Python?第三方opencv庫實現(xiàn)圖像分割處理
更新時間：2022年06月21日 16:54:09 作者：清＆輕
這篇文章主要介紹了Python?第三方opencv庫實現(xiàn)圖像分割處理，文章圍繞主題展開詳細的內(nèi)容介紹，具有一定的參考價值，需要的小伙伴可以參考一下
前言
所需要安裝的庫有：
pip install opencv-python
pip install matplotlib
Python接口幫助文檔網(wǎng)址：https://docs.opencv.org/4.5.2/d6/d00/tutorial_py_root.html
本文所用到的圖片素材：
首先，導入所用到的庫：
import cv2 import os,shutil from matplotlib import pyplot as plt
1.加載圖片
注意：這里在傳入圖像路徑時，路徑中不能包含有中文名，否則會報錯?。?！
###1，加載圖片
filepath = './testImage.png' ###圖像路徑，注意：這里的路徑不能包含有中文名
img = cv2.imread(filepath)
cv2.imshow('Orignal img', img) ###顯示圖片
cv2.waitKey(0) ###防止一閃而過，是一個鍵盤綁定函數(shù)（0表示按下任意鍵終止）
2.對圖片做灰度處理
###2，將彩色圖片變?yōu)榛疑ㄟM行灰度處理）
img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
cv2.imshow('img_gray', img_gray)
cv2.waitKey(0)
3.對圖片做二值化處理
thresh=220是自定義設(shè)定的閾值(通過分析print(img_gray)的圖像數(shù)據(jù)大概得到的)，像素值大于220被置成了0，小于220的被置成了255。
maxval=與 THRESH_BINARY 和 THRESH_BINARY_INV 閾值一起使用的最大值，可理解是填充色，范圍為（0～255）。
type：參數(shù)類型閾值類型（ cv2.THRESH_BINARY 大于閾值的部分被置為255，小于部分被置為0（黑白二值） cv2.THRESH_BINARY_INV 大于閾值部分被置為0，小于部分被置為255（黑白二值反轉(zhuǎn)——白黑） 等其它的類型...... ）
###3，將圖片做二值化處理
'''
thresh=220是自定義設(shè)定的閾值(通過分析print(img_gray)的圖像數(shù)據(jù)大概得到的)，像素值大于220被置成了0，小于220的被置成了255
maxval=與 THRESH_BINARY 和 THRESH_BINARY_INV 閾值一起使用的最大值，可理解是填充色，范圍為（0～255）。
type：參數(shù)類型閾值類型（
cv2.THRESH_BINARY 大于閾值的部分被置為255，小于部分被置為0（黑白二值）
cv2.THRESH_BINARY_INV 大于閾值部分被置為0，小于部分被置為255（黑白二值反轉(zhuǎn)——白黑）
等其它的類型......
）
'''
ret, img_inv = cv2.threshold(src=img_gray, thresh=220, maxval=255, type=cv2.THRESH_BINARY_INV)
cv2.imshow('img_inv', img_inv)
cv2.waitKey(0)
3.1.自定義閾值
###閾值對比（全局閾值（v = 127），自適應平均閾值，自適應高斯閾值）
def threshContrast():
filepath = './testImage.png'
img = cv2.imread(filepath)
img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
img_gray = cv2.medianBlur(img_gray, 5)
ret1, th1 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_BINARY)
th2 = cv2.adaptiveThreshold(img_gray, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 11, 2)
th3 = cv2.adaptiveThreshold(img_gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2)
title = ['原始圖像(灰度)','全局閾值（v = 127）','自適應平均閾值','自適應高斯閾值']
images = [img_gray, th1, th2, th3]
for i in range(4):
plt.subplot(2, 2, i + 1), plt.imshow(images[i], 'gray')
# plt.title(title[i]) ###plt繪圖時不能使用中文
plt.xticks([]), plt.yticks([])
plt.show()4.提取輪廓
img_inv是尋找輪廓的圖像；
- cv2.RETR_EXTERNAL：表示只檢索極端外部輪廓；
- cv2.CHAIN_APPROX_SIMPLE：壓縮水平, 垂直和對角線方向的元素，只保留它們的端點坐標，例如，一個直立的矩形輪廓用 4 個點進行編碼。
###4，提取輪廓
'''
https://docs.opencv.org/4.5.2/d4/d73/tutorial_py_contours_begin.html
img_inv是尋找輪廓的圖像；
cv2.RETR_EXTERNAL：表示只檢索極端外部輪廓；
cv2.CHAIN_APPROX_SIMPLE：壓縮水平, 垂直和對角線方向的元素，只保留它們的端點坐標，例如，一個直立的矩形輪廓用 4 個點進行編碼。
'''
