怎么使用Python第三方opencv库实现图像分割处理

这篇文章主要介绍了怎么使用Python第三方opencv库实现图像分割处理的相关知识，内容详细易懂，操作简单快捷，具有一定借鉴价值，相信大家阅读完这篇怎么使用Python第三方opencv库实现图像分割处理文章都会有所收获，下面我们一起来看看吧。

前言

所需要安装的库有：

pip install opencv-python

pip install matplotlib

首先，导入所用到的库：

import cv2
import os,shutil
from matplotlib import pyplot as plt

1.加载图片

注意：这里在传入图像路径时，路径中不能包含有中文名，否则会报错！！！

###1，加载图片
filepath = './testImage.png'  ###图像路径，注意：这里的路径不能包含有中文名
img = cv2.imread(filepath)
cv2.imshow('Orignal img', img)  ###显示图片
cv2.waitKey(0) ###防止一闪而过，是一个键盘绑定函数（0表示按下任意键终止）

2.对图片做灰度处理

###2，将彩色图片变为灰色（进行灰度处理）
img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
cv2.imshow('img_gray', img_gray)
cv2.waitKey(0)

3.对图片做二值化处理

thresh=220是自定义设定的阈值(通过分析print(img_gray)的图像数据大概得到的)，像素值大于220被置成了0，小于220的被置成了255。

maxval=与 THRESH_BINARY 和 THRESH_BINARY_INV 阈值一起使用的最大值，可理解是填充色，范围为（0～255）。

type：参数类型阈值类型（ cv2.THRESH_BINARY 大于阈值的部分被置为255，小于部分被置为0（黑白二值） cv2.THRESH_BINARY_INV 大于阈值部分被置为0，小于部分被置为255（黑白二值反转——白黑） 等其它的类型...... ）

###3，将图片做二值化处理
    '''
        thresh=220是自定义设定的阈值(通过分析print(img_gray)的图像数据大概得到的)，像素值大于220被置成了0，小于220的被置成了255
        maxval=与 THRESH_BINARY 和 THRESH_BINARY_INV 阈值一起使用的最大值，可理解是填充色，范围为（0～255）。
        type：参数类型阈值类型（
              cv2.THRESH_BINARY 大于阈值的部分被置为255，小于部分被置为0（黑白二值）
              cv2.THRESH_BINARY_INV 大于阈值部分被置为0，小于部分被置为255（黑白二值反转——白黑）
              等其它的类型......
              ）
        '''
ret, img_inv = cv2.threshold(src=img_gray, thresh=220, maxval=255, type=cv2.THRESH_BINARY_INV)
cv2.imshow('img_inv', img_inv)
cv2.waitKey(0)

3.1.自定义阈值

###阈值对比（全局阈值（v = 127），自适应平均阈值，自适应高斯阈值）
def threshContrast():
    filepath = './testImage.png'
    img = cv2.imread(filepath)
    img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    img_gray = cv2.medianBlur(img_gray, 5)
    ret1, th2 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_BINARY)
    th3 = cv2.adaptiveThreshold(img_gray, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 11, 2)
    th4 = cv2.adaptiveThreshold(img_gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2)
    title = ['原始图像(灰度)','全局阈值（v = 127）','自适应平均阈值','自适应高斯阈值']
    images = [img_gray, th2, th3, th4]
    for i in range(4):
        plt.subplot(2, 2, i + 1), plt.imshow(images[i], 'gray')
        # plt.title(title[i]) ###plt绘图时不能使用中文
        plt.xticks([]), plt.yticks([])
    plt.show()

4.提取轮廓

img_inv是寻找轮廓的图像；

• cv2.RETR_EXTERNAL：表示只检索极端外部轮廓；

• cv2.CHAIN_APPROX_SIMPLE：压缩水平, 垂直和对角线方向的元素，只保留它们的端点坐标，例如，一个直立的矩形轮廓用 4 个点进行编码。

###4，提取轮廓
    '''
        https://docs.opencv.org/4.5.2/d4/d73/tutorial_py_contours_begin.html
        img_inv是寻找轮廓的图像；
        cv2.RETR_EXTERNAL：表示只检索极端外部轮廓；
        cv2.CHAIN_APPROX_SIMPLE：压缩水平, 垂直和对角线方向的元素，只保留它们的端点坐标，例如，一个直立的矩形轮廓用 4 个点进行编码。
    '''
 contours,hierarchy = cv2.findContours(img_inv, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
 print(f'检测出轮廓数量有：{len(contours)}个')
 print('返回值为各层轮廓的索引：\n', hierarchy)

