前言
作者在第一部分向大家介紹了圖像處理的基礎(chǔ)知識(shí)，第二部分介紹了圖像運(yùn)算和圖像增強(qiáng)，接下來(lái)第三部分我們將詳細(xì)講解圖像分割及圖像處理經(jīng)典案例，該部分屬于高階圖像處理知識(shí)，能進(jìn)一步加深我們的理解和實(shí)踐能力。圖像分割是將圖像分成若干具有獨(dú)特性質(zhì)的區(qū)域并提取感興趣目標(biāo)的技術(shù)和過(guò)程，它是圖像處理和圖像分析的關(guān)鍵步驟。主要分為基于閾值的分割方法、基于區(qū)域的分割方法、基于邊緣的分割方法和基于特定理論的分割方法。這篇文章將詳細(xì)講解基于顏色的圖像分割方法。

一、基于顏色的圖像分割

顏色分割是圖像處理中的一種重要技術(shù)，它可以將圖像中的不同顏色分割出來(lái)，用于目標(biāo)檢測(cè)、圖像識(shí)別等應(yīng)用場(chǎng)景。

顏色分割的算法原理比較簡(jiǎn)單，它通?；陬伾臻g的變換來(lái)實(shí)現(xiàn)。常用的顏色空間有RGB、HSV、LAB等，其中HSV顏色空間比較適合顏色分割任務(wù)。HSV顏色空間將顏色分成三個(gè)通道：色調(diào)（Hue）、飽和度（Saturation）和亮度（Value）。

• 色調(diào)：表示顏色的種類或類型，例如紅色、藍(lán)色、綠色等。
• 飽和度：表示顏色的純度，越飽和的顏色越鮮艷，反之亦然。
• 亮度：指顏色的明暗程度。在顏色中，亮度越高，顏色就越明亮；亮度越低，顏色就越暗淡。

顏色分割的基本思路是通過(guò)閾值來(lái)分割不同顏色的像素。具體地，我們可以將圖像從RGB顏色空間轉(zhuǎn)換到HSV顏色空間，然后選擇合適的閾值（通常是色調(diào)、飽和度、亮度的最大值最小值），將圖像分成黑白兩部分。

在opencv hsv顏色空間中

• 色調(diào)（Hue）的最大值是179度，最小值是0度，代表了顏色在色輪上的位置。

• 飽和度（Saturation）的最大值是255，最小值是0，代表了顏色的純度和灰度。

• 亮度（Brightness）的最大值是255，最小值是0，代表了顏色的明暗程度。

實(shí)現(xiàn)步驟
基于上述算法原理，我們可以進(jìn)行如下步驟來(lái)實(shí)現(xiàn)顏色分割：

1. 將圖像從RGB顏色空間轉(zhuǎn)換到HSV顏色空間。
2. 分別計(jì)算色調(diào)、飽和度、亮度的最大值和最小值
3. 設(shè)置閾值，將圖像分割成黑白兩部分。
4. 使用形態(tài)學(xué)操作去除噪點(diǎn)，得到最終的分割結(jié)果。

本文利用OpenCV中的cv2.inRange()函數(shù)，對(duì)圖像中目標(biāo)進(jìn)行基于顏色的分割。

mask = cv2.inRange(src, lowerb, upperb[, dst])

— src 參數(shù)是輸入圖像，可以是單通道或多通道的，數(shù)據(jù)類型為 np.uint8
— mask是輸出圖像，為單通道圖像（二值圖像），數(shù)據(jù)類型和輸入圖像相同
—lowerb 是指定的下限，類型為 Scalar，可以是單個(gè)值或者一個(gè)包含多個(gè)值的元組或列表
—upperb 是指定的上限，類型為 Scalar，可以是單個(gè)值或者一個(gè)包含多個(gè)值的元組或列表

注：
mask代表了與指定顏色范圍匹配的像素點(diǎn)的位置信息，即在指定顏色范圍內(nèi)的像素點(diǎn)在二值圖像中對(duì)應(yīng)的像素值為255，不在指定顏色范圍內(nèi)的像素點(diǎn)在二值圖像中對(duì)應(yīng)的像素值為0。因此，通過(guò)使用這個(gè)掩膜，我們可以選擇性地對(duì)圖像進(jìn)行操作，只對(duì)指定顏色范圍內(nèi)的像素點(diǎn)進(jìn)行處理，而不影響其他像素點(diǎn)

