Opencv之掩码实现图片抠图

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雷同的二值图像，此中像素值为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雷同。掩码的像素值通常为0或255（或1），但也可以是其他值，详细取决于应用场景。通过使用掩码，可以更精确地控制图像处理操作的范围，从而实现更复杂的结果。
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表全添补
    
  
  

1. import cv2
2. import numpy as np
3. # 创建一个全黑的掩码
4. mask = np.zeros((300, 300), dtype=np.uint8)
5. # 在掩码上绘制一个白色矩形
6. cv2.rectangle(mask, (50, 50), (100, 100), 255, -1)
7. cv2.imshow('mask',mask)
8. cv2.waitKey(0)

复制代码

运行如下

1.3抠图思绪

• 图像读取与预处理
  读取图像并转换为灰度图，举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，并根据面积举行排序。
  
• 二值化处理
  对灰度图举行二值化处理，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，并对原图像和掩码举行与操作，以提取区域。
  

2 代码测试

原图

代码展示：

1. import numpy as np
2. import cv2
4. # 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
5. def cv_chow(name, img):
6.     cv2.imshow(name, img)
7.     cv2.waitKey(0)
9. # 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
10. def order_points(pts):
11.     rect = np.zeros((4, 2), dtype="float32")
12.     s = pts.sum(axis=1)  # 计算每个点的x和y坐标之和
13.     rect[0] = pts[np.argmin(s)]  # 最小的和为左上角
14.     rect[2] = pts[np.argmax(s)]  # 最大的和为右下角
15.     diff = np.diff(pts, axis=1)  # 计算每个点的x和y坐标之差
16.     rect[1] = pts[np.argmin(diff)]  # 最小的差为右上角
17.     rect[3] = pts[np.argmax(diff)]  # 最大的差为左下角
18.     return rect
20. # 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
21. def sort_contours(cons, method='left-to-right'):
22.     reverse = False
23.     i = 0
24.     if method == 'right-to-left' or method == 'bottom-to-top':
25.         reverse = True
26.     if method == 'top-to-bottom' or method == 'bottom-to-top':
27.         i = 1
28.     boundingBoxes = [cv2.boundingRect(c) for c in cons]  # 获取每个轮廓的边界框
29.     (cons, boundingBoxes) = zip(*sorted(zip(cons, boundingBoxes),
30.                                        key=lambda b: b[1][i], reverse=reverse))
31.     return cons, boundingBoxes
33. # 读取图像
34. img = cv2.imread('img_3.png')
36. # 复制图像用于绘制轮廓
37. cont_img = img.copy()
39. # 将图像转换为灰度图
40. gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
42. # 对灰度图进行高斯滤波，以减少噪声
43. blurred = cv2.GaussianBlur(gray, (5, 5), 0)
44. cv_chow('blurred', blurred)
46. # 使用Canny边缘检测算法检测图像中的边缘
47. edg = cv2.Canny(blurred, 75, 200)
48. cv_chow('edg', edg)
50. # 查找图像中的轮廓
51. cnts = cv2.findContours(edg.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)[-2]
53. # 在图像上绘制所有轮廓
54. cv2.drawContours(cont_img, cnts, -1, (0, 0, 255), 3)
55. cv_chow('cont_img', cont_img)
57. # 根据轮廓面积对轮廓进行排序，从大到小
58. cnts = sorted(cnts, key=cv2.contourArea, reverse=True)
60. # 对灰度图进行二值化处理，使用Otsu's方法自动确定阈值
61. thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV | cv2.THRESH_OTSU)[1]
62. cv_chow('thresh', thresh)
64. # 在二值化图像中查找轮廓
65. thresh_cnt = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)[1]
67. # 初始化一个列表用于存储符合条件的轮廓
68. qus_cnts = []
70. # 初始化一个列表用于存储所有的掩码
71. mask_all = []
73. # 创建一个与二值化图像大小相同的黑色掩码
74. mask = np.zeros(thresh.shape, dtype='uint8')
76. # 遍历所有轮廓，筛选出符合条件的轮廓
77. for c in thresh_cnt:
78.     (x, y, w, h) = cv2.boundingRect(c)  # 获取轮廓的边界框
79.     ar = w / float(h)  # 计算边界框的宽高比
80.     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
81.         qus_cnts.append(c)
83. # 遍历筛选后的轮廓，绘制掩码并进行与操作
84. for i in qus_cnts:
85.     cv2.drawContours(mask, [i], -1, 255, -1)  # 在掩码上绘制轮廓
86.     cv_chow('mask', mask)
87.     img_mask_and = cv2.bitwise_and(img, img, mask=mask)  # 对原图像和掩码进行与操作
88.     cv_chow('img_mask_and', img_mask_and)

复制代码

运行结果：

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。