图像分割的主要函数总结

图像分割可以理解为：提取图像的感兴趣区域，可以分为两部分：

第一步：获取mask区域：defgenerateMask(img):

def generateMask(img):    
    blured_img = getBlurImage(img) #①对图像进行高斯平滑滤波
 
    filtered_img = getFilterImage(blured_img) #②对图像进行通用的2D滤波
    opening_img = getOpeningImage(filtered_img) #③对图像进行开运算
    closing_img = getClosingImage(opening_img) #④对图像进行闭运算

    canny_edge_img = autoCannyEdgeDetection(closing_img) #⑤使用cv2.canny进行边缘检测
    contours, contour_img = getContourImage(canny_edge_img) #⑥使用cv2.findContours寻找边缘轮廓
    binary_line_img = drawLines(contour_img, contours) # ⑦绘制最小轮廓
    dilation_img = getDilationImage(binary_line_img) #⑧对最小轮廓图像进行膨胀处理

    return dilation_img

附函数：

①：对图像进行高斯平滑滤波

def getBlurImage(img):
     blur = cv2.GaussianBlur(img, (5, 5), 0)
     return blur

②：对图像进行通用的2D滤波

def getFilterImage(img):
    kernel = np.ones((5, 5), np.float32) / 25
    filtered = cv2.filter2D(img, -1, kernel)
    return filtered

③：对图像进行开运算

def getOpeningImage(img):
    kernel = np.ones((35,35),np.uint8)
    opening = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)
    return opening

④：对图像进行闭运算

def getClosingImage(img):
    kernel = np.ones((35,35),np.uint8)
    closing = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)
    return closing

⑤：使用cv2.canny进行边缘检测

def autoCannyEdgeDetection(img, sigma = 0.7):
	v = np.median(img)
	lower = int(max(0, (1.0 - sigma) * v))
	upper = int(min(255, (1.0 + sigma) * v))
	edged = cv2.Canny(img, 245, 255)
	return edged

⑥：使用cv2.findContours寻找边缘轮廓

def getContourImage(img):
    im2, contours, hierarchy = cv2.findContours(img,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)

    mask = np.zeros(img.shape, np.uint8)
    cv2.drawContours(mask, contours, -1, (255,255,255), 5)

    return contours, mask

⑦：绘制最小轮廓

def drawLines(img, contours):
    cnt = contours[0]
    (x,y),radius = cv2.minEnclosingCircle(cnt)
    center = (int(x),int(y))

    mask = np.zeros(img.shape, np.uint8)
    cnt_points = []

    for cnt in contours:
        for pts in cnt:
            cnt_points.append(pts[0])

    cnt_points = np.array(cnt_points)

    for i in range(len(cnt_points)):
        cv2.line(mask,center,(cnt_points[i,0], cnt_points[i,1]),(255,255,255),5)

    return mask

⑧：对最小轮廓图像进行膨胀处理

def getDilationImage(img):
    kernel = np.ones((50,50),np.uint8)
    dilation = cv2.dilate(img, kernel, iterations = 1)
    return dilation

第二步：获取ROI区域：defextractRegion(img, mask):

其中，第二步的操作就是对img与mask进行的图像与运算。

def extractRegion(img, mask):
    processed_img = cv2.bitwise_and(img, img, mask = mask)
    return processed_img

补充：图像算数与逻辑运算

1、add---图像矩阵相加:def add(src1, src2, dst=None, mask=None, dtype=None) #图像的像素值增大

PS：src1：图像矩阵1，src2：图像矩阵2，dst：默认选项，mask：默认选项，dtype：默认选项。

2、subtract---图像矩阵相减：defsubtract(src1, src2, dst=None, mask=None, dtype=None)#图像的像素值减小

3、bitwise_and—图像与运算：defbitwise_and(src1, src2, dst=None, mask=None)#求两图像的交集

4、bitwise_or—图像或运算：defbitwise_or(src1, src2, dst=None, mask=None) #求两图像的并集

5、bitwise_xor—图像异或运算：defbitwise_xor(src1, src2, dst=None, mask=None) #求两图像的并集-交集

6、bitwise_not—图像非运算：defbitwise_not(src1, src2, dst=None, mask=None) #求图像的反（像素值的对调：意思就是原先的0换为1，原先的1换为0）

图像分割的主要函数总结

猜你喜欢