5.对轮廓画矩形框

###5，找出每一个轮廓绘画出的矩形位置
br = []
cntid = 0
for cnt in contours:
        '''cnt表示输入的轮廓值，x，y, w, h 分别表示外接矩形的x轴和y轴的坐标，以及矩形的w宽和h高,'''
    x, y, w, h = cv2.boundingRect(cnt)
    cntid += 1
    print(f'检测出第{cntid}个轮廓画出的矩形位置为：x={x},y={y},w={w},h={h}')
    br.append(cv2.boundingRect(cnt))
        '''img表示输入的需要画的图片(这里就是在原图上绘制轮廓)，cnt表示输入的轮廓值，-1表示contours中轮廓的索引(这里绘制所有的轮廓)，(0, 0, 255)表示rgb颜色——红色，2表示线条粗细'''
    cv2.drawContours(img, [cnt], -1, (0, 0, 255), 2)
    cv2.imshow('cnt', img)
    cv2.waitKey(0)
br.sort() ###将列表中的每一个元组里面的进行升序排序（这里其实想的是按照对应的x轴坐标进行升序）

对每个字符画轮廓的过程（顺序从右到左画，期间也有可能断续，如下图）。

6.分割图片并保存

###6，分割图片并保存（这里对前面处理过的二值化图片数据（img_inv）进行分割）
if not os.path.exists('./imageSplit'):
    os.mkdir('./imageSplit')
else:
    shutil.rmtree('./imageSplit')
    os.mkdir('./imageSplit')
for x,y,w,h in br:
    # print(x,y,w,h)
    # split_image = img_inv[y:y + h, x:x + w]
    split_image = img_inv[y - 2:y + h + 2, x - 2:x + w + 2]  ###这样分割感觉好看些
    cv2.imshow('split_image', split_image)
    cv2.waitKey(0)
    save_filepath = './imageSplit/'
    filename = f'{x}.jpg' ###这里由每张图片对应的x轴坐标命名
    cv2.imwrite(save_filepath + filename, split_image)
    print(f'\033[31m{filename}图片分割完毕！\033[0m')

这里是对前面处理过的二值化图片数据（img_inv）进行一个一个字符分割展示的过程。

这里是这行代码的意思，下面的图是手动绘制的，太丑了，哈哈哈！！！

# split_image = img_inv[y:y + h, x:x + w]

7.查看分割图片

最后，我们在pyplot上来查看我们分割图片后的效果，也就终于完成了。

###7，用pyplot来查看我们分割完成后的图片
imagefile_list = os.listdir('./imageSplit')
imagefile_list.sort(key=lambda x: int(x[:-4]))
for i in range(len(imagefile_list)):
    img = cv2.imread(f'./imageSplit/{imagefile_list[i]}')
    plt.subplot(1, len(imagefile_list), i + 1), plt.imshow(img, 'gray')
    plt.title(imagefile_list[i])
    plt.xticks([]), plt.yticks([])
plt.show()

8.完整代码

import cv2
import os,shutil
from matplotlib import pyplot as plt
'''
    这是使用文档网址:https://docs.opencv.org/4.5.2/index.html
    这是提供的Python接口教程网址：https://docs.opencv.org/4.5.2/d6/d00/tutorial_py_root.html
'''
def imageSplit():
    ###1，加载图片
    filepath = './testImage.png'  ###图像路径，注意：这里的路径不能包含有中文名
    img = cv2.imread(filepath)
    cv2.imshow('Orignal img', img)  ###显示图片
    cv2.waitKey(0) ###防止一闪而过，是一个键盘绑定函数（0表示按下任意键终止）
 
    ###2，将彩色图片变为灰色（进行灰度处理）
    img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    cv2.imshow('img_gray', img_gray)
    cv2.waitKey(0)
 
    ###3，将图片做二值化处理
    '''
        thresh=220是自定义设定的阈值(通过分析print(img_gray)的图像数据大概得到的)，像素值大于220被置成了0，小于220的被置成了255
        maxval=与 THRESH_BINARY 和 THRESH_BINARY_INV 阈值一起使用的最大值，可理解是填充色，范围为（0～255）。
        type：参数类型阈值类型（
              cv2.THRESH_BINARY 大于阈值的部分被置为255，小于部分被置为0（黑白二值）
              cv2.THRESH_BINARY_INV 大于阈值部分被置为0，小于部分被置为255（黑白二值反转——白黑）
              等其它的类型......
              ）
        '''
    ret, img_inv = cv2.threshold(src=img_gray, thresh=220, maxval=255, type=cv2.THRESH_BINARY_INV)
    cv2.imshow('img_inv', img_inv)
    cv2.waitKey(0)
 
