当前位置: 首页 > article >正文

使用Python和OpenCV进行视觉图像分割

简介🎁

在图像处理领域,图像分割是一项基础且关键的技术,它涉及到将图像划分为若干个具有特定属性的区域。本文将通过一个实践项目,展示如何使用Python编程语言,结合OpenCV库,对一张玫瑰花的图片进行图像分割。这个项目不仅能够帮助我们理解图像分割的基本概念,还能够提供一个实际的编程示例。

0dayNu1L-CSDN博客

目录

简介🎁

环境准备🚚

项目步骤💂‍♀️

一:选取样本区域

二:计算标准差

三:建立模板图像空间

四:根据模板图像空间分割原图像

显示结果🥘

完整代码 🍠

结论💢


环境准备🚚

在开始之前,请确保你的开发环境中已经安装了Python、NumPy、Matplotlib以及OpenCV(即skimageio模块)。这些库可以通过pip进行安装。

项目步骤💂‍♀️

一:选取样本区域

首先,我们从图像中选取一个区域作为样本。在这个例子中,我们选择了图像中心的一个正方形区域。

from skimage import data, io
import numpy as np

# 读取图像
image = io.imread('flower.jpg')

# 选取样本区域
height, width, _ = image.shape
roi_size = 100  # 样本区域的边长
roi_center_x = width // 2
roi_center_y = height // 2
roi = image[roi_center_y - roi_size//2:roi_center_y + roi_size//2,
             roi_center_x - roi_size//2:roi_center_x + roi_size//2]

二:计算标准差

接下来,我们计算所选区域红色通道的标准差,这将用于后续的图像分割。

# 提取红色通道并计算标准差
red_channel = roi[:, :, 0]
mean_value = np.mean(red_channel)
std_dev = np.std(red_channel)

三:建立模板图像空间

基于计算出的标准差,我们建立一个模板图像空间,用于区分图像中的不同区域。

# 建立模板图像空间
template_image = np.zeros_like(image, dtype='uint8')
for y in range(height):
    for x in range(width):
        if abs(image[y, x, 0] - mean_value) <= std_dev:
            template_image[y, x] = image[y, x]
        else:
            template_image[y, x] = [0, 0, 0]  # 将不符合条件的像素设置为黑色

四:根据模板图像空间分割原图像

最后,我们使用模板图像空间来分割原始图像,得到最终的分割结果。

# 分割原图像
segmented_image = np.where(template_image != 0, image, 0)

显示结果🥘

使用Matplotlib库,我们可以将原始图像、模板图像以及分割后的图像展示出来,以便进行比较。

from matplotlib import pyplot as plt

# 显示结果
plt.figure(figsize=(12, 6))
plt.subplot(1, 3, 1)
plt.title('Original Image')
plt.imshow(image)
plt.axis('off')

plt.subplot(1, 3, 2)
plt.title('Template Image')
plt.imshow(template_image)
plt.axis('off')

plt.subplot(1, 3, 3)
plt.title('Segmented Image')
plt.imshow(segmented_image)
plt.axis('off')

plt.show()

完整代码 🍠

from skimage import data, io
from matplotlib import pyplot as plt
import numpy as np
import math

# 读取图像
image = io.imread(r'flower.jpg')

# 一:选取样本区域
# 假设我们选取图像中心的一个正方形区域作为样本区域
height, width, _ = image.shape
roi_size = 100  # 样本区域的边长
roi_center_x = width // 2
roi_center_y = height // 2
roi = image[roi_center_y - roi_size//2:roi_center_y + roi_size//2,
            roi_center_x - roi_size//2:roi_center_x + roi_size//2]

# 提取红色通道
red_channel = roi[:, :, 0]

# 二:计算标准差
mean_value = np.mean(red_channel)
std_dev = np.std(red_channel)

# 三:建立模板图像空间
r1_d = std_dev
template_image = np.zeros_like(image, dtype='uint8')
for y in range(height):
    for x in range(width):
        if abs(image[y, x, 0] - mean_value) <= r1_d:
            template_image[y, x] = image[y, x]
        else:
            template_image[y, x] = [0, 0, 0]  # 将不符合条件的像素设置为黑色

# 四:根据模板图像空间分割原图像
segmented_image = np.where(template_image != 0, image, 0)

# 显示结果
plt.figure(figsize=(12, 6))
plt.subplot(1, 3, 1)
plt.title('Original Image')
plt.imshow(image)
plt.axis('off')

plt.subplot(1, 3, 2)
plt.title('Template Image')
plt.imshow(template_image)
plt.axis('off')

plt.subplot(1, 3, 3)
plt.title('Segmented Image')
plt.imshow(segmented_image)
plt.axis('off')

plt.show()

结论💢

通过这个项目,我们学习了如何使用Python和OpenCV进行图像分割。这个过程涉及到了样本区域的选择、标准差的计算、模板图像空间的建立以及最终的图像分割。这个技术在许多领域都有广泛的应用,比如医学影像分析、自动驾驶车辆的视觉系统等。希望这个项目能够为你提供一些启发和帮助。


http://www.kler.cn/a/465231.html

相关文章:

  • ASP.NET CORE 依赖注入的三种方式,分别是什么,使用场景
  • GitLab集成Runner详细版--及注意事项汇总【最佳实践】
  • vue + iview inputNumber最大最小值限制问题
  • windows remote desktop service 远程桌面RDS授权激活
  • 智能水文:ChatGPT等大语言模型如何提升水资源分析和模型优化的效率
  • 121.【C语言】数据结构之快速排序(未优化的Hoare排序存在的问题)以及时间复杂度的分析
  • mysql删除无用用户
  • 航电系统之行走避障功能篇
  • AI知识库与用户行为分析:优化用户体验的深度洞察
  • JMeter 的 If Controller:开启性能测试的智能大门
  • 《Vue3实战教程》32:Vue3工具链
  • 《从入门到精通:蓝桥杯编程大赛知识点全攻略》(一)-递归实现指数型枚举、递归实现排列型枚举
  • 数据挖掘——概论
  • Mono里运行C#脚本20—mono_assembly_load_corlib
  • 论文阅读:Fine-Grained Recognition With Learnable Semantic Data Augmentation
  • Python之Web开发
  • mysql 事物隔离级别 与mvcc
  • Redis篇-Redis的基本使用命令(二)
  • 四种线程池的创建及任务提交
  • C# 设计模式(结构型模式):代理模式