您现在的位置：程式師世界 >> 編程語言 > >> 更多編程語言 >> Python

Python opencv之實現簡單的圖像處理

編輯：Python

大家好，本文將會進行簡單地介紹如何用開源且強大的第三方opencv庫來實現對圖片進行分割處理。
所需要安裝的庫有：
pip install opencv-python
pip install matplotlib
Python接口幫助文檔網址：https://docs.opencv.org/4.5.2/d6/d00/tutorial_py_root.html

圖片分割處理篇

1.加載圖片

2.對圖片做灰度處理

3.對圖片做二值化處理

3.1.自定義阈值

4.提取輪廓

5.對輪廓畫矩形框

6.分割圖片並保存

7.查看分割圖片

8.完整代碼

圖片分割處理篇

本文所用到的圖片素材：

首先，導入所用到的庫：

import cv2
import os,shutil
from matplotlib import pyplot as plt

1.加載圖片

注意：這裡在傳入圖像路徑時，路徑中不能包含有中文名，否則會報錯！！！

###1，加載圖片
filepath = './testImage.png' ###圖像路徑，注意：這裡的路徑不能包含有中文名
img = cv2.imread(filepath)
cv2.imshow('Orignal img', img) ###顯示圖片
cv2.waitKey(0) ###防止一閃而過，是一個鍵盤綁定函數（0表示按下任意鍵終止）

2.對圖片做灰度處理

###2，將彩色圖片變為灰色（進行灰度處理）
img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
cv2.imshow('img_gray', img_gray)
cv2.waitKey(0)

3.對圖片做二值化處理

thresh=220是自定義設定的阈值(通過分析print(img_gray)的圖像數據大概得到的)，像素值大於220被置成了0，小於220的被置成了255。

maxval=與 THRESH_BINARY 和 THRESH_BINARY_INV 阈值一起使用的最大值，可理解是填充色，范圍為（0～255）。

type：參數類型阈值類型（ cv2.THRESH_BINARY 大於阈值的部分被置為255，小於部分被置為0（黑白二值） cv2.THRESH_BINARY_INV 大於阈值部分被置為0，小於部分被置為255（黑白二值反轉——白黑）等其它的類型...... ）

###3，將圖片做二值化處理
'''
thresh=220是自定義設定的阈值(通過分析print(img_gray)的圖像數據大概得到的)，像素值大於220被置成了0，小於220的被置成了255
maxval=與 THRESH_BINARY 和 THRESH_BINARY_INV 阈值一起使用的最大值，可理解是填充色，范圍為（0～255）。
type：參數類型阈值類型（
cv2.THRESH_BINARY 大於阈值的部分被置為255，小於部分被置為0（黑白二值）
cv2.THRESH_BINARY_INV 大於阈值部分被置為0，小於部分被置為255（黑白二值反轉——白黑）
等其它的類型......
）
'''
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.自定義阈值

###阈值對比（全局阈值（v = 127），自適應平均阈值，自適應高斯阈值）
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 = ['原始圖像(灰度)','全局阈值（v = 127）','自適應平均阈值','自適應高斯阈值']
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繪圖時不能使用中文
plt.xticks([]), plt.yticks([])
plt.show()

4.提取輪廓

img_inv是尋找輪廓的圖像；

cv2.RETR_EXTERNAL：表示只檢索極端外部輪廓；

cv2.CHAIN_APPROX_SIMPLE：壓縮水平, 垂直和對角線方向的元素，只保留它們的端點坐標，例如，一個直立的矩形輪廓用 4 個點進行編碼。


###4，提取輪廓
'''
https://docs.opencv.org/4.5.2/d4/d73/tutorial_py_contours_begin.html
img_inv是尋找輪廓的圖像；
cv2.RETR_EXTERNAL：表示只檢索極端外部輪廓；
cv2.CHAIN_APPROX_SIMPLE：壓縮水平, 垂直和對角線方向的元素，只保留它們的端點坐標，例如，一個直立的矩形輪廓用 4 個點進行編碼。
'''
contours,hierarchy = cv2.findContours(img_inv, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
print(f'檢測出輪廓數量有：{len(contours)}個')
print('返回值為各層輪廓的索引：\n', hierarchy)

5.對輪廓畫矩形框

###5，找出每一個輪廓繪畫出的矩形位置
br = []
cntid = 0
for cnt in contours:
'''cnt表示輸入的輪廓值，x，y, w, h 分別表示外接矩形的x軸和y軸的坐標，以及矩形的w寬和h高,'''
x, y, w, h = cv2.boundingRect(cnt)
cntid += 1
print(f'檢測出第{cntid}個輪廓畫出的矩形位置為：x={x},y={y},w={w},h={h}')
br.append(cv2.boundingRect(cnt))
'''img表示輸入的需要畫的圖片(這裡就是在原圖上繪制輪廓)，cnt表示輸入的輪廓值，-1表示contours中輪廓的索引(這裡繪制所有的輪廓)，(0, 0, 255)表示rgb顏色——紅色，2表示線條粗細'''
cv2.drawContours(img, [cnt], -1, (0, 0, 255), 2)
cv2.imshow('cnt', img)
cv2.waitKey(0)
br.sort() ###將列表中的每一個元組裡面的進行升序排序（這裡其實想的是按照對應的x軸坐標進行升序）

