Повысьте навыки обработки изображений с помощью Python Project

Глубокое обучение

Повысьте навыки обработки изображений с помощью Python Project

Обнаружение и сегментация объектов при обработке изображений

В настоящее время локализация объектов является основной и важной задачей в приложениях для обработки изображений. Существуют различные методы от OpenCV до глубокого обучения, в этой статье мы делаем локализацию апельсиновых фруктов с помощью OpenCV. Здесь мы будем выполнять различные задачи предварительной обработки изображений, чтобы добиться хорошего обнаружения объектов.

Методы, которые будут использоваться в этой статье, показаны ниже:

1. Denoising Filters
2. Color Space in image processing
3. Threshold operations
4. Pixel connections and noise removal
5. Finding contours
6. Drawing boundary on object

Первый шаг - загрузить все библиотеки, которые будут использоваться в программе, как показано ниже:

import numpy as np
import imutils
import cv2

numpy и imutils используются для многомерных численных вычислений и управления функциями изображения соответственно.

Теперь мы прочитаем изображение с помощью метода чтения в OpenCV. Храните входное изображение в той же папке, что и файл python.

image = cv2.imread('o2.jpg')

Фильтры шумоподавления

Этот фильтр подавляет шум входного изображения. Функция фильтра используется под кодом.

dst = cv2.fastNlMeansDenoisingColored(image, None, 11, 11, 6, 12)
#Argument pass to the denoising filter
p1 = 11: Kernel size to compute weights
p2 = 11: computing average weight
p3 = 6: luminescence strength filter
p4 = 12: color component filter

Формат чтения OpenCv - BGR, и нам нужно перейти на RGB для дальнейшей предварительной обработки.

rgb_image = cv2.cvtColor(dst, cv2.COLOR_BGR2RGB)

Цветовое пространство при обработке изображений

Цветовое пространство при обработке изображений - это тип цветового режима и функции отображения, используемый в компьютерном зрении для различных приложений. Здесь мы используем цветовое пространство YCrCb, потому что после проверки изображения Cr его можно легко преобразовать в двоичное изображение.

ycbcr_image = cv2.cvtColor(new_image, cv2.COLOR_RGB2YCrCb)
#splitting all three channel of YCrCb
Y, Cr, Cb = cv2.split(ycbcr_image)
#saving the Cr channel image
cv2.imwrite('Cr.jpg',Cr)

Три различных канала YCrCb показаны ниже:

OpenCV: разные цветовые пространства при обработке изображений с помощью Python
Методы предварительной обработки для извлечения функций и обнаружения объектов pub.towardsai.net

Пороговые операции

На этом этапе мы будем использовать изображение Cr, чтобы получить двоичное изображение для обнаружения объекта. Из изображения канала Cr ясно, что двоичное изображение можно разделить на две черно-белые категории.

ret,th1=cv2.threshold(Cr,180,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)
#saving the binary image
cv2.imwrite('Binary_image.jpg',th1)

Обработка изображений: морфологические операции с Python
Удаление шумов с изображений pub.towardsai.net

Соединение пикселей и удаление шума

Теперь мы знаем, что наш оранжевый объект - это белый пиксель в двоичном изображении, но на изображении все еще есть некоторый шум, это тоже пиксель оранжевого цвета, но неправильной формы. Мы можем удалить шумы с помощью морфологических операций, таких как эрозия и расширение. Но на этом этапе мы удалим шумы с подключенными компонентами, которые найдут область и устранят их с помощью порогового значения.

#getting the connected components area
nb_components, output, stats, centroids = 
           cv2.connectedComponentsWithStats(th1, connectivity=8)

Черный фон также является компонентом, но нам этот объект не нужен, удалите этот фон с помощью приведенного ниже кода.

sizes = stats[1:, -1]; nb_components = nb_components - 1

Теперь выберите область пикселей, которую нужно удалить из двоичного изображения.

min_size = 2000
#your answer image
img2 = np.zeros((output.shape))
#keeping the area above the threshold value
for i in range(0, nb_components):
    if sizes[i] >= min_size:
        img2[output == i + 1] = 255
        cv2.imwrite('img2.jpg',img2)
        
img3 = img2.astype(np.uint8) 
cv2.imwrite('binary_connected_components.jpg',img3)

Здесь изображение с удаленным шумом показано ниже:

Поиск контуров

Этот шаг - найти контуры на изображении, то есть область белых пикселей в приведенном ниже коде:

# find contours in the thresholded image
cnts = cv2.findContours(img3.copy(), cv2.RETR_EXTERNAL,
                                     cv2.CHAIN_APPROX_SIMPLE)
cnts = imutils.grab_contours(cnts)
print("[INFO] {} unique contours found".format(len(cnts)))
#output:
[INFO] 5 unique contours found

Контуры сохраняются в переменной cnts.

Рисование границы на объекте

Теперь нарисуем границу вокруг объекта с помощью области контура.

# loop over the contours
for (i, c) in enumerate(cnts):
 # draw the contour
 ((x, y), _) = cv2.minEnclosingCircle(c)
 cv2.putText(image, "#{}".format(i + 1), (int(x) - 10, int(y)),
  cv2.FONT_HERSHEY_SIMPLEX, 0.6, (0, 0, 255), 2)
 cv2.drawContours(image, [c], -1, (0, 255, 0), 2)
#save the result image
cv2.imwrite('Result_Image.jpg',image)

Заключение

В этой статье мы обсудим основные операции предварительной обработки изображений в OpenCV.

Надеюсь, статья вам понравилась. Свяжитесь со мной в моих LinkedIn и twitter.

Повысьте навыки обработки изображений с помощью Python Project

Глубокое обучение

Повысьте навыки обработки изображений с помощью Python Project

Обнаружение и сегментация объектов при обработке изображений

Рекомендуемые статьи

Вопросы по теме