OpenCV图像分割算法

前言

图像分割是指根据灰度、色彩、空间纹理、几何形状等特征把图像划分成若干个互不相交的区域。

最简单的图像分割就是将物体从背景中分割出来

1.图像二值化

cv2.threshold是opencv-python中的图像二值化方法，可以实现简单的分割功能。

retval, dst = cv2.threshold(src, thresh, maxval, thresholdType[, dst])

•src：原图像，要求必须是灰度图像

•dst：结果图像

•thresh：阈值

•maxVal：结果图中像素最大值

•thresholdType：二值化类型

然而，threshold用法，有两个问题：

问题一：

•根据全图统一的阈值对像素进行判断，并非在所有情况下效果都好

•例如，如果图像在不同区域具有不同的光照条件

问题二：

•阈值需要手动设定，不同的图片合适的阈值可能不同，更换图片可能就需要调整代码

针对于全图统一阈值的问题，可以使用自适应阈值分割法

•自适应阈值分割算法基于像素周围的局部区域确定像素的阈值

•同一图像的不同区域具有不同的阈值

•为光照变化的图像提供更好的分割效果

2.自适应阈值分割算法

dst= cv2.adaptiveThreshold(src, maxValue, adaptiveMethod,thresholdType, blockSize, C, dst=None)

参数解释如下：

•src：原图像，它必须是灰度图像

•maxValue：结果图中像素的最大值，一般设置为255

•adaptiveMethod：阈值的计算方法，包括以下两种计算方式：

•thresholdType：二值化方式，例如cv2.THRESH_BINARY、cv2.THRESH_TRUNC、

cv2.THRESH_TOZERO等

•blockSize：局部区域的大小

•C：阈值计算中减去的常数

缺点：blockSize要手动指定，但物体的大小有差异

3.Otsu阈值分割算法

自动根据图像内容计算阈值：

• Otsu阈值分割算法
• 大津法
• 直方图技术

retval, dst = cv2.threshold(src, thresh, maxval, thresholdType[, dst])

参数解释如下：

• src：原图像，要求必须是灰度图像
• dst：结果图像
• thresh：阈值（无作用）
• maxVal：像素灰度最大值
• thresholdType：阈值类型，在原有参数值基础上多传递一个参数值，即cv2.THRESH_OTSU
• 比如cv2.THRESH_BINARY+cv2.THRESH_OTSU

利用固定阈值算法进行分割，适用的图片较为局限

同一个阈值，在一些图像上表现好，在其他图片上效果不佳

如：

利用Otsu阈值算法进行分割，适用的图片范围较广

对每张图片，Otsu阈值算法自动找到针对性的阈值

如：

4.基于轮廓的字符分离

分割步骤

1. 检测出图像中字符的轮廓

2. 得到每一条轮廓的包围框，根据包围框坐标提取ROI

4.1轮廓检测

contours, hierarchy = cv2.findContours(image, mode, method)

参数解释如下：

contours：返回的轮廓列表，每条轮廓包含构成这条轮廓上的一系列点的坐标

hierarchy：轮廓之间的层级关系

image：原始图像，需要是二值图

mode：轮廓的检索模式

method：轮廓的近似办法

 4.2轮廓绘制

cv2.drawContours(image, contours, contourIdx, color, thickness)

• image：指定在哪张图片上绘制轮廓
• contours：轮廓列表
• contourIdx：定绘制轮廓list中的哪条轮廓，如果是-1，则绘制其中的所有轮廓
• color：轮廓颜色
• thickness（可选）：轮廓宽度

import cv2
img=cv2.imread("D:\\desk\\images\\car_license\\test1.png")
 
#去噪
image=cv2.GaussianBlur(img,(3,3),0)
 
#转为灰度图
gray1 = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
 
#Ostu阈值分割
ret, th1 = cv2.threshold(gray1, 127,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)
 
'''轮廓检测与绘制'''
#检测轮廓(外轮廓)
th1=cv2.dilate(th1,None)      #膨胀，保证同一个字符只有一个外轮廓
contours,hierarchy=cv2.findContours(th1,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)
 
#轮廓可视化
th1_bgr=cv2.cvtColor(th1,cv2.COLOR_GRAY2BGR)     #转为三通道图
 
cv2.drawContours(th1_bgr,contours,-1,(0,0,255),2)    #轮廓可视化
 
cv2.imshow("th1_bgr",th1_bgr)
 
cv2.waitKey()

4.3包围框获取

rect= cv2.boundingRect(points)

• points：一系列点的坐标
• rect：能够包围住这些点的最小外接矩形信息，格式为(x,y,width,height)

4.4矩形绘制 

cv2.rectangle(img, pt1, pt2, color[, thickness）

• img：指定要绘制的图片
• pt1：矩形的某个顶点的坐标
• pt2：和pt1相对的顶点坐标
• color：矩形的颜色
• thickness（可选）：矩形轮廓的宽度

基于轮廓的字符分离完整代码如下：

import cv2
img=cv2.imread("D:\\desk\\images\\car_license\\test1.png")
 
#去噪
image=cv2.GaussianBlur(img,(3,3),0)
 
#转为灰度图
gray1 = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
 
#Ostu阈值分割
ret, th1 = cv2.threshold(gray1, 127,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)
 
'''轮廓检测与绘制'''
#检测轮廓(外轮廓)
th1=cv2.dilate(th1,None)      #膨胀，保证同一个字符只有一个外轮廓
contours,hierarchy=cv2.findContours(th1,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)
 
#轮廓可视化
th1_bgr=cv2.cvtColor(th1,cv2.COLOR_GRAY2BGR)     #转为三通道图
 
# cv2.drawContours(th1_bgr,contours,-1,(0,0,255),2)    #轮廓可视化
 
'''包围框获取'''
words=[]         #保存包围框信息
height,width=th1.shape
for contour in contours:     #对于每一条轮廓
    rest=cv2.boundingRect(contour)       #得到这条轮廓的外接矩阵
    #只有高宽比在1.5到3.5之间，且高 度比图片高度大于0.3的矩阵才保留
    if rest[3]/rest[2]>1.5 and rest[3]/rest[2]<3.5 and rest[3]/height>0.3:
        words.append(rest)         #将当前矩形加入矩形列表
        cv2.rectangle(th1_bgr,(rest[0],rest[1]),(rest[0]+rest[2],rest[1]+rest[3]),(0,0,255),3)    #绘制矩形
 
 
 
#显示
# cv2.imshow("img",img)
cv2.imshow("th1",th1)
cv2.imshow("th1_bgr",th1_bgr)
 
cv2.waitKey()