- 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
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的博客文章用opencv给图片换背景色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.
图像平滑 。
模糊/平滑图片来消除图片噪声 。
OpenCV函数:cv2.blur(), cv2.GaussianBlur(), cv2.medianBlur(), cv2.bilateralFilter() 。
2D 卷积 。
OpenCV中用cv2.filter2D()实现卷积操作,比如我们的核是下面这样(3×3区域像素的和除以10):
1
2
3
4
5
|
img
=
cv2.imread(
'lena.jpg'
)
# 定义卷积核
kernel
=
np.ones((
3
,
3
), np.float32)
/
10
# 卷积操作,-1表示通道数与原图相同
dst
=
cv2.filter2D(img,
-
1
, kernel)
|
卷积操作,-1表示通道数与原图相同 。
1
|
dst
=
cv2.filter2D(img,
-
1
, kernel)
|
定义卷## 标题积核 。
1
|
kernel
=
np.ones((
3
,
3
), np.float32)
/
10
|
卷积操作,-1表示通道数与原图相同 。
1
|
dst
=
cv2.filter2D(img,
-
1
, kernel)
|
模糊和滤波 。
它们都属于卷积,不同滤波方法之间只是卷积核不同(对线性滤波而言) 。
低通滤波器是模糊,高通滤波器是锐化 。
常见噪声有 椒盐噪声 和 高斯噪声 ,椒盐噪声可以理解为斑点,随机出现在图像中的黑点或白点;高斯噪声可以理解为拍摄图片时由于光照等原因造成的噪声.
均值滤波 。
均值滤波是一种最简单的滤波处理,它取的是卷积核区域内元素的均值,用 cv2.blur() 实现,如3×3的卷积核:
1
2
3
|
img
=
cv2.imread(
'lena.jpg'
)
# 均值模糊
blur
=
cv2.blur(img,(
3
,
3
)
|
高斯滤波 。
不同于均值滤波,高斯滤波的卷积核权重并不相同:中间像素点权重最高,越远离中心的像素权重越小,类似于正态分布.
OpenCV中对应函数为 cv2.GaussianBlur(src,ksize,sigmaX) ,指定的高斯核的宽和高必须为奇数.
1
|
img
=
cv2.imread(‘gaussian_noise.bmp')
|
均值滤波vs高斯滤波 。
1
2
|
blur
=
cv2.blur(img, (
5
,
5
))
# 均值滤波
gaussian
=
cv2.GaussianBlur(img, (
5
,
5
),
1
)
# 高斯滤波
|
参数3,σx值越大,模糊效果越明显。高斯滤波相比均值滤波效率要慢,但可以有效消除高斯噪声,能保留更多的图像细节,所以经常被称为最有用的滤波器.
中值滤波 中值又叫中位数,是所有数排序后取中间的值。中值滤波就是用区域内的中值来代替本像素值,所以那种孤立的斑点,如0或255很容易消除掉,适用于去除椒盐噪声和斑点噪声。中值是一种非线性操作,效率相比前面几种线性滤波要慢.
1
|
img
=
cv2.imread(‘salt_noise.bmp',
0
)
|
双边滤波 操作基本都会损失掉图像细节信息,尤其前面介绍的线性滤波器,图像的边缘信息很难保留下来。然而,边缘(edge)信息是图像中很重要的一个特征,所以这才有了双边滤波。用cv2.bilateralFilter()函数实现:
1
|
img
=
cv2.imread(‘lena.jpg')
|
形态学操作 包括膨胀、腐蚀、开运算和闭运算等形态学操作 。
OpenCV函数:cv2.erode(), cv2.dilate(), cv2.morphologyEx() 。
腐蚀 腐蚀的效果是把图片”变瘦”,其原理是在原图的小区域内取局部最小值。因为是二值化图,只有0和255,所以小区域内有一个是0该像素点就为0:
OpenCV中用cv2.erode()函数进行腐蚀,只需要指定核的大小就行:
1
2
3
4
5
|
import
cv2
import
numpy as np
img
=
cv2.imread(‘j.bmp',
0
)
kernel
=
np.ones((
5
,
5
), np.uint8)
erosion
=
cv2.erode(img, kernel)
# 腐蚀
|
这个核也叫结构元素,因为形态学操作其实也是应用卷积来实现的。结构元素可以是矩形/椭圆/十字形,可以用cv2.getStructuringElement()来生成不同形状的结构元素,比如:
1
2
3
|
kernel
=
cv2.getStructuringElement(cv2.MORPH_RECT, (
5
,
5
))
# 矩形结构
kernel
=
cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (
5
,
5
))
# 椭圆结构
kernel
=
cv2.getStructuringElement(cv2.MORPH_CROSS, (
5
,
5
))
# 十字结构
|
膨胀 。
膨胀与腐蚀相反,取的是局部最大值,效果是把图片”变胖”:
1
|
dilation
=
cv2.dilate(img, kernel)
# 膨胀
|
开/闭运算 。
先腐蚀后膨胀叫开运算(因为先腐蚀会分开物体,这样容易记住),其作用是:分离物体,消除小区域。这类形态学操作用 cv2.morphologyEx() 函数实现:
1
2
|
kernel
=
cv2.getStructuringElement(cv2.MORPH_RECT, (
5
,
5
))
img
=
cv2.imread(‘j_noise_out.bmp',
0
)
|
开运算 。
1
|
opening
=
cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)
|
闭运算则相反:先膨胀后腐蚀(先膨胀会使白色的部分扩张,以至于消除/“闭合”物体里面的小黑洞,所以叫闭运算) 。
1
|
closing
=
cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)
|
形态学梯度 。
膨胀图减去腐蚀图,dilation - erosion,这样会得到物体的轮廓:
1
|
gradient
=
cv2.morphologyEx(img, cv2.MORPH_GRADIENT, kernel)
|
顶帽 原图减去开运算后的图:src - opening 。
1
|
tophat
=
cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel)
|
黑帽 闭运算后的图减去原图:closing - src 。
1
|
blackhat
=
cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel)
|
给图片换背景的源代码。欢迎一起学习的小伙伴指教! 。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
|
#imagechuli
import
cv2
import
time
import
numpy as np
#图片名子
name
=
"1.jpg"
#程序计时
start
=
time.perf_counter()
#显示图片
img
=
cv2.imread(
"./input_image/3.jpg"
)
#图片缩放
img
=
cv2.resize(img,
None
,fx
=
0.5
,fy
=
0.5
)
rows,cols,channels
=
img.shape
#print(rows,cols,channels)
cv2.resizeWindow(
"origin"
,
0
,
0
);
#cv2.imshow("origin",img)
#转换为二值化图像
hsv
=
cv2.cvtColor(img,cv2.COLOR_BGR2HSV)
rows,cols,channels
=
hsv.shape
#图片的二值化处理
lower_blue
=
np.array([
90
,
70
,
70
])
upper_blue
=
np.array([
110
,
255
,
255
])
mask
=
cv2.inRange(hsv,lower_blue,upper_blue)
def
shap():
#图像的腐蚀
kernel
=
np.ones((
4
,
4
), np.uint8)
erode
=
cv2.erode(mask,kernel,iterations
=
1
)
#cv2.imshow("erode",erode)
#膨胀操作
kernel
=
np.ones((
2
,
2
), np.uint8)
dilate
=
cv2.dilate(erode,
None
,iterations
=
3
)
#cv2.imshow("dilate",dilate)
#循环遍历
for
i
in
range
(rows):
for
j
in
range
(cols):
if
dilate[i,j]
=
=
255
:
img[i,j]
=
(
0
,
0
,
255
)
#注意是BGR通道,不是RGB
#cv2.imshow("res",img)
bianyuanchuli()
#cv2.destroyAllWindows()
def
bianyuanchuli():
#图像边缘检测的内核大小
data
=
(
900
,
1100
)
img_copy
=
img.copy()
imgCanny
=
cv2.Canny(img,
*
data)
#cv2.imshow("imgcanny",imgCanny)
# 创建矩形结构
g
=
cv2.getStructuringElement(cv2.MORPH_RECT, (
5
,
5
))
g2
=
cv2.getStructuringElement(cv2.MORPH_RECT, (
7
,
7
))
# 膨化处理
# 更细腻
img_dilate
=
cv2.dilate(imgCanny, g,iterations
=
1
)
#cv2.imshow("img_dilate",img_dilate)
# 更粗大
img_dilate2
=
cv2.dilate(imgCanny, g2)
shape
=
img_dilate.shape
# 提取
for
i
in
range
(shape[
0
]):
for
j
in
range
(shape[
1
]):
if
img_dilate2[i, j]
=
=
0
:
# 二维定位到三维
img[i, j]
=
[
0
,
0
,
0
]
#cv2.imshow('dst1', img)
dst
=
cv2.GaussianBlur(img, (
3
,
3
),
0
,
0
, cv2.BORDER_DEFAULT)
for
i
in
range
(shape[
0
]):
for
j
in
range
(shape[
1
]):
if
img_dilate[i, j] !
