Python中的图像处理（第十四章）Python图像分割（1）

admin管理员组

文章数量:1794759

Python中的图像处理（第十四章）Python图像分割（1）

Python中的图像处理（第十四章）Python图像分割（1）

• 前言
• 一. Python准备
• 二. Python仿真
• 三. 小结

前言

随着人工智能研究的不断兴起，Python的应用也在不断上升，由于Python语言的简洁性、易读性以及可扩展性，特别是在开源工具和深度学习方向中各种神经网络的应用，使得Python已经成为最受欢迎的程序设计语言之一。由于完全开源，加上简单易学、易读、易维护、以及其可移植性、解释性、可扩展性、可扩充性、可嵌入性：丰富的库等等，自己在学习与工作中也时常接触到Python，这个系列文章的话主要就是介绍一些在Python中常用一些例程进行仿真演示！

本系列文章主要参考杨秀章老师分享的代码资源，杨老师博客主页是Eastmount，杨老师兴趣广泛，不愧是令人膜拜的大佬，他过成了我理想中的样子，希望以后有机会可以向他请教学习交流。

因为自己是做图像语音出身的，所以结合《Python中的图像处理》，学习一下Python相关，OpenCV已经在Python上进行了多个版本的维护，所以相比VS，Python的环境配置相对简单，缺什么库直接安装即可。本系列文章例程都是基于Python3.8的环境下进行，所以大家在进行借鉴的时候建议最好在3.8.0版本以上进行仿真。本文继续来对本书第十四章的5个例程进行介绍。

一. Python准备

如何确定自己安装好了python

win+R输入cmd进入命令行程序 点击“确定” 输入：python，回车 看到Python相关的版本信，说明Python安装成功。

二. Python仿真

（1）新建一个chapter14_01.py文件，输入以下代码，图片也放在与.py文件同级文件夹下

# -*- coding: utf-8 -*- # 2021-05-17 Eastmount CSDN import cv2 import numpy as np import matplotlib.pyplot as plt #读取图像 img=cv2.imread('scenery.png') grayImage=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) #阈值化处理 ret,thresh1=cv2.threshold(grayImage,127,255,cv2.THRESH_BINARY) ret,thresh2=cv2.threshold(grayImage,127,255,cv2.THRESH_BINARY_INV) ret,thresh3=cv2.threshold(grayImage,127,255,cv2.THRESH_TRUNC) ret,thresh4=cv2.threshold(grayImage,127,255,cv2.THRESH_TOZERO) ret,thresh5=cv2.threshold(grayImage,127,255,cv2.THRESH_TOZERO_INV) #显示结果 titles = ['Gray Image','BINARY','BINARY_INV','TRUNC', 'TOZERO','TOZERO_INV'] images = [grayImage, thresh1, thresh2, thresh3, thresh4, thresh5] for i in range(6): plt.subplot(2,3,i+1),plt.imshow(images[i],'gray') plt.title(titles[i]) plt.xticks([]),plt.yticks([]) plt.show()

保存.py文件 输入eixt()退出python，输入命令行进入工程文件目录

输入以下命令，跑起工程

python chapter14_01.py

没有报错，直接弹出图片，运行成功！ （2）新建一个chapter14_02.py文件，输入以下代码，图片也放在与.py文件同级文件夹下

# -*- coding: utf-8 -*- # 2021-05-17 Eastmount CSDN import cv2 import numpy as np import matplotlib.pyplot as plt #读取图像 img = cv2.imread('scenery.png') rgb_img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) #灰度化处理图像 grayImage = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) #阈值处理 ret, binary = cv2.threshold(grayImage, 127, 255, cv2.THRESH_BINARY) #Roberts算子 kernelx = np.array([[-1,0],[0,1]], dtype=int) kernely = np.array([[0,-1],[1,0]], dtype=int) x = cv2.filter2D(binary, cv2.CV_16S, kernelx) y = cv2.filter2D(binary, cv2.CV_16S, kernely) absX = cv2.convertScaleAbs(x) absY = cv2.convertScaleAbs(y) Roberts = cv2.addWeighted(absX, 0.5, absY, 0.5, 0) #Prewitt算子 kernelx = np.array([[1,1,1],[0,0,0],[-1,-1,-1]], dtype=int) kernely = np.array([[-1,0,1],[-1,0,1],[-1,0,1]], dtype=int) x = cv2.filter2D(binary, cv2.CV_16S, kernelx) y = cv2.filter2D(binary, cv2.CV_16S, kernely) absX = cv2.convertScaleAbs(x) absY = cv2.convertScaleAbs(y) Prewitt = cv2.addWeighted(absX,0.5,absY,0.5,0) #Sobel算子 x = cv2.Sobel(binary, cv2.CV_16S, 1, 0) y = cv2.Sobel(binary, cv2.CV_16S, 0, 1) absX = cv2.convertScaleAbs(x) absY = cv2.convertScaleAbs(y) Sobel = cv2.addWeighted(absX, 0.5, absY, 0.5, 0) #拉普拉斯算法 dst = cv2.Laplacian(binary, cv2.CV_16S, ksize = 3) Laplacian = cv2.convertScaleAbs(dst) # Scharr算子 x = cv2.Scharr(binary, cv2.CV_32F, 1, 0) #X方向 y = cv2.Scharr(binary, cv2.CV_32F, 0, 1) #Y方向 absX = cv2.convertScaleAbs(x) absY = cv2.convertScaleAbs(y) Scharr = cv2.addWeighted(absX, 0.5, absY, 0.5, 0) #Canny算子 gaussianBlur = cv2.GaussianBlur(binary, (3,3), 0) #高斯滤波 Canny = cv2.Canny(gaussianBlur , 50, 150) #LOG算子 gaussianBlur = cv2.GaussianBlur(binary, (3,3), 0) #高斯滤波 dst = cv2.Laplacian(gaussianBlur, cv2.CV_16S, ksize = 3) LOG = cv2.convertScaleAbs(dst) #效果图 titles = ['Source Image', 'Binary Image', 'Roberts Image', 'Prewitt Image','Sobel Image', 'Laplacian Image', 'Scharr Image', 'Canny Image', 'LOG Image'] images = [rgb_img, binary, Roberts, Prewitt, Sobel, Laplacian, Scharr, Canny, LOG] for i in np.arange(9): plt.subplot(3,3,i+1),plt.imshow(images[i],'gray') plt.title(titles[i]) plt.xticks([]),plt.yticks([]) plt.show()