    ###4，提取轮廓
    '''
        https://docs.opencv.org/4.5.2/d4/d73/tutorial_py_contours_begin.html
        img_inv是寻找轮廓的图像；
        cv2.RETR_EXTERNAL：表示只检索极端外部轮廓；
        cv2.CHAIN_APPROX_SIMPLE：压缩水平, 垂直和对角线方向的元素，只保留它们的端点坐标，例如，一个直立的矩形轮廓用 4 个点进行编码。
    '''
    contours,hierarchy = cv2.findContours(img_inv, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
    print(f'检测出轮廓数量有：{len(contours)}个')
    print('返回值为各层轮廓的索引：\n', hierarchy)
 
    ###5，找出每一个轮廓绘画出的矩形位置
    br = []
    cntid = 0
    for cnt in contours:
        '''cnt表示输入的轮廓值，x，y, w, h 分别表示外接矩形的x轴和y轴的坐标，以及矩形的w宽和h高,'''
        x, y, w, h = cv2.boundingRect(cnt)
        cntid += 1
        print(f'检测出第{cntid}个轮廓画出的矩形位置为：x={x},y={y},w={w},h={h}')
        br.append(cv2.boundingRect(cnt))
        '''img表示输入的需要画的图片(这里就是在原图上绘制轮廓)，cnt表示输入的轮廓值，-1表示contours中轮廓的索引(这里绘制所有的轮廓)，(0, 0, 255)表示rgb颜色——红色，2表示线条粗细'''
        cv2.drawContours(img, [cnt], -1, (0, 0, 255), 2)
        cv2.imshow('cnt', img)
        cv2.waitKey(0)
    br.sort() ###将列表中的每一个元组里面的进行升序排序（这里其实想的是按照对应的x轴坐标进行升序）
 
    ###6，分割图片并保存（这里对前面处理过的二值化图片数据（img_inv）进行分割）
    if not os.path.exists('./imageSplit'):
        os.mkdir('./imageSplit')
    else:
        shutil.rmtree('./imageSplit')
        os.mkdir('./imageSplit')
    for x,y,w,h in br:
        # print(x,y,w,h)
        # split_image = img_inv[y:y + h, x:x + w]
        split_image = img_inv[y - 2:y + h + 2, x - 2:x + w + 2]  ###这样分割感觉好看些
        cv2.imshow('split_image', split_image)
        cv2.waitKey(0)
        save_filepath = './imageSplit/'
        filename = f'{x}.jpg' ###这里由每张图片对应的x轴坐标命名
        cv2.imwrite(save_filepath + filename, split_image)
        print(f'\033[31m{filename}图片分割完毕！\033[0m')
    cv2.destroyAllWindows() ###删除所有窗口
 
    ###7，用pyplot来查看我们分割完成后的图片
    imagefile_list = os.listdir('./imageSplit')
    imagefile_list.sort(key=lambda x: int(x[:-4]))
    for i in range(len(imagefile_list)):
        img = cv2.imread(f'./imageSplit/{imagefile_list[i]}')
        plt.subplot(1, len(imagefile_list), i + 1), plt.imshow(img, 'gray')
        plt.title(imagefile_list[i])
        plt.xticks([]), plt.yticks([])
    plt.show()
 
    print('\nperfect！！！')
 
###阈值对比（全局阈值（v = 127），自适应平均阈值，自适应高斯阈值）
def threshContrast():
    filepath = './testImage.png'
    img = cv2.imread(filepath)
    img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    img_gray = cv2.medianBlur(img_gray, 5)
    ret1, th2 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_BINARY)
    th3 = cv2.adaptiveThreshold(img_gray, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 11, 2)
    th4 = cv2.adaptiveThreshold(img_gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2)
    title = ['原始图像(灰度)','全局阈值（v = 127）','自适应平均阈值','自适应高斯阈值']
    images = [img_gray, th2, th3, th4]
    for i in range(4):
        plt.subplot(2, 2, i + 1), plt.imshow(images[i], 'gray')
        # plt.title(title[i]) ###plt绘图时不能使用中文
        plt.xticks([]), plt.yticks([])
    plt.show()
 
if __name__ == '__main__':
    imageSplit()
 
    ###阈值对比
    # threshContrast()

关于“怎么使用Python第三方opencv库实现图像分割处理”这篇文章的内容就介绍到这里，感谢各位的阅读！相信大家对“怎么使用Python第三方opencv库实现图像分割处理”知识都有一定的了解，大家如果还想学习更多知识，欢迎关注亿速云行业资讯频道。