个人中心
文章发布
退出
作者热门文章
- ubuntu12.04环境下使用kvm ioctl接口实现最简单的虚拟机
- Ubuntu 通过无线网络安装Ubuntu Server启动系统后连接无线网络的方法
- 在Ubuntu上搭建网桥的方法
- ubuntu 虚拟机上网方式及相关配置详解
25
4
CFSDN坚持开源创造价值，我们致力于搭建一个资源共享平台，让每一个IT人在这里找到属于你的精彩世界.
这篇CFSDN的博客文章Python Opencv实现单目标检测的示例代码由作者收集整理，如果你对这篇文章有兴趣，记得点赞哟.
一 简介 。
目标检测即为在图像中找到自己感兴趣的部分，将其分割出来进行下一步操作，可避免背景的干扰。以下介绍几种基于opencv的单目标检测算法，算法总体思想先尽量将目标区域的像素值全置为1，背景区域全置为0，然后通过其它方法找到目标的外接矩形并分割，在此选择一张前景和背景相差较大的图片作为示例.
环境：python3.7 opencv4.4.0 。
二 背景前景分离 。
1 灰度+二值+形态学 轮廓特征和联通组件 。
根据图像前景和背景的差异进行二值化，例如有明显颜色差异的转换到HSV色彩空间进行分割.
1 原图 。
2 灰度化 。
3 二值化 。
4 形态学处理 。
5 提取轮廓并找出目标外接矩形 。
代码封装:
def get_roi_contours(image_path, morph_size, num_morph): ''' 参数详解： image_path：所需处理图片路径 morph_size：形态学处理核的大小 num_morph：进行形态学处理的次数 ''' image = cv2.imread(image_path, cv2.IMREAD_COLOR) #灰度转换 gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) #二值化 threhold, binary_image = cv2.threshold(gray_image, 0, 255, cv2.THRESH_BINARY_INV+cv2.THRESH_OTSU) #形态学操作 kernel = cv2.getStructuringElement(shape=cv2.MORPH_RECT, ksize=morph_size) morph_image = cv2.morphologyEx(binary_image, cv2.MORPH_CLOSE, kernel) for i in range(num_morph-1): morph_image = cv2.morphologyEx(morph_image, cv2.MORPH_CLOSE, kernel) #查找轮廓 contours, hierarchy = cv2.findContours(morph_image, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) #选取轮廓面积最大的轮廓 area = 0 max_area_index = 0 for j in range(len(contours)): if area < cv2.contourArea(contours[j]): max_area_index = j area = cv2.contourArea(contours[j]) rect = cv2.boundingRect(contours[max_area_index]) return rect
6 通过联通组件找到外接矩形 代码封装:
def get_roi_ConCom(image_path, morph_size, num_morph): ''' 参数详解： image_path：所需处理图片路径 morph_size：形态学处理核的大小 num_morph：进行形态学处理的次数 ''' image = cv2.imread(image_path, cv2.IMREAD_COLOR) #灰度转换 gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) #二值化 threhold, binary_image = cv2.threshold(gray_image, 0, 255, cv2.THRESH_BINARY_INV+cv2.THRESH_OTSU) #形态学操作 kernel = cv2.getStructuringElement(shape=cv2.MORPH_RECT, ksize=morph_size) morph_image = cv2.morphologyEx(binary_image, cv2.MORPH_CLOSE, kernel) for i in range(num_morph-1): morph_image = cv2.morphologyEx(morph_image, cv2.MORPH_CLOSE, kernel) #联通组件查询 numlabels, components_img, stats, centers = cv2.connectedComponentsWithStats(morph_image, 8) #获取除背景外的所有联通组件 stats_without_back = stats[1:] #获取除背景外的所有联通组件的面积最大值 max_area = np.max(stats_without_back, axis=0)[-1] #获取面积最大联通组件的index max_area_index = stats_without_back[:, -1]==max_area rect = stats_without_back[max_area_index] return np.squeeze(rect)[0:4]
2 Kmeans聚类实现前景和背景的分离 。
1 kmeans聚类后的图像，由于簇的中心是随机初始化的，所以目标的像素值可能为0，也可能为1，若采用opencv的findContours则要求前景像素值为1.
2 利用轮廓特征找外接矩形 。
由于Kmeans随机初始化簇中心导致前景目标像素不确定，采用边缘提取的方法再查找轮廓.
边缘图:
代码封装:
def get_roi_Kmeans(image_path): image = cv2.imread(image_path, cv2.IMREAD_COLOR) image_data = image.reshape(-1, 3).astype(np.float32) #必须要转成浮点类型进行计算 #簇内平方和，标签和每个簇的中心 criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_COUNT, 10, 1) interia, label, centers = cv2.kmeans(image_data, 2, None, criteria, 5, cv2.KMEANS_RANDOM_CENTERS) #二值化，将标签为0的转换为255，即是目标 label[label==0] = 255 label[label==1] = 0 #转换数据类型，轮廓查找要是uint8类型数据 thresh_img = label.reshape(image.shape[0:2]).astype(np.uint8) x_grad = cv2.Sobel(thresh_img, cv2.CV_32F, 1, 0) y_grad = cv2.Sobel(thresh_img, cv2.CV_32F, 0, 1) x_grad = cv2.convertScaleAbs(x_grad) #ax + b 线性变换 y_grad = cv2.convertScaleAbs(y_grad) dst = cv2.add(x_grad, y_grad, dtype=cv2.CV_16S) #将两种sobel的加起来就可以得到整个边缘 dst = cv2.convertScaleAbs(dst) plt.imshow(dst, cmap='gray') #轮廓查找目标必须为1 contours, hierarchy = cv2.findContours(dst, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) #获取外接矩形 rect = cv2.boundingRect(contours[0]) return rect
三 总结 。
单目标检测较为简单，只要合理利用目标和背景的差异便可将其分离出来。当然单目标检测的方法还有很多，比如有目标模板的时候可以采用模板匹配或者均值漂移，有足够的数据集时也可采用机器学习和深度学习方法.