保存.py文件输入以下命令，跑起工程

python chapter14_02.py

没有报错，直接弹出图片，运行成功！

（3）新建一个chapter14_03.py文件，输入以下代码，图片也放在与.py文件同级文件夹下

# -*- coding: utf-8 -*- # 2021-05-17 Eastmount CSDN import cv2 import numpy as np import matplotlib.pyplot as plt #读取图像 img = cv2.imread('scenery.png') rgb_img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) #灰度化处理图像 grayImage = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) #阈值化处理 ret, binary = cv2.threshold(grayImage, 0, 255, cv2.THRESH_BINARY+cv2.THRESH_OTSU) #边缘检测 contours, hierarchy = cv2.findContours(binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE) #轮廓绘制 cv2.drawContours(img, contours, -1, (0, 255, 0), 1) #显示图像5 cv2.imshow('gray', binary) cv2.imshow('res', img) cv2.waitKey(0) cv2.destroyAllWindows()

保存.py文件输入以下命令，跑起工程

python chapter14_03.py

没有报错，直接弹出图片，运行成功！

（4）新建一个chapter14_04.py文件，输入以下代码，图片也放在与.py文件同级文件夹下

# -*- coding: utf-8 -*- # 2021-05-17 Eastmount CSDN import cv2 import numpy as np import matplotlib.pyplot as plt #读取图像 img = cv2.imread('test.png') #灰度化处理图像 grayImage = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) #设置掩码、fgbModel、bgModel mask = np.zeros(img.shape[:2], np.uint8) bgdModel = np.zeros((1,65), np.float64) fgdModel = np.zeros((1,65), np.float64) #矩形坐标 rect = (100, 100, 500, 800) #图像分割 cv2.grabCut(img, mask, rect, bgdModel, fgdModel, 5, cv2.GC_INIT_WITH_RECT) #设置新掩码：0和2做背景 mask2 = np.where((mask==2)|(mask==0), 0, 1).astype('uint8') #显示原图 img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) plt.subplot(1,2,1) plt.imshow(img) plt.title('Original Image') plt.xticks([]), plt.yticks([]) #使用蒙板来获取前景区域 img = img*mask2[:, :, np.newaxis] plt.subplot(1,2,2) plt.imshow(img) plt.title('Target Image') plt.colorbar() plt.xticks([]), plt.yticks([]) plt.show()

保存.py文件输入以下命令，跑起工程

python chapter14_04.py

没有报错，直接弹出图片，运行成功！ （5）新建一个chapter14_05.py文件，输入以下代码，图片也放在与.py文件同级文件夹下

# coding: utf-8 # 2021-05-17 Eastmount CSDN import cv2 import numpy as np import matplotlib.pyplot as plt #读取原始图像灰度颜色 img = cv2.imread('scenery.png', 0) print(img.shape) #获取图像高度、宽度和深度 rows, cols = img.shape[:] #图像二维像素转换为一维 data = img.reshape((rows * cols, 1)) data = np.float32(data) #定义中心 (type,max_iter,epsilon) criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 10, 1.0) #设置标签 flags = cv2.KMEANS_RANDOM_CENTERS #K-Means聚类 聚集成4类 compactness, labels, centers = cv2.kmeans(data, 4, None, criteria, 10, flags) #生成最终图像 dst = labels.reshape((img.shape[0], img.shape[1])) #用来正常显示中文标签 plt.rcParams['font.sans-serif']=['SimHei'] #显示图像 titles = [u'原始图像', u'聚类图像'] images = [img, dst] for i in range(2): plt.subplot(1,2,i+1), plt.imshow(images[i], 'gray'), plt.title(titles[i]) plt.xticks([]),plt.yticks([]) plt.show()

保存.py文件输入以下命令，跑起工程

python chapter14_05.py

没有报错，直接打印数据，弹出图片，运行成功！

三. 小结

本文主要介绍在Python中调用OpenCV库对图像进行分割，包括简单阈值化处理分割，边缘检测算子阈值分割，k-means聚类分割等。由于本书的介绍比较系统全面，所以会出一个系列文章进行全系列仿真实现，下一篇文章将继续介绍第十四章节的5例仿真实例，感兴趣的还是建议去原书第十四章深入学习理解。每天学一个Python小知识，大家一起来学习进步阿！

本系列示例主要参考杨老师GitHub源码，安利一下地址：ImageProcessing-Python（喜欢记得给个star哈！）

本文标签： 图像处理图像Python