contours,hierarchy = cv2.findContours(img_inv, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
print(f'檢測出輪廓數(shù)量有：{len(contours)}個')
print('返回值為各層輪廓的索引：\n', hierarchy)5.對輪廓畫矩形框
###5，找出每一個輪廓繪畫出的矩形位置
br = []
cntid = 0
for cnt in contours:
'''cnt表示輸入的輪廓值，x，y, w, h 分別表示外接矩形的x軸和y軸的坐標，以及矩形的w寬和h高,'''
x, y, w, h = cv2.boundingRect(cnt)
cntid += 1
print(f'檢測出第{cntid}個輪廓畫出的矩形位置為：x={x},y={y},w={w},h={h}')
br.append(cv2.boundingRect(cnt))
'''img表示輸入的需要畫的圖片(這里就是在原圖上繪制輪廓)，cnt表示輸入的輪廓值，-1表示contours中輪廓的索引(這里繪制所有的輪廓)，(0, 0, 255)表示rgb顏色——紅色，2表示線條粗細'''
cv2.drawContours(img, [cnt], -1, (0, 0, 255), 2)
cv2.imshow('cnt', img)
cv2.waitKey(0)
br.sort() ###將列表中的每一個元組里面的進行升序排序（這里其實想的是按照對應的x軸坐標進行升序）對每個字符畫輪廓的過程（順序從右到左畫，期間也有可能斷續(xù)，如下圖）。
6.分割圖片并保存
###6，分割圖片并保存（這里對前面處理過的二值化圖片數(shù)據(jù)（img_inv）進行分割）
if not os.path.exists('./imageSplit'):
os.mkdir('./imageSplit')
else:
shutil.rmtree('./imageSplit')
os.mkdir('./imageSplit')
for x,y,w,h in br:
# print(x,y,w,h)
# split_image = img_inv[y:y + h, x:x + w]
split_image = img_inv[y - 2:y + h + 2, x - 2:x + w + 2] ###這樣分割感覺好看些
cv2.imshow('split_image', split_image)
cv2.waitKey(0)
save_filepath = './imageSplit/'
filename = f'{x}.jpg' ###這里由每張圖片對應的x軸坐標命名
cv2.imwrite(save_filepath + filename, split_image)
print(f'\033[31m{filename}圖片分割完畢！\033[0m')這里是對前面處理過的二值化圖片數(shù)據(jù)（img_inv）進行一個一個字符分割展示的過程。
這里是這行代碼的意思，下面的圖是手動繪制的，太丑了
，哈哈哈！??！
# split_image = img_inv[y:y + h, x:x + w]
7.查看分割圖片
最后，我們在pyplot上來查看我們分割圖片后的效果，也就終于完成了。
###7，用pyplot來查看我們分割完成后的圖片
imagefile_list = os.listdir('./imageSplit')
imagefile_list.sort(key=lambda x: int(x[:-4]))
for i in range(len(imagefile_list)):
img = cv2.imread(f'./imageSplit/{imagefile_list[i]}')
plt.subplot(1, len(imagefile_list), i + 1), plt.imshow(img, 'gray')
plt.title(imagefile_list[i])
plt.xticks([]), plt.yticks([])
plt.show()
8.完整代碼
import cv2
import os,shutil
from matplotlib import pyplot as plt
'''
這是使用文檔網(wǎng)址:https://docs.opencv.org/4.5.2/index.html
這是提供的Python接口教程網(wǎng)址：https://docs.opencv.org/4.5.2/d6/d00/tutorial_py_root.html
'''
def imageSplit():
###1，加載圖片
filepath = './testImage.png' ###圖像路徑，注意：這里的路徑不能包含有中文名
img = cv2.imread(filepath)
cv2.imshow('Orignal img', img) ###顯示圖片
cv2.waitKey(0) ###防止一閃而過，是一個鍵盤綁定函數(shù)（0表示按下任意鍵終止）
###2，將彩色圖片變?yōu)榛疑ㄟM行灰度處理）
img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
cv2.imshow('img_gray', img_gray)
cv2.waitKey(0)
###3，將圖片做二值化處理
'''
thresh=220是自定義設(shè)定的閾值(通過分析print(img_gray)的圖像數(shù)據(jù)大概得到的)，像素值大于220被置成了0，小于220的被置成了255
maxval=與 THRESH_BINARY 和 THRESH_BINARY_INV 閾值一起使用的最大值，可理解是填充色，范圍為（0～255）。
type：參數(shù)類型閾值類型（
cv2.THRESH_BINARY 大于閾值的部分被置為255，小于部分被置為0（黑白二值）
cv2.THRESH_BINARY_INV 大于閾值部分被置為0，小于部分被置為255（黑白二值反轉(zhuǎn)——白黑）
等其它的類型......