到此这篇关于Python Opencv实现单目标检测的示例代码的文章就介绍到这了,更多相关Opencv 单目标检测内容请搜索我以前的文章或继续浏览下面的相关文章希望大家以后多多支持我！ 。
原文链接：https://blog.csdn.net/wahjk/article/details/108434047 。
最后此篇关于Python Opencv实现单目标检测的示例代码的文章就讲到这里了,如果你想了解更多关于Python Opencv实现单目标检测的示例代码的内容请搜索CFSDN的文章或继续浏览相关文章，希望大家以后支持我的博客！ 。
25
4
0
单向链表 单向链表比顺序结构的线性表最大的好处就是不用保证存放的位置，它只需要用指针去指向下一个元素就能搞定。 单链表图解 图画的比较粗糙，简单的讲解一下： 上面四个长方形，每个长方
使用TCP，我正在设计一些类似于next的程序。 客户端在许多线程中的接收正在等待一台服务器的发送消息。但是，这是有条件的。 recv正在等待特定的发送消息。 例如 客户 thread 1: recv
我正在编写正则表达式来验证电子邮件。唯一让我困惑的是: 顶级域名可以使用单个字符吗？(例如:lockevn.c) 背景:我知道顶级域名可以是 2 个字符到任意字符(.uk、.us 到 .canon、.
是否可以在单个定义中定义同一 Controller 的多个路由？ 例如: 我想要一个单一的定义 /, /about, /privacy-policy 使用类似的东西 _home: pat
我正在使用 objective-c开发针对 11.4 iOS 的单 View 应用程序，以及 Xcode版本是 9.4.1。 创建后有Main.storyboard和LaunchScreen.stor
我一直在尝试在 shell 程序中实现管道结构，如果我执行简单的命令(例如“hello | rev”)，它就可以工作 但是当我尝试执行“head -c 1000000/dev/urandom | wc
此表包含主机和接口(interface)列UNIQUE 组合* 编辑:这个表也有一个自动递增的唯一 ID，抱歉我应该在之前提到这个 ** | host.... | interface..... |
我想将具有固定补丁大小的“std filter”应用于单 channel 图像。 也就是说，我希望 out[i,j] 等于 img[i,j] 附近的像素值的标准值。 对于那些熟悉 Matlab 的人，
假设我想进行网络调用并使用 rx.Single，因为我希望只有一个值。 我如何应用replay().autoConnect() 这样的东西，这样当我从多个来源订阅时网络调用就不会发生多次？我应该使用
我将图像从 rgb 转换为 YUV。现在我想单独找到亮度 channel 的平均值。你能告诉我如何实现这一目标吗？此外，有没有办法确定图像由多少个 channel 组成？ 最佳答案 你可以这样做: #
在比较Go和Scala的语句结束检测时，我发现Scala的规则更丰富，即: A line ending is treated as a semicolon unless one of the foll
在IEEE 1800-2005或更高版本中，&和&&二进制运算符有什么区别？它们相等吗？ 我注意到，当a和b的类型为bit时，这些coverpoint定义的行为相同: cp: coverpoint a
我正在使用Flutter的provider软件包。我要实现的是为一个 View 或页面提供一个简单的提供程序。因此，我在小部件中尝试了以下操作: Widget build(BuildContext c
我正在尝试在 cython 中使用 openmp。我需要在 cython 中做两件事: i) 在我的 cython 代码中使用 #pragma omp single{} 作用域。 ii) 使用#pra
我正在尝试从转义字符字符串中删除单引号和双引号。它对单引号 ' 或双自动 " 不起作用。 请问有人可以帮忙吗？ var mysting = escapedStr.replace(/^%22/g, '
我正在尝试在 cython 中使用 openmp。我需要在 cython 中做两件事: i) 在我的 cython 代码中使用 #pragma omp single{} 作用域。 ii) 使用#pra
我正在使用 ANT+ 协议(protocol)，将智能手机与 ANT+ USB 加密狗连接，该加密狗通过 SimulANT+ 连接到 PC。 SimulANT+ 正在模拟一个心率传感器，它将数据发送到
有人可以解释/理解单/多线程模式下计算结果的不同吗？ 这是一个大约的例子。圆周率的计算: #include #include #include const int itera(100000000
我编写了一个粗略的阴影映射实现，它使用 6 个不同的 View 矩阵渲染场景 6 次以创建立方体贴图。 作为优化，我正在尝试使用几何着色器升级到单 channel 方法，但很难从我的着色器获得任何输出
尝试使用 Single-Spa 构建一些东西并面临添加到应用程序 AngularJS 的问题。 Angular2 和 ReactJs 工作完美，但如果添加 AngularJS 并尝试为此应用程序使用
我是一名优秀的程序员,十分优秀！