当前位置: 首页 > article >正文

Opencv之掩码实现图片抠图

掩码实现图片抠图

目录

  • 掩码实现图片抠图
    • 1 掩码
      • 1.1 概念
      • 1.2 创建掩码
      • 1.3抠图思路
    • 2 代码测试

1 掩码


1.1 概念

掩码(Mask)是一种用于指定图像处理操作区域的工具掩码通常是一个与图像尺寸相同的二值图像,其中像素值为0表示不处理,像素值为255(或1)表示处理。掩码可以用于多种操作,如图像滤波、图像合成、图像分割等。掩码的尺寸必须与图像的尺寸相同。掩码的像素值通常为0或255(或1),但也可以是其他值,具体取决于应用场景。通过使用掩码,可以更精确地控制图像处理操作的范围,从而实现更复杂的效果。

1.2 创建掩码

  • mask = np.zeros((height, width), dtype=np.uint8),创建一个全黑的掩码
    • (height, width), 高宽
    • dtype=np.uint8 ,数据类型
  • cv2.rectangle(mask, (x1, y1), (x2, y2), 255, -1),在掩码上绘制矩形
    • (x1, y1), (x2, y2)起点和对角线坐标 ,
    • 255颜色, -1表全填充
import cv2
import numpy as np
# 创建一个全黑的掩码
mask = np.zeros((300, 300), dtype=np.uint8)
# 在掩码上绘制一个白色矩形
cv2.rectangle(mask, (50, 50), (100, 100), 255, -1)
cv2.imshow('mask',mask)
cv2.waitKey(0)

运行如下
在这里插入图片描述

1.3抠图思路

  • 图像读取与预处理
    读取图像并转换为灰度图,进行高斯滤波以减少噪声。

  • 边缘检测
    使用Canny算法检测图像中的边缘。

  • 轮廓检测与排序
    查找图像中的轮廓,并根据面积进行排序

  • 二值化处理
    对灰度图进行二值化处理,确定阈值。

  • 轮廓筛选
    根据轮廓的宽度、高度和宽高比筛选出符合条件的轮廓。

  • 掩码操作
    在掩码上绘制筛选后的轮廓,并对原图像和掩码进行与操作,以提取区域。

2 代码测试

原图

在这里插入图片描述

代码展示:

import numpy as np
import cv2

# 定义一个函数用于显示图像,并等待用户按下任意键关闭窗口
def cv_chow(name, img):
    cv2.imshow(name, img)
    cv2.waitKey(0)

# 定义一个函数用于对四个点进行排序,返回一个有序的矩形顶点列表
def order_points(pts):
    rect = np.zeros((4, 2), dtype="float32")
    s = pts.sum(axis=1)  # 计算每个点的x和y坐标之和
    rect[0] = pts[np.argmin(s)]  # 最小的和为左上角
    rect[2] = pts[np.argmax(s)]  # 最大的和为右下角
    diff = np.diff(pts, axis=1)  # 计算每个点的x和y坐标之差
    rect[1] = pts[np.argmin(diff)]  # 最小的差为右上角
    rect[3] = pts[np.argmax(diff)]  # 最大的差为左下角
    return rect

# 定义一个函数用于对轮廓进行排序,支持从左到右、从右到左、从上到下、从下到上四种排序方式
def sort_contours(cons, method='left-to-right'):
    reverse = False
    i = 0
    if method == 'right-to-left' or method == 'bottom-to-top':
        reverse = True
    if method == 'top-to-bottom' or method == 'bottom-to-top':
        i = 1
    boundingBoxes = [cv2.boundingRect(c) for c in cons]  # 获取每个轮廓的边界框
    (cons, boundingBoxes) = zip(*sorted(zip(cons, boundingBoxes),
                                       key=lambda b: b[1][i], reverse=reverse))
    return cons, boundingBoxes

# 读取图像
img = cv2.imread('img_3.png')

# 复制图像用于绘制轮廓
cont_img = img.copy()

# 将图像转换为灰度图
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 对灰度图进行高斯滤波,以减少噪声
blurred = cv2.GaussianBlur(gray, (5, 5), 0)
cv_chow('blurred', blurred)

# 使用Canny边缘检测算法检测图像中的边缘
edg = cv2.Canny(blurred, 75, 200)
cv_chow('edg', edg)

# 查找图像中的轮廓
cnts = cv2.findContours(edg.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)[-2]

# 在图像上绘制所有轮廓
cv2.drawContours(cont_img, cnts, -1, (0, 0, 255), 3)
cv_chow('cont_img', cont_img)

# 根据轮廓面积对轮廓进行排序,从大到小
cnts = sorted(cnts, key=cv2.contourArea, reverse=True)

# 对灰度图进行二值化处理,使用Otsu's方法自动确定阈值
thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV | cv2.THRESH_OTSU)[1]
cv_chow('thresh', thresh)

# 在二值化图像中查找轮廓
thresh_cnt = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)[1]

# 初始化一个列表用于存储符合条件的轮廓
qus_cnts = []

# 初始化一个列表用于存储所有的掩码
mask_all = []

# 创建一个与二值化图像大小相同的黑色掩码
mask = np.zeros(thresh.shape, dtype='uint8')

# 遍历所有轮廓,筛选出符合条件的轮廓
for c in thresh_cnt:
    (x, y, w, h) = cv2.boundingRect(c)  # 获取轮廓的边界框
    ar = w / float(h)  # 计算边界框的宽高比
    if w >= 8 and h >= 10 and 0.5 <= ar <= 2:  # 根据宽度、高度和宽高比筛选轮廓
        qus_cnts.append(c)

# 遍历筛选后的轮廓,绘制掩码并进行与操作
for i in qus_cnts:
    cv2.drawContours(mask, [i], -1, 255, -1)  # 在掩码上绘制轮廓
    cv_chow('mask', mask)
    img_mask_and = cv2.bitwise_and(img, img, mask=mask)  # 对原图像和掩码进行与操作
    cv_chow('img_mask_and', img_mask_and)

运行结果:

在这里插入图片描述


http://www.kler.cn/a/585909.html

相关文章:

  • 全面剖析 Linux 进程管理与 PCB 机制
  • 编程自学指南:java程序设计开发,网络编程基础,TCP编程,UDP编程,HTTP客户端开发
  • 基于微信小程序的小区管理系统设计与实现【lw+源码+部署+视频+讲解】
  • 【树莓派Pico FreeRTOS编程】-FreeRTOS移植
  • 建筑管理(2): 施工承包模式,工程监理,质量监督
  • Java实现死锁
  • windows10 清理 C 盘
  • 如何利用互联网大数据进行产品创新
  • 【含文档+PPT+源码】基于微信小程序的驾考在线学习与测试系统的设计与实现
  • 安全中心建设关键技术之态势展示
  • 一窥DeepSeek开源EPLB项目:揭开技术背后的面纱
  • Linux红帽:RHCSA认证知识讲解(六)创建、管理和删除本地用戶和组
  • 如何安装旧版本的Pytorch
  • 部署达梦数据库到服务器
  • 房屋交易平台设计与实现(代码+数据库+LW)
  • 静态分析技术:Jadx-GUI高级用法与模式识别
  • 202109 青少年软件编程等级考试C/C++ 三级真题答案及解析(电子学会)
  • 【Visio使用教程】
  • 探索Hyperlane:用Rust打造轻量级、高性能的Web后端框架
  • 分库分表与NewSQL数据库的区别及适用场景