=
0
:
# 二维定位到三维
img_copy[i, j]
=
dst[i, j]
#cv2.imshow('dst', img_copy)
cv2.imwrite(
"./out_image/3.jpg"
,img_copy)
shap()
# 窗口等待的命令,0表示无限等待
cv2.destroyAllWindows()
cv2.waitKey(
0
)
dur
=
time.perf_counter()
-
start
print
(
"程序总用时:{:.2f}s"
.
format
(dur))
|
到此这篇关于用opencv给图片换背景色的示例代码的文章就介绍到这了,更多相关opencv 图片换背景色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/qq_45971238/article/details/107140008 。
最后此篇关于用opencv给图片换背景色的示例代码的文章就讲到这里了,如果你想了解更多关于用opencv给图片换背景色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! 。
我正在尝试从我的系统中完全删除 opencv。我试图学习 ROS,而在教程中我遇到了一个问题。创建空工作区后,我调用catkin_make 它给出了一个常见错误,我在 answers.ros 中搜索并
我在尝试逐步转移对warpAffine的调用时遇到崩溃(不是异常): void rotateImage( const Mat& source, double degree, Mat& output )
如何处理opencv gpu异常?是否有用于opencvgpu异常处理的特定错误代码集api? 我尝试了很多搜索,但只有1个错误代码,即CV_GpuNotSupported。 请帮帮我。 最佳答案 虽
笔记 我是 OpenCV(或计算机视觉)的新手,所以告诉我搜索查询会很有帮助! 我想问什么 我想编写一个从图片中提取名片的程序。 我能够提取粗略的轮廓,但反射光会变成噪点,我无法提取准确的轮廓。请告诉
我想根据像素的某个阈值将Mono16类型的Mat转换为二进制图像。我尝试使用以下内容: 阈值(img,ret,0.1,1,CV_THRESH_BINARY); 尝试编译时,出现make错误,提示: 错
我对使用GPU加速的OpenCV中的卷积函数有疑问。 使用GPU的卷积速度大约快3.5 运行时: convolve(src_32F, kernel, cresult, false, cbuffer);
我正在尝试使用非对称圆圈网格执行相机校准。 我通常找不到适合CirclesGridFinder的文档,尤其是findHoles()函数的文档。 如果您有关于此功能如何工作以及其参数含义的信息,将不胜感
在计算机上绘图和在 OpenCV 的投影仪上投影之间有什么区别吗? 一种选择是投影显示所有内容的计算机屏幕。但也许也有这样的选择,即在投影仪上精确地绘制和投影图像,仅使用计算机作为计算机器。如果我能做
我将Processing(processing.org)用于需要人脸跟踪的项目。现在的问题是由于for循环,程序将耗尽内存。我想停止循环或至少解决内存不足的问题。这是代码。 import hyperm
我有下面的代码: // Image Processing.cpp : Defines the entry point for the console application. // //Save
我正在为某些项目使用opencv。并有应解决的任务。 任务很简单。我有一张主图片,并且有一个模板,而不是将主图片与模板进行比较。我使用matchTemplate()函数。我只是好奇一下。 在文档中,我
我正在尝试使用以下命令创建级联分类器: haartraining -data haarcascade -vec samples.vec -bg negatives.dat -nstages 20 -n
我试图使用OpenCV检测黑色图像中一组形状的颜色,为此我使用了Canny检测。但是,颜色输出总是返回为黑色。 std::vector > Asteroids::DetectPoints(const
我正在尝试使用OpenCv 2.4.5从边缘查找渐变方向,但是我在使用cvSobel()时遇到问题,以下是错误消息和我的代码。我在某处读到它可能是由于浮点(??)之间的转换,但我不知道如何解决它。有帮
我正在尝试构建循环关闭算法,但是在开始开发之前,我想测试哪种功能描述符在真实数据集上效果更好。 我有两个在两个方向拍摄的走廊图像,一个进入房间,另一个离开同一个房间。因此它们代表相同的场景,但具有2个
有没有一种方法可以比较直方图,但例如要排除白色,因此白色不会影响比较。 最佳答案 白色像素有 饱和度 , S = 0 .因此,在创建直方图时很容易从计数中删除白色像素。请执行下列操作: 从 BGR 转
就像本主题的标题一样,如何在OpenCV中确定图像的特定像素(灰度或彩色)是否饱和(例如,亮度过高)? 先感谢您。 最佳答案 根据定义,饱和像素是指与强度(即灰度值或颜色分量之一)等于255相关联的像
我是OpenCV的新用户,正在从事大学项目。程序会获取输入图像,对其进行综合模糊处理,然后对其进行模糊处理。当对合成模糊图像进行反卷积时,会生成边界伪像,因为...好吧,到目前为止,我还没有实现边界条
我想知道OpenCV是haar特征还是lbp是在多尺度搜索过程中缩放图像还是像论文中提到的那样缩放特征本身? 编辑:事实证明,检测器可以缩放图像,而不是功能。有人知道为什么吗?通过缩放功能可以更快。
我在openCv中使用SVM.train命令(已定义了适当的参数)。接下来,我要使用我的算法进行分类,而不是使用svm.predict。 可能吗?我可以访问训练时生成的支持 vector 吗?如果是这
我是一名优秀的程序员,十分优秀!