python3+opencv3识别图片中的物体并截取
运行环境：python3.6.4
opencv3.4.0
# -*- coding:utf-8 -*-
"""
Note: 使用Python和OpenCV检测图像中的物体并将物体裁剪下来
"""
import
cv2
import
numpy as np
# step1：加载图片，转成灰度图
image
=
cv2.imread(
"353.jpg"
)
gray
=
cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
# step2:用Sobel算子计算x，y方向上的梯度，之后在x方向上减去y方向上的梯度，通过这个减法，我们留下具有高水平梯度和低垂直梯度的图像区域。
gradX
=
cv2.Sobel(gray, cv2.CV_32F, dx
=
1
, dy
=
0
, ksize
=
-
1
)
gradY
=
cv2.Sobel(gray, cv2.CV_32F, dx
=
0
, dy
=
1
, ksize
=
-
1
)
# subtract the y-gradient from the x-gradient
gradient
=
cv2.subtract(gradX, gradY)
gradient
=
cv2.convertScaleAbs(gradient)
# show image
cv2.imshow(
"first"
, gradient)
cv2.waitKey()
# step3：去除图像上的噪声。首先使用低通滤泼器平滑图像（9 x 9内核）,这将有助于平滑图像中的高频噪声。
# 低通滤波器的目标是降低图像的变化率。如将每个像素替换为该像素周围像素的均值。这样就可以平滑并替代那些强度变化明显的区域。
# 然后，对模糊图像二值化。梯度图像中不大于90的任何像素都设置为0（黑色）。 否则，像素设置为255（白色）。
# blur and threshold the image
blurred
=
cv2.blur(gradient, (
9
,
9
))
_, thresh
=
cv2.threshold(blurred,
90
,
255
, cv2.THRESH_BINARY)
# SHOW IMAGE
cv2.imshow(
"thresh"
, thresh)
cv2.waitKey()
# step4:在上图中我们看到蜜蜂身体区域有很多黑色的空余，我们要用白色填充这些空余，使得后面的程序更容易识别昆虫区域，
# 这需要做一些形态学方面的操作。
kernel
=
cv2.getStructuringElement(cv2.MORPH_RECT, (
25
,
25
))
closed
=
cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, kernel)
# show image
cv2.imshow(
"closed1"
, closed)
cv2.waitKey()
# step5:从上图我们发现图像上还有一些小的白色斑点，这会干扰之后的昆虫轮廓的检测，要把它们去掉。分别执行4次形态学腐蚀与膨胀。
# perform a series of erosions and dilations
closed
=
cv2.erode(closed,
None
, iterations
=
4
)
closed
=
cv2.dilate(closed,
None
, iterations
=
4
)
# show image
cv2.imshow(
"closed2"
, closed)
cv2.waitKey()
# step6：找出昆虫区域的轮廓。
# cv2.findContours()函数
# 第一个参数是要检索的图片，必须是为二值图，即黑白的（不是灰度图），
# 所以读取的图像要先转成灰度的，再转成二值图，我们在第三步用cv2.threshold()函数已经得到了二值图。
# 第二个参数表示轮廓的检索模式，有四种：
# 1. cv2.RETR_EXTERNAL表示只检测外轮廓
# 2. cv2.RETR_LIST检测的轮廓不建立等级关系
# 3. cv2.RETR_CCOMP建立两个等级的轮廓，上面的一层为外边界，里面的一层为内孔的边界信息。如果内孔内还有一个连通物体，这个物体的边界也在顶层。
# 4. cv2.RETR_TREE建立一个等级树结构的轮廓。
# 第三个参数为轮廓的近似方法
# cv2.CHAIN_APPROX_NONE存储所有的轮廓点，相邻的两个点的像素位置差不超过1，即max（abs（x1-x2），abs（y2-y1））==1
# cv2.CHAIN_APPROX_SIMPLE压缩水平方向，垂直方向，对角线方向的元素，只保留该方向的终点坐标，例如一个矩形轮廓只需4个点来保存轮廓信息
# cv2.findContours()函数返回两个值，一个是轮廓本身，还有一个是每条轮廓对应的属性。
# cv2.findContours()函数返回第一个值是list，list中每个元素都是图像中的一个轮廓，用numpy中的ndarray表示。
# 每一个ndarray里保存的是轮廓上的各个点的坐标。我们把list排序，点最多的那个轮廓就是我们要找的昆虫的轮廓。
x
=
cv2.findContours(closed.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
# import pdb
# pdb.set_trace()
_a, cnts, _b
=
x
c
=
sorted
(cnts, key
=
cv2.contourArea, reverse
=
True
)[
0
]
# OpenCV中通过cv2.drawContours在图像上绘制轮廓。
# 第一个参数是指明在哪幅图像上绘制轮廓
# 第二个参数是轮廓本身，在Python中是一个list
# 第三个参数指定绘制轮廓list中的哪条轮廓，如果是-1，则绘制其中的所有轮廓
# 第四个参数是轮廓线条的颜色
# 第五个参数是轮廓线条的粗细
# cv2.minAreaRect()函数:
# 主要求得包含点集最小面积的矩形，这个矩形是可以有偏转角度的，可以与图像的边界不平行。
# compute the rotated bounding box of the largest contour
rect
=
cv2.minAreaRect(c)
# rect = cv2.minAreaRect(cnts[1])
box
=
np.int0(cv2.boxPoints(rect))
# draw a bounding box arounded the detected barcode and display the image
cv2.drawContours(image, [box],
-
1
, (
0
,
255
,
0
),
3
)
cv2.imshow(
"Image"
, image)
cv2.imwrite(
"contoursImage2.jpg"
, image)
cv2.waitKey(
0
)
# step7：裁剪。box里保存的是绿色矩形区域四个顶点的坐标。我将按下图红色矩形所示裁剪昆虫图像。
# 找出四个顶点的x，y坐标的最大最小值。新图像的高=maxY-minY，宽=maxX-minX。
Xs
=
[i[
0
]
for
i
in
box]
Ys
=
[i[
1
]
for
i
in
box]
x1
=
min
(Xs)
x2
=
max
(Xs)
y1
=
min
(Ys)
y2
=
max
(Ys)
hight
=
y2
-
y1
width
=
x2
-
x1
cropImg
=
image[y1:y1
+
hight, x1:x1
+
width]
# show image
cv2.imshow(
"cropImg"
, cropImg)
cv2.imwrite(
"bee.jpg"
, cropImg)
cv2.waitKey()