下面是基于上述算法原理實(shí)現(xiàn)簡(jiǎn)單的顏色分割代碼（掩碼自己給定范圍）：

import cv2
import numpy as np

# 讀入圖片
img = cv2.imread( "C:/Users/Administrator/Desktop/flower.png")

# 轉(zhuǎn)換顏色空間
hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)

# 定義綠色范圍
lower_green = np.array([40, 50, 50])
upper_green = np.array([90, 255, 255])

# 定義黃色范圍
lower_yellow = np.array([15, 50, 50])
upper_yellow = np.array([40, 255, 255])

# 根據(jù)顏色范圍創(chuàng)建掩碼
mask_green = cv2.inRange(hsv, lower_green, upper_green)
mask_yellow = cv2.inRange(hsv, lower_yellow, upper_yellow)

# 合并掩碼
mask = cv2.bitwise_or(mask_green, mask_yellow)

# 應(yīng)用掩碼
result = cv2.bitwise_and(img, img, mask=mask)

# 顯示結(jié)果
cv2.imshow('result', result)
cv2.waitKey(0)
cv2.destroyAllWindows()

運(yùn)行結(jié)果如圖1-1所示，圖中較好的分割出了向日葵，但草地部分也被分割了出來(lái)

以下是一些常見(jiàn)顏色的HSV大致范圍：

紅色：(0, 70, 50) - (10, 255, 255) 或者 (156, 70, 50) - (179, 255, 255)

橙色：(10, 70, 50) - (25, 255, 255)

黃色：(25, 70, 50) - (35, 255, 255)

綠色：(35, 70, 50) - (85, 255, 255)

青色：(85, 70, 50) - (100, 255, 255)

藍(lán)色：(100, 70, 50) - (130, 255, 255)

紫色：(130, 70, 50) - (170, 255, 255)

黑色： (0, 0, 0) - (180, 255, 46)

白色：(0, 0, 221) - (180, 30, 255)

灰色：(0,0,46) - (180,43,220)

二、通過(guò)觀察直方圖確定顏色取值范圍

當(dāng)要分割的顏色目標(biāo)在圖像中無(wú)較大干擾時(shí)，可以通過(guò)觀察色調(diào)（Hue）分量的直方圖來(lái)確定顏色目標(biāo)的取值范圍，以作為我們分割的界限標(biāo)準(zhǔn)。

代碼示例如下：

import cv2
import numpy as np
from matplotlib import pyplot as plt

#通過(guò)OpenCV讀取圖片信息
img = cv2.imread("C:/Users/Administrator/Desktop/scenery.jpg")
# BGR圖轉(zhuǎn)為HSV
hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
# 提取hsv中H通道數(shù)據(jù)
h = hsv[:, :, 0].ravel()
# 直方圖顯示
plt.hist(h, 180, [0, 180])
plt.show()

得到直方圖，如圖2-1所示：

根據(jù)上訴所說(shuō)的常見(jiàn)顏色的HSV范圍，直方圖中30到70部分出現(xiàn)了大量數(shù)據(jù)，由此可以確定綠色的H分量上下限為30-70，SV的界限可以根據(jù)上訴所提的HSV范圍先大致設(shè)置，具體可以在提取掩模的時(shí)候調(diào)整確定

下面通過(guò)HSV的綠色界限生成mask掩模。代碼如下：

import cv2
import numpy as np
from matplotlib import pyplot as plt

#通過(guò)OpenCV讀取圖片信息
img = cv2.imread("C:/Users/Administrator/Desktop/scenery.jpg")
hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)

# HSV 的下界限
lower_red = np.array([35,70,50])
# HSV 的上界限
upper_red = np.array([70,255,255])

# 通過(guò)上下限提取范圍內(nèi)的掩模mask
mask = cv2.inRange(hsv, lower_red, upper_red)

img =  cv2.resize(img,(500,500))
mask = cv2.resize(mask,(500,500))

cv2.imshow("img", img)
cv2.imshow("mask", mask)
cv2.waitKey(0)
cv2.destroyAllWindows()

運(yùn)行結(jié)果如圖2-2所示

可以發(fā)現(xiàn)，草地的大體輪廓已被提取出來(lái)，但在場(chǎng)地上存在許多黑點(diǎn)，這是因?yàn)榇蟛糠趾邳c(diǎn)處于暗處，我們可以通過(guò)降低V值的下限來(lái)濾除掉，在這里V值下限由原來(lái)的50調(diào)整為15

效果如下：

此時(shí)有些黑點(diǎn)已經(jīng)無(wú)法通過(guò)V的調(diào)整來(lái)去除了，我們可以采用膨脹、腐蝕等手段來(lái)消除獨(dú)立的白點(diǎn)或黑點(diǎn)。

消除黑點(diǎn)代碼如下：

import cv2
import numpy as np
from matplotlib import pyplot as plt

#通過(guò)OpenCV讀取圖片信息
img = cv2.imread("C:/Users/Administrator/Desktop/scenery.jpg")
hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)

