一 簡介

目標檢測即為在圖像中找到自己感興趣的部分，將其分割出來進行下一步操作，可避免背景的干擾。以下介紹幾種基于opencv的單目標檢測算法，算法總體思想先盡量將目標區域的像素值全置為1，背景區域全置為0，然后通過其它方法找到目標的外接矩形并分割，在此選擇一張前景和背景相差較大的圖片作為示例。

環境：python3.7 opencv4.4.0

二 背景前景分離

1 灰度+二值+形態學 輪廓特征和聯通組件

根據圖像前景和背景的差異進行二值化，例如有明顯顏色差異的轉換到HSV色彩空間進行分割。

1 原圖

2 灰度化

3 二值化

4 形態學處理

5 提取輪廓并找出目標外接矩形

代碼封裝：

def get_roi_contours(image_path, morph_size, num_morph):

'''

參數詳解：

image_path：所需處理圖片路徑

morph_size：形態學處理核的大小

num_morph：進行形態學處理的次數

'''

image = cv2.imread(image_path, cv2.IMREAD_COLOR)

#灰度轉換

gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

#二值化

threhold, binary_image = cv2.threshold(gray_image, 0, 255, cv2.THRESH_BINARY_INV+cv2.THRESH_OTSU)

#形態學操作

kernel = cv2.getStructuringElement(shape=cv2.MORPH_RECT, ksize=morph_size)

morph_image = cv2.morphologyEx(binary_image, cv2.MORPH_CLOSE, kernel)

for i in range(num_morph-1):

morph_image = cv2.morphologyEx(morph_image, cv2.MORPH_CLOSE, kernel)

#查找輪廓

contours, hierarchy = cv2.findContours(morph_image, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

#選取輪廓面積最大的輪廓

area = 0

max_area_index = 0

for j in range(len(contours)):

if area < cv2.contourArea(contours[j]):

max_area_index = j

area = cv2.contourArea(contours[j])

rect = cv2.boundingRect(contours[max_area_index])

return rect

6 通過聯通組件找到外接矩形

代碼封裝：

def get_roi_ConCom(image_path, morph_size, num_morph):

'''

參數詳解：

image_path：所需處理圖片路徑

morph_size：形態學處理核的大小

num_morph：進行形態學處理的次數

'''

image = cv2.imread(image_path, cv2.IMREAD_COLOR)

#灰度轉換

gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

#二值化

threhold, binary_image = cv2.threshold(gray_image, 0, 255, cv2.THRESH_BINARY_INV+cv2.THRESH_OTSU)

#形態學操作

kernel = cv2.getStructuringElement(shape=cv2.MORPH_RECT, ksize=morph_size)

morph_image = cv2.morphologyEx(binary_image, cv2.MORPH_CLOSE, kernel)

for i in range(num_morph-1):

morph_image = cv2.morphologyEx(morph_image, cv2.MORPH_CLOSE, kernel)

#聯通組件查詢

numlabels, components_img, stats, centers = cv2.connectedComponentsWithStats(morph_image, 8)

#獲取除背景外的所有聯通組件

stats_without_back = stats[1:]

#獲取除背景外的所有聯通組件的面積最大值

max_area = np.max(stats_without_back, axis=0)[-1]

#獲取面積最大聯通組件的index

max_area_index = stats_without_back[:, -1]==max_area

rect = stats_without_back[max_area_index]

return np.squeeze(rect)[0:4]

2 Kmeans聚類實現前景和背景的分離

1 kmeans聚類后的圖像，由于簇的中心是隨機初始化的，所以目標的像素值可能為0，也可能為1，若采用opencv的findContours則要求前景像素值為1。

2 利用輪廓特征找外接矩形

由于Kmeans隨機初始化簇中心導致前景目標像素不確定，采用邊緣提取的方法再查找輪廓。

邊緣圖：

代碼封裝：

def get_roi_Kmeans(image_path):

image = cv2.imread(image_path, cv2.IMREAD_COLOR)

image_data = image.reshape(-1, 3).astype(np.float32) #必須要轉成浮點類型進行計算

#簇內平方和，標簽和每個簇的中心

criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_COUNT, 10, 1)

interia, label, centers = cv2.kmeans(image_data, 2, None, criteria, 5, cv2.KMEANS_RANDOM_CENTERS)

#二值化，將標簽為0的轉換為255，即是目標

label[label==0] = 255

label[label==1] = 0

#轉換數據類型，輪廓查找要是uint8類型數據

thresh_img = label.reshape(image.shape[0:2]).astype(np.uint8)

x_grad = cv2.Sobel(thresh_img, cv2.CV_32F, 1, 0)

y_grad = cv2.Sobel(thresh_img, cv2.CV_32F, 0, 1)

x_grad = cv2.convertScaleAbs(x_grad) #ax + b 線性變換

y_grad = cv2.convertScaleAbs(y_grad)

dst = cv2.add(x_grad, y_grad, dtype=cv2.CV_16S) #將兩種sobel的加起來就可以得到整個邊緣

dst = cv2.convertScaleAbs(dst)

plt.imshow(dst, cmap='gray')

#輪廓查找目標必須為1

contours, hierarchy = cv2.findContours(dst, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

#獲取外接矩形

rect = cv2.boundingRect(contours[0])

return rect

三 總結

單目標檢測較為簡單，只要合理利用目標和背景的差異便可將其分離出來。當然單目標檢測的方法還有很多，比如有目標模板的時候可以采用模板匹配或者均值漂移，有足夠的數據集時也可采用機器學習和深度學習方法。

到此這篇關于Python Opencv實現單目標檢測的示例代碼的文章就介紹到這了,更多相關Opencv 單目標檢測內容請搜索服務器之家以前的文章或繼續瀏覽下面的相關文章希望大家以后多多支持服務器之家！

原文鏈接：https://blog.csdn.net/wahjk/article/details/108434047

《新程序員》：云原生和全面數字化實踐50位技術專家共同創作，文字、視頻、音頻交互閱讀

總結

以上是生活随笔為你收集整理的python简单目标检测代码_Python Opencv实现单目标检测的示例代码的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。