前言
所需要安装的库有:
pip install opencv-python
pip install matplotlib
Python接口帮助文档网址:https://docs.opencv.org/4.5.2/d6/d00/tutorial_py_root.html
本文所用到的图片素材:
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, th1 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_BINARY) th2 = cv2.adaptiveThreshold(img_gray, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 11, 2) th3 = 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, th1, th2, th3] 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, th1 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_BINARY) th2 = cv2.adaptiveThreshold(img_gray, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 11, 2) th3 = 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, th1, th2, th3] 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()
到此这篇关于Python 第三方opencv库实现图像分割处理的文章就介绍到这了,更多相关python图片处理内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家!