基于OpenCV的区域分割、轮廓检测和阈值处理

重磅干货，第一时间送达

OpenCV是一个巨大的开源库，广泛用于计算机视觉，人工智能和图像处理领域。它在现实世界中的典型应用是人脸识别，物体检测，人类活动识别，物体跟踪等。

现在，假设我们只需要从整个输入帧中检测到一个对象。因此，代替处理整个框架，如果可以在框架中定义一个子区域并将其视为要应用处理的新框架，该怎么办。我们要完成一下三个步骤：

· 定义兴趣区

· 在ROI中检测轮廓

· 阈值检测轮廓轮廓线

什么是ROI？

简而言之，我们感兴趣的对象所在的帧内的子区域称为感兴趣区域（ROI）。

我们如何定义ROI？

在输入帧中定义ROI的过程称为ROI分割。

在“ ROI细分”中，（此处）我们选择框架中的特定区域，并以矩形方法提供其尺寸，以便它将在框架上绘制矩形的ROI。

（输出）蓝色矩形覆盖的区域是我们的投资回报率

现在，如果您也想绑定感兴趣的对象，那么我们可以通过在ROI中找到轮廓来实现。

什么是轮廓？

轮廓线是 表示或说是限制对象形状的轮廓。

如何在框架中找到轮廓？

对我而言，在将ROI框架设为阈值后，找到轮廓效果最佳。因此，要找到轮廓，手上的问题是-

什么是阈值？

阈值不过是图像分割的一种简单形式。这是将灰度或rgb图像转换为二进制图像的过程。例如

（这是RGB帧）

（这是二进制阈值帧）

因此，在对rgb帧进行阈值处理后，程序很容易找到轮廓，因为由于ROI中感兴趣对象的颜色将是黑色（在简单的二进制脱粒中）或白色（在如上所述的反向二进制脱粒中），因此分割（将背景与前景即我们的对象分开）将很容易完成。

在对框架进行阈值处理并检测到轮廓之后，我们应用凸包技术对围绕对象点的紧密拟合凸边界进行设置。实施此步骤后，框架应如下所示-

我们可以做的另一件事是，我们可以遮盖ROI以仅显示被检测到的轮廓本身覆盖的对象。再次-

什么是图像MASK？

图像MASK是隐藏图像的某些部分并显示某些部分的过程。这是图像编辑的非破坏性过程。在大多数情况下，它使您可以在以后根据需要调整和调整遮罩。通常，它是一种有效且更具创意的图像处理方式。

因此，基本上在这里我们将掩盖ROI的背景。为此，首先我们将修复ROI的背景。然后，在固定背景之后，我们将从框架中减去背景，并用wewant背景（这里是一个简单的黑色框架）替换它。

实施上述技术，我们应该得到如下输出：

（背景被遮罩以仅捕获对象）

这是所说明技术的理想实现的完整代码。

import cv2import numpy as npimport copyimport math
x=0.5 # start point/total widthy=0.8 # start point/total widththreshold = 60 # BINARY thresholdblurValue = 7 # GaussianBlur parameterbgSubThreshold = 50learningRate = 0
# variablesisBgCaptured = 0 # whether the background captured
def removeBG(frame): #Subtracting the background fgmask = bgModel.apply(frame,learningRate=learningRate)
kernel = np.ones((3, 3), np.uint8) fgmask = cv2.erode(fgmask, kernel, iterations=1) res = cv2.bitwise_and(frame, frame, mask=fgmask) return res
# Cameracamera = cv2.VideoCapture(0)camera.set(10,200)


while camera.isOpened(): ret, frame = camera.read() frame = cv2.bilateralFilter(frame, 5, 50, 100) # smoothening filter frame = cv2.flip(frame, 1) # flip the frame horizontally cv2.rectangle(frame, (int(x * frame.shape[1]), 0), (frame.shape[1], int(y * frame.shape[0])), (255, 0, 0), 2) #drawing ROI cv2.imshow('original', frame)
# Main operation if isBgCaptured == 1: # this part wont run until background captured img = removeBG(frame) img = img[0:int(y * frame.shape[0]), int(x * frame.shape[1]):frame.shape[1]] # clip the ROI cv2.imshow('mask', img)
# convert the image into binary image gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) blur = cv2.GaussianBlur(gray, (blurValue, blurValue), 0) cv2.imshow('blur', blur) ret, thresh = cv2.threshold(blur, threshold, 255, cv2.THRESH_BINARY) #thresholding the frame cv2.imshow('ori', thresh)

# get the coutours thresh1 = copy.deepcopy(thresh) contours, hierarchy = cv2.findContours(thresh1, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE) #detecting contours length = len(contours) maxArea = -1 if length > 0: for i in range(length): # find the biggest contour (according to area) temp = contours[i] area = cv2.contourArea(temp) if area > maxArea: maxArea = area ci = i
res = contours[ci] hull = cv2.convexHull(res) #applying convex hull technique drawing = np.zeros(img.shape, np.uint8) cv2.drawContours(drawing, [res], 0, (0, 255, 0), 2) #drawing contours cv2.drawContours(drawing, [hull], 0, (0, 0, 255), 3) #drawing convex hull cv2.imshow('output', drawing)
# Keyboard OP k = cv2.waitKey(10) if k == 27: camera.release() cv2.destroyAllWindows() break elif k == ord('b'): # press 'b' to capture the background bgModel = cv2.createBackgroundSubtractorMOG2(0, bgSubThreshold) isBgCaptured = 1 print( 'Background Captured') elif k == ord('r'): # press 'r' to reset the background bgModel = None isBgCaptured = 0 print ('Reset BackGround')