基于OpenCV的區(qū)域分割、輪廓檢測和閾值處理
點擊上方“小白學(xué)視覺”，選擇加"星標"或“置頂”
重磅干貨，第一時間送達
OpenCV是一個巨大的開源庫，廣泛用于計算機視覺，人工智能和圖像處理領(lǐng)域。它在現(xiàn)實世界中的典型應(yīng)用是人臉識別，物體檢測，人類活動識別，物體跟蹤等。
現(xiàn)在，假設(shè)我們只需要從整個輸入幀中檢測到一個對象。因此，代替處理整個框架，如果可以在框架中定義一個子區(qū)域并將其視為要應(yīng)用處理的新框架，該怎么辦。我們要完成一下三個步驟：
? 定義興趣區(qū)
? 在ROI中檢測輪廓
? 閾值檢測輪廓輪廓線
什么是ROI？
簡而言之，我們感興趣的對象所在的幀內(nèi)的子區(qū)域稱為感興趣區(qū)域（ROI）。
我們?nèi)绾味xROI？
在輸入幀中定義ROI的過程稱為ROI分割。
在“ ROI細分”中，（此處）我們選擇框架中的特定區(qū)域，并以矩形方法提供其尺寸，以便它將在框架上繪制矩形的ROI。
（輸出）藍色矩形覆蓋的區(qū)域是我們的投資回報率
現(xiàn)在，如果您也想綁定感興趣的對象，那么我們可以通過在ROI中找到輪廓來實現(xiàn)。
什么是輪廓？
輪廓線是?表示或說是限制對象形狀的輪廓。
如何在框架中找到輪廓？
對我而言，在將ROI框架設(shè)為閾值后，找到輪廓效果最佳。因此，要找到輪廓，手上的問題是-
什么是閾值？
閾值不過是圖像分割的一種簡單形式。這是將灰度或rgb圖像轉(zhuǎn)換為二進制圖像的過程。例如
（這是RGB幀）
（這是二進制閾值幀）
因此，在對rgb幀進行閾值處理后，程序很容易找到輪廓，因為由于ROI中感興趣對象的顏色將是黑色（在簡單的二進制脫粒中）或白色（在如上所述的反向二進制脫粒中），因此分割（將背景與前景即我們的對象分開）將很容易完成。
在對框架進行閾值處理并檢測到輪廓之后，我們應(yīng)用凸包技術(shù)對圍繞對象點的緊密擬合凸邊界進行設(shè)置。實施此步驟后，框架應(yīng)如下所示-
我們可以做的另一件事是，我們可以遮蓋ROI以僅顯示被檢測到的輪廓本身覆蓋的對象。再次-
什么是圖像MASK？
圖像MASK是隱藏圖像的某些部分并顯示某些部分的過程。這是圖像編輯的非破壞性過程。在大多數(shù)情況下，它使您可以在以后根據(jù)需要調(diào)整和調(diào)整遮罩。通常，它是一種有效且更具創(chuàng)意的圖像處理方式。
因此，基本上在這里我們將掩蓋ROI的背景。為此，首先我們將修復(fù)ROI的背景。然后，在固定背景之后，我們將從框架中減去背景，并用wewant背景（這里是一個簡單的黑色框架）替換它。
實施上述技術(shù)，我們應(yīng)該得到如下輸出：
（背景被遮罩以僅捕獲對象）
這是所說明技術(shù)的理想實現(xiàn)的完整代碼。
import cv2import numpy as npimport copyimport mathx=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 captureddef removeBG(frame): #Subtracting the backgroundfgmask = 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 filterframe = cv2.flip(frame, 1) # flip the frame horizontallycv2.rectangle(frame, (int(x * frame.shape[1]), 0),(frame.shape[1], int(y * frame.shape[0])), (255, 0, 0), 2) #drawing ROIcv2.imshow('original', frame)# Main operationif isBgCaptured == 1: # this part wont run until background capturedimg = removeBG(frame)img = img[0:int(y * frame.shape[0]),int(x * frame.shape[1]):frame.shape[1]] # clip the ROIcv2.imshow('mask', img)# convert the image into binary imagegray = 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 framecv2.imshow('ori', thresh)# get the coutoursthresh1 = copy.deepcopy(thresh)contours, hierarchy = cv2.findContours(thresh1, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE) #detecting contourslength = len(contours)maxArea = -1if 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 = areaci = ires = contours[ci]hull = cv2.convexHull(res) #applying convex hull techniquedrawing = np.zeros(img.shape, np.uint8)cv2.drawContours(drawing, [res], 0, (0, 255, 0), 2) #drawing contourscv2.drawContours(drawing, [hull], 0, (0, 0, 255), 3) #drawing convex hullcv2.imshow('output', drawing)# Keyboard OPk = cv2.waitKey(10)if k == 27:camera.release()cv2.destroyAllWindows()breakelif k == ord('b'): # press 'b' to capture the backgroundbgModel = cv2.createBackgroundSubtractorMOG2(0, bgSubThreshold)isBgCaptured = 1print( 'Background Captured')elif k == ord('r'): # press 'r' to reset the backgroundbgModel = NoneisBgCaptured = 0print ('Reset BackGround')