src, maxValue, adaptiveMethod,thresholdType, blockSize, C, dst=None)
参数解释如下：
?src：原图像，它必须是灰度图像
?maxValue：结果图中像素的最大值，一般设置为255
?adaptiveMethod：阈值的计算方法，包括以下两种计算方式：

文章图片

?thresholdType：二值化方式，例如cv2.THRESH_BINARY、cv2.THRESH_TRUNC、
cv2.THRESH_TOZERO等

文章图片

?blockSize：局部区域的大小
?C：阈值计算中减去的常数
缺点：blockSize要手动指定，但物体的大小有差异

3.Otsu阈值分割算法自动根据图像内容计算阈值：

Otsu阈值分割算法
大津法
直方图技术

retval, dst = cv2.threshold(src, thresh, maxval, thresholdType[, dst])
参数解释如下：

src：原图像，要求必须是灰度图像
dst：结果图像
thresh：阈值（无作用）
maxVal：像素灰度最大值
thresholdType：阈值类型，在原有参数值基础上多传递一个参数值，即cv2.THRESH_OTSU
比如cv2.THRESH_BINARY+cv2.THRESH_OTSU

利用固定阈值算法进行分割，适用的图片较为局限
同一个阈值，在一些图像上表现好，在其他图片上效果不佳
如：

文章图片

利用Otsu阈值算法进行分割，适用的图片范围较广
对每张图片，Otsu阈值算法自动找到针对性的阈值
如：

文章图片

4.基于轮廓的字符分离分割步骤
【详解Python|详解Python OpenCV图像分割算法的实现】1. 检测出图像中字符的轮廓
2. 得到每一条轮廓的包围框，根据包围框坐标提取ROI

4.1轮廓检测
contours, hierarchy = cv2.findContours(image, mode, method)
参数解释如下：
contours：返回的轮廓列表，每条轮廓包含构成这条轮廓上的一系列点的坐标
hierarchy：轮廓之间的层级关系
image：原始图像，需要是二值图
mode：轮廓的检索模式

文章图片

method：轮廓的近似办法

文章图片

4.2轮廓绘制
cv2.drawContours(image, contours, contourIdx, color, thickness)

image：指定在哪张图片上绘制轮廓
contours：轮廓列表
contourIdx：定绘制轮廓list中的哪条轮廓，如果是-1，则绘制其中的所有轮廓
color：轮廓颜色
thickness（可选）：轮廓宽度

import cv2img=cv2.imread("D:\\desk\\images\\car_license\\test1.png") #去噪image=cv2.GaussianBlur(img,(3,3),0) #转为灰度图gray1 = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) #Ostu阈值分割ret, th1 = cv2.threshold(gray1, 127,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU) '''轮廓检测与绘制'''#检测轮廓(外轮廓)th1=cv2.dilate(th1,None)#膨胀，保证同一个字符只有一个外轮廓contours,hierarchy=cv2.findContours(th1,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE) #轮廓可视化th1_bgr=cv2.cvtColor(th1,cv2.COLOR_GRAY2BGR)#转为三通道图 cv2.drawContours(th1_bgr,contours,-1,(0,0,255),2)#轮廓可视化 cv2.imshow("th1_bgr",th1_bgr) cv2.waitKey()

4.3包围框获取
rect= cv2.boundingRect(points)

points：一系列点的坐标
rect：能够包围住这些点的最小外接矩形信息，格式为(x,y,width,height)

文章图片

4.4矩形绘制
cv2.rectangle(img, pt1, pt2, color[, thickness）

img：指定要绘制的图片
pt1：矩形的某个顶点的坐标
pt2：和pt1相对的顶点坐标
color：矩形的颜色
thickness（可选）：矩形轮廓的宽度

基于轮廓的字符分离完整代码如下：

import cv2img=cv2.imread("D:\\desk\\images\\car_license\\test1.png") #去噪image=cv2.GaussianBlur(img,(3,3),0) #转为灰度图gray1 = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) #Ostu阈值分割ret, th1 = cv2.threshold(gray1, 127,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU) '''轮廓检测与绘制'''#检测轮廓(外轮廓)th1=cv2.dilate(th1,None)#膨胀，保证同一个字符只有一个外轮廓contours,hierarchy=cv2.findContours(th1,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE) #轮廓可视化th1_bgr=cv2.cvtColor(th1,cv2.COLOR_GRAY2BGR)#转为三通道图 # cv2.drawContours(th1_bgr,contours,-1,(0,0,255),2)#轮廓可视化 '''包围框获取'''words=[]#保存包围框信息height,width=th1.shapefor contour in contours:#对于每一条轮廓rest=cv2.boundingRect(contour)#得到这条轮廓的外接矩阵#只有高宽比在1.5到3.5之间，且高度比图片高度大于0.3的矩阵才保留if rest[3]/rest[2]>1.5 and rest[3]/rest[2]<3.5 and rest[3]/height>0.3:words.append(rest)#将当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)#绘制矩形 #显示# cv2.imshow("img",img)cv2.imshow("th1",th1)cv2.imshow("th1_bgr",th1_bgr) cv2.waitKey()

以上就是详解Python OpenCV图像分割算法的实现的详细内容，更多关于OpenCV图像分割算法的资料请关注脚本之家其它相关文章！