python - 第二种滤除非黑色像素方式的实现

Question

所以我正在分析相机图像并想从中检索黑色字母。首先，我定义了所有 channel 的阈值并将其应用于图像，例如

low = [0, 0, 0]
up = [0.42, 0.42, 0.42]

然后，我通过使用

对图像进行阈值化，从中检索了一个掩码以供进一步使用

mask = cv2.inRange(图像，低，上)

现在这一直有效，直到我发现不同的光照条件让我遇到了问题。例如，如果图像更亮，我可以将上限阈值调整为 0.65，这足以在我分析的所有情况下区分黑白。但是:现在其他颜色也会出现问题，因为这个区间内有更多颜色。我认为将所有可能值限制为灰色的第二个条件是可行的，即仅允许每个像素的三个 channel 的值之间存在一定差异的条件。

现在的问题是，我如何才能顺利地实现第二个条件，以便将具有 [0.4, 0.6, 0.4] 的像素踢出，而具有 [ 的像素将被踢出0.6, 0.62, 0.57] 会保留(随机示例，我会自己调整参数)？将这两者结合起来不需要及时迭代整个图像的最平滑的方式是什么？

非常感谢，这会有很大帮助!

Answer 1

跨 channel 的强度范围是沿轴 2 的最大和最小强度之间的差。您可以利用 NumPy broadcasting开发完全矢量化的解决方案:

import numpy as np

def in_range(rgb, rgb_min, rgb_max):
    masks = np.logical_and(rgb >= rgb_min, rgb <= rgb_max)
    return np.all(masks, axis=2)

def small_deviation(rgb, rgb_dev):
    return (np.max(rgb, axis=2) - np.min(rgb, axis=2)) < rgb_dev

<小时/>

演示

在下面的示例运行中，我使用随机生成的 4 行和 5 列的 3 channel 图像。

In [80]: np.random.seed(0)

In [81]: image = np.random.random(size=(4, 5, 3))

In [82]: np.set_printoptions(precision=2)

In [83]: np.rollaxis(image, 2, 0)
Out[83]: 
array([[[ 0.55,  0.54,  0.44,  0.38,  0.57],
        [ 0.09,  0.78,  0.8 ,  0.12,  0.94],
        [ 0.26,  0.57,  0.61,  0.68,  0.7 ],
        [ 0.67,  0.32,  0.44,  0.21,  0.25]],

       [[ 0.72,  0.42,  0.89,  0.79,  0.93],
        [ 0.02,  0.87,  0.46,  0.64,  0.52],
        [ 0.77,  0.02,  0.62,  0.36,  0.06],
        [ 0.21,  0.36,  0.99,  0.16,  0.47]],

       [[ 0.6 ,  0.65,  0.96,  0.53,  0.07],
        [ 0.83,  0.98,  0.78,  0.14,  0.41],
        [ 0.46,  0.62,  0.94,  0.44,  0.67],
        [ 0.13,  0.57,  0.1 ,  0.65,  0.24]]])

阈值设置为 low = [.0, .0, .0]、up = [.6, .5, 0.7] 和 dev = .4.

In [84]: low = [.0, .0, .0]

In [85]: up = [.6, .5, 0.7]

In [86]: mask1 = in_range(image, low, up)

In [87]: mask1
Out[87]: 
array([[False,  True, False, False, False],
       [False, False, False, False, False],
       [False,  True, False, False, False],
       [False,  True, False,  True,  True]], dtype=bool)

In [88]: dev = .4

In [89]: mask2 = small_deviation(image, dev)

In [90]: mask2
Out[90]: 
array([[ True,  True, False, False, False],
       [False,  True,  True, False, False],
       [False, False,  True,  True, False],
       [False,  True, False, False,  True]], dtype=bool)

In [91]: mask = np.logical_and(mask1, mask2)

In [92]: mask
Out[92]: 
array([[False,  True, False, False, False],
       [False, False, False, False, False],
       [False, False, False, False, False],
       [False,  True, False, False,  True]], dtype=bool)