当前位置：首页 > article >正文

Opencv之掩码实现图片抠图

article 2025/3/15 19:07:33

掩码实现图片抠图

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)