# HSV 的下界限
lower_green = np.array([35,70,15])
# HSV 的上界限
upper_green = np.array([70,255,255])

# 通過(guò)上下限提取范圍內(nèi)的掩模mask
mask = cv2.inRange(hsv, lower_green, upper_green)

# 定義結(jié)構(gòu)元素
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 35))
# 圖像閉運(yùn)算
mask = cv2.morphologyEx(mask, cv2.MORPH_CLOSE, kernel, iterations=2)

img =  cv2.resize(img,(500,500))
mask = cv2.resize(mask,(500,500))

cv2.imshow("img", img)
cv2.imshow("mask", mask)
cv2.waitKey(0)
cv2.destroyAllWindows()

效果如圖2-3所示

可以看到黑色的點(diǎn)被消除了，然后我們?cè)偈褂胏v2.bitwise_and()把原圖與mask進(jìn)行位與摳出草地的圖片：

顏色替換

通過(guò)上面的操作我們已經(jīng)可以準(zhǔn)確的分割出我們指定的顏色了，在次基礎(chǔ)上就可以對(duì)他的顏色進(jìn)行更改了，比如改成黃色，這個(gè)同樣也是要在HSV顏色空間操作的，不過(guò)這次就不需要對(duì)mask進(jìn)行閉運(yùn)算了。

在這里使用createTrackbar函數(shù)對(duì)hsv進(jìn)行進(jìn)行調(diào)整

cv2.createTrackbar(trackbarName, windowName, value, count, onChange)

• trackbarName：可拖動(dòng)條的名稱，字符串類型。
• windowName：可拖動(dòng)條所在的窗口名稱，字符串類型。
• value：可拖動(dòng)條的默認(rèn)值，整型。
• count：可拖動(dòng)條的最大值，整型。
• onChange：當(dāng)可拖動(dòng)條的值發(fā)生變化時(shí)調(diào)用的回調(diào)函數(shù)，函數(shù)類型。

代碼如下：

import cv2
import numpy as np

def nothing(x):
    pass
#通過(guò)OpenCV讀取圖片信息
img = cv2.imread("C:/Users/Administrator/Desktop/scenery.jpg")

img = cv2.resize(img,(500,500))
cv2.namedWindow('img',cv2.WINDOW_NORMAL)
cv2.imshow("img", img)

# HSV 的下界限
lower_green = np.array([35,70,15])
# HSV 的上界限
upper_green = np.array([70,255,255])

cv2.namedWindow('img2',cv2.WINDOW_NORMAL)

cv2.createTrackbar('H','img2',140,180,nothing)
cv2.createTrackbar('S','img2',100,180,nothing)
cv2.createTrackbar('V','img2',117,180,nothing)
rows,cols,channels = img.shape

while(1):
    hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
    mask = cv2.inRange(hsv, lower_green, upper_green)
    #將制定像素點(diǎn)的數(shù)據(jù)設(shè)置為0, 要注意的是這三個(gè)參數(shù)對(duì)應(yīng)的值是Blue, Green, Red。
    h = cv2.getTrackbarPos('H', 'img2')
    s = cv2.getTrackbarPos('S', 'img2')
    v = cv2.getTrackbarPos('V', 'img2')
    for r in range(rows):
        for c in range(cols):
            if mask[r, c] == 255:
                hsv.itemset((r, c, 0), hsv.item(r, c, 0) -h)
                hsv.itemset((r, c, 1), hsv.item(r, c, 1) +90-s)
                hsv.itemset((r, c, 2), hsv.item(r, c, 2) +90-v)
    img2 = cv2.cvtColor(hsv, cv2.COLOR_HSV2BGR)
    #將圖像進(jìn)行輸出，使用show()也是可以顯示的。
    img = cv2.resize(img, (500, 500))
    cv2.imshow("img2", img2)
    k = cv2.waitKey(1)&0xFF
    if k == 27: #esc exit
        break

#cv2.waitKey(0)
cv2.destroyAllWindows()

三、總結(jié)

本篇博客介紹了如何使用Python與OpenCV進(jìn)行顏色分割，其中使用了HSV顏色空間和閾值分割的算法。實(shí)現(xiàn)顏色分割的步驟包括：讀取圖像文件、轉(zhuǎn)換顏色空間、計(jì)算閾值、分割圖像、去除噪點(diǎn)等。通過(guò)實(shí)例的代碼，我們可以更加深入地了解顏色分割的實(shí)現(xiàn)過(guò)程。文章來(lái)源地址http://www.zghlxwxcb.cn/news/detail-509993.html

到了這里，關(guān)于python 圖像處理——圖像分割及經(jīng)典案例篇之基于顏色的圖像分割的文章就介紹完了。如果您還想了解更多內(nèi)容，請(qǐng)?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！