）
'''
ret, img_inv = cv2.threshold(src=img_gray, thresh=220, maxval=255, type=cv2.THRESH_BINARY_INV)
cv2.imshow('img_inv', img_inv)
cv2.waitKey(0)
###4，提取輪廓
'''
https://docs.opencv.org/4.5.2/d4/d73/tutorial_py_contours_begin.html
img_inv是尋找輪廓的圖像；
cv2.RETR_EXTERNAL：表示只檢索極端外部輪廓；
cv2.CHAIN_APPROX_SIMPLE：壓縮水平, 垂直和對角線方向的元素，只保留它們的端點坐標，例如，一個直立的矩形輪廓用 4 個點進行編碼。
'''
contours,hierarchy = cv2.findContours(img_inv, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
print(f'檢測出輪廓數(shù)量有：{len(contours)}個')
print('返回值為各層輪廓的索引：\n', hierarchy)
###5，找出每一個輪廓繪畫出的矩形位置
br = []
cntid = 0
for cnt in contours:
'''cnt表示輸入的輪廓值，x，y, w, h 分別表示外接矩形的x軸和y軸的坐標，以及矩形的w寬和h高,'''
x, y, w, h = cv2.boundingRect(cnt)
cntid += 1
print(f'檢測出第{cntid}個輪廓畫出的矩形位置為：x={x},y={y},w={w},h={h}')
br.append(cv2.boundingRect(cnt))
'''img表示輸入的需要畫的圖片(這里就是在原圖上繪制輪廓)，cnt表示輸入的輪廓值，-1表示contours中輪廓的索引(這里繪制所有的輪廓)，(0, 0, 255)表示rgb顏色——紅色，2表示線條粗細'''
cv2.drawContours(img, [cnt], -1, (0, 0, 255), 2)
cv2.imshow('cnt', img)
cv2.waitKey(0)
br.sort() ###將列表中的每一個元組里面的進行升序排序（這里其實想的是按照對應的x軸坐標進行升序）
###6，分割圖片并保存（這里對前面處理過的二值化圖片數(shù)據(jù)（img_inv）進行分割）
if not os.path.exists('./imageSplit'):
os.mkdir('./imageSplit')
else:
shutil.rmtree('./imageSplit')
os.mkdir('./imageSplit')
for x,y,w,h in br:
# print(x,y,w,h)
# split_image = img_inv[y:y + h, x:x + w]
split_image = img_inv[y - 2:y + h + 2, x - 2:x + w + 2] ###這樣分割感覺好看些
cv2.imshow('split_image', split_image)
cv2.waitKey(0)
save_filepath = './imageSplit/'
filename = f'{x}.jpg' ###這里由每張圖片對應的x軸坐標命名
cv2.imwrite(save_filepath + filename, split_image)
print(f'\033[31m{filename}圖片分割完畢！\033[0m')
cv2.destroyAllWindows() ###刪除所有窗口
###7，用pyplot來查看我們分割完成后的圖片
imagefile_list = os.listdir('./imageSplit')
imagefile_list.sort(key=lambda x: int(x[:-4]))
for i in range(len(imagefile_list)):
img = cv2.imread(f'./imageSplit/{imagefile_list[i]}')
plt.subplot(1, len(imagefile_list), i + 1), plt.imshow(img, 'gray')
plt.title(imagefile_list[i])
plt.xticks([]), plt.yticks([])
plt.show()
print('\nperfect！?。?)