對每個字符畫輪廓的過程（順序從右到左畫，期間也有可能斷續，如下圖）。

6.分割圖片並保存

###6，分割圖片並保存（這裡對前面處理過的二值化圖片數據（img_inv）進行分割）
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] ###這樣分割感覺好看些
cv2.imshow('split_image', split_image)
cv2.waitKey(0)
save_filepath = './imageSplit/'
filename = f'{x}.jpg' ###這裡由每張圖片對應的x軸坐標命名
cv2.imwrite(save_filepath + filename, split_image)
print(f'\033[31m{filename}圖片分割完畢！\033[0m')

這裡是對前面處理過的二值化圖片數據（img_inv）進行一個一個字符分割展示的過程。

這裡是這行代碼的意思，下面的圖是手動繪制的，太丑了，哈哈哈！！！

# split_image = img_inv[y:y + h, x:x + w]

7.查看分割圖片

最後，我們在pyplot上來查看我們分割圖片後的效果，也就終於完成了。

###7，用pyplot來查看我們分割完成後的圖片
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.完整代碼

import cv2
import os,shutil
from matplotlib import pyplot as plt
'''
這是使用文檔網址:https://docs.opencv.org/4.5.2/index.html
這是提供的Python接口教程網址：https://docs.opencv.org/4.5.2/d6/d00/tutorial_py_root.html
'''
def imageSplit():
###1，加載圖片
filepath = './testImage.png' ###圖像路徑，注意：這裡的路徑不能包含有中文名
img = cv2.imread(filepath)
cv2.imshow('Orignal img', img) ###顯示圖片
cv2.waitKey(0) ###防止一閃而過，是一個鍵盤綁定函數（0表示按下任意鍵終止）
###2，將彩色圖片變為灰色（進行灰度處理）
img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
cv2.imshow('img_gray', img_gray)
cv2.waitKey(0)
###3，將圖片做二值化處理
'''
thresh=220是自定義設定的阈值(通過分析print(img_gray)的圖像數據大概得到的)，像素值大於220被置成了0，小於220的被置成了255
maxval=與 THRESH_BINARY 和 THRESH_BINARY_INV 阈值一起使用的最大值，可理解是填充色，范圍為（0～255）。
type：參數類型阈值類型（
cv2.THRESH_BINARY 大於阈值的部分被置為255，小於部分被置為0（黑白二值）
cv2.THRESH_BINARY_INV 大於阈值部分被置為0，小於部分被置為255（黑白二值反轉——白黑）
等其它的類型......
）
'''
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，提取輪廓
'''
https://docs.opencv.org/4.5.2/d4/d73/tutorial_py_contours_begin.html
img_inv是尋找輪廓的圖像；
cv2.RETR_EXTERNAL：表示只檢索極端外部輪廓；
cv2.CHAIN_APPROX_SIMPLE：壓縮水平, 垂直和對角線方向的元素，只保留它們的端點坐標，例如，一個直立的矩形輪廓用 4 個點進行編碼。
'''
contours,hierarchy = cv2.findContours(img_inv, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
print(f'檢測出輪廓數量有：{len(contours)}個')
print('返回值為各層輪廓的索引：\n', hierarchy)
###5，找出每一個輪廓繪畫出的矩形位置
br = []
cntid = 0
for cnt in contours:
'''cnt表示輸入的輪廓值，x，y, w, h 分別表示外接矩形的x軸和y軸的坐標，以及矩形的w寬和h高,'''
x, y, w, h = cv2.boundingRect(cnt)
cntid += 1
print(f'檢測出第{cntid}個輪廓畫出的矩形位置為：x={x},y={y},w={w},h={h}')
br.append(cv2.boundingRect(cnt))
'''img表示輸入的需要畫的圖片(這裡就是在原圖上繪制輪廓)，cnt表示輸入的輪廓值，-1表示contours中輪廓的索引(這裡繪制所有的輪廓)，(0, 0, 255)表示rgb顏色——紅色，2表示線條粗細'''
cv2.drawContours(img, [cnt], -1, (0, 0, 255), 2)
cv2.imshow('cnt', img)
cv2.waitKey(0)
br.sort() ###將列表中的每一個元組裡面的進行升序排序（這裡其實想的是按照對應的x軸坐標進行升序）
###6，分割圖片並保存（這裡對前面處理過的二值化圖片數據（img_inv）進行分割）
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] ###這樣分割感覺好看些
cv2.imshow('split_image', split_image)
cv2.waitKey(0)
save_filepath = './imageSplit/'
filename = f'{x}.jpg' ###這裡由每張圖片對應的x軸坐標命名
cv2.imwrite(save_filepath + filename, split_image)
print(f'\033[31m{filename}圖片分割完畢！\033[0m')
cv2.destroyAllWindows() ###刪除所有窗口
###7，用pyplot來查看我們分割完成後的圖片
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！！！')
###阈值對比（全局阈值（v = 127），自適應平均阈值，自適應高斯阈值）
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 = ['原始圖像(灰度)','全局阈值（v = 127）','自適應平均阈值','自適應高斯阈值']
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繪圖時不能使用中文
plt.xticks([]), plt.yticks([])
plt.show()
if __name__ == '__main__':
imageSplit()
###阈值對比
# threshContrast()