###閾值對比（全局閾值（v = 127），自適應平均閾值，自適應高斯閾值）
def threshContrast():
filepath = './testImage.png'
img = cv2.imread(filepath)
img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
img_gray = cv2.medianBlur(img_gray, 5)
ret1, th1 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_BINARY)
th2 = cv2.adaptiveThreshold(img_gray, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 11, 2)
th3 = cv2.adaptiveThreshold(img_gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2)
title = ['原始圖像(灰度)','全局閾值（v = 127）','自適應平均閾值','自適應高斯閾值']
images = [img_gray, th1, th2, th3]
for i in range(4):
plt.subplot(2, 2, i + 1), plt.imshow(images[i], 'gray')
# plt.title(title[i]) ###plt繪圖時不能使用中文
plt.xticks([]), plt.yticks([])
plt.show()
if __name__ == '__main__':
imageSplit()
###閾值對比
# threshContrast()到此這篇關(guān)于Python 第三方opencv庫實現(xiàn)圖像分割處理的文章就介紹到這了,更多相關(guān)python圖片處理內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！
相關(guān)文章
python實現(xiàn)處理mysql結(jié)果輸出方式
這篇文章主要介紹了python實現(xiàn)處理mysql結(jié)果輸出方式，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2020-04-04
這篇文章主要介紹了PyTorch環(huán)境配置及安裝,本文通過圖文實例代碼相結(jié)合給大家介紹的非常詳細，對大家的學習或工作具有一定的參考借鑒價值，需要的朋友可以參考下2023-04-04
在Python中,利用matplotlib創(chuàng)建的子圖可以很容易地添加圖例,無論是為每個子圖單獨添加,還是統(tǒng)一在一起,本文詳細介紹了如何在多個子圖中顯示圖例,包括全局圖例的顯示、圖例樣式的調(diào)整和圖例位置的調(diào)整等,需要的朋友可以參考下2024-12-12
深入解析Python的Tornado框架中內(nèi)置的模板引擎
模板引擎是Web開發(fā)框架中負責前端展示的關(guān)鍵,這里我們就來以實例深入解析Python的Tornado框架中內(nèi)置的模板引擎,來學習如何編寫Tonardo的模板.2016-07-07
這篇文章主要介紹了Python判斷值是否在list或set中的性能對比分析,結(jié)合實例形式對比分析了使用list與set循環(huán)的執(zhí)行效率,需要的朋友可以參考下2016-04-04
機器學習中經(jīng)常會用到圖形進行可視化,如在網(wǎng)格搜索(GridSearch)后對特征的重要性進行排序時,用到sns.barplot()函數(shù)按照重要程度輸出特征,這篇文章主要給大家介紹了關(guān)于Python?sns.distplot()方法的使用方法,需要的朋友可以參考下2022-03-03
常用python數(shù)據(jù)類型轉(zhuǎn)換函數(shù)總結(jié)
這篇文章主要介紹了常用的python數(shù)據(jù)類型轉(zhuǎn)換函數(shù),并用實際例子說明了這些函數(shù)的用法,需要的朋友可以參考下2014-03-03
對于機器學習算法工程師而言,Python是不可或缺的語言,它的優(yōu)美與簡潔令人無法自拔,下面這篇文章主要給大家介紹了關(guān)于30道python自動化測試面試題與答案匯總的相關(guān)資料,需要的朋友可以參考下2023-03-03
這篇文章主要介紹了python 三邊測量定位的實現(xiàn)代碼，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2021-04-04
matplotlib 多個圖像共用一個colorbar的實現(xiàn)示例
這篇文章主要介紹了matplotlib 多個圖像共用一個colorbar的實現(xiàn)示例，文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值，需要的朋友們下面隨著小編來一起學習學習吧2020-09-09