Python 基于OpenCV的轮廓识别

我有一个图像中的对象集合。 检查示例输入图像

我想找出每个物体的轮廓。 我遵循以下方法使用OpenCV2识别轮廓

gray = cv2.cvtColor(input_image, cv2.COLOR_BGR2GRAY)
gray = cv2.GaussianBlur(gray, (7, 7), 0)
edged = cv2.Canny(gray, 50, 100)
dilate= cv2.dilate(edged, None, iterations=1)
erode= cv2.erode(dilate, None, iterations=1)
cnts = cv2.findContours(erode, cv2.RETR_EXTERNAL,
        cv2.CHAIN_APPROX_SIMPLE)

这是我得到的上述代码的轮廓输出：

---

有没有更好的方法来识别图像中的物体

您错过了代码片段中的一个简单步骤，

cv2.findContours（）

对二进制图像效果最好，但您只是将灰度图像传递给

cv2.findContours

。我按照以下步骤从背景中分割出苹果：

第一步：分割出主要包含灰度像素的背景。 您可以在此处使用HSV颜色域，其中低饱和度值将使背景分割为：

img_hsv = cv2.cvtColor(img_bgr, cv2.COLOR_BGR2HSV_FULL)

# Filter out low saturation values, which means gray-scale pixels(majorly in background)
bgd_mask = cv2.inRange(img_hsv, np.array([0, 0, 0]), np.array([255, 30, 255]))

步骤2：对于沥青黑色像素，饱和度值是突然的，因此我们分割了极端的黑色和白色像素：

步骤3：合并这些掩码以获得

cv2的最终掩码。findContours

：

第四步：现在，为了填补空洞，我们腐蚀并放大图像：

第5步：使用

cv2.findContours（）

获取轮廓，并在区域上对其进行过滤，以删除较小的轮廓： 步骤6：显示最终轮廓

以下是完整的代码片段：

import cv2
import numpy as np

img_bgr = cv2.imread("/home/anmol/Downloads/tWuTW.jpg")
img_hsv = cv2.cvtColor(img_bgr, cv2.COLOR_BGR2HSV_FULL)

# Filter out low saturation values, which means gray-scale pixels(majorly in background)
bgd_mask = cv2.inRange(img_hsv, np.array([0, 0, 0]), np.array([255, 30, 255]))

# Get a mask for pitch black pixel values
black_pixels_mask = cv2.inRange(img_bgr, np.array([0, 0, 0]), np.array([70, 70, 70]))

# Get the mask for extreme white pixels.
white_pixels_mask = cv2.inRange(img_bgr, np.array([230, 230, 230]), np.array([255, 255, 255]))

final_mask = cv2.max(bgd_mask, black_pixels_mask)
final_mask = cv2.min(final_mask, ~white_pixels_mask)
final_mask = ~final_mask

final_mask = cv2.erode(final_mask, np.ones((3, 3), dtype=np.uint8))
final_mask = cv2.dilate(final_mask, np.ones((5, 5), dtype=np.uint8))

# Now you can finally find contours.
im, contours, hierarchy = cv2.findContours(final_mask.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)

final_contours = []
for contour in contours:
    area = cv2.contourArea(contour)
    if area > 2000:
        final_contours.append(contour)


for i in xrange(len(final_contours)):
    img_bgr = cv2.drawContours(img_bgr, final_contours, i, np.array([50, 250, 50]), 4)


debug_img = img_bgr
debug_img = cv2.resize(debug_img, None, fx=0.3, fy=0.3)
cv2.imwrite("./out.png", debug_img)

---

您可以尝试选择与apple“sure interior”相似的超级像素，并拒绝与apple“sure exterior”相似的超级像素，您可以通过一些预处理和阈值粗略检测这些像素。自动化的方式是。为了获得更好的质量，搜索用于对象语义分割的神经网络。例如，在我早期的一个项目中，我编写了一个应用程序，在该应用程序中，我可以使用鼠标手动选择/取消选择超级像素来修复错误的超级像素分割，并保存生成的二进制掩码。在我有了大约一百个基本事实示例（图像和二进制掩码）之后，我用图像作为输入，掩码作为输出，训练了pip2pix神经网络。这是一个很棒的方法+谢谢你的回答。我已经检查了另一张图像，但是轮廓检测不好。你能帮忙吗？对于参考，请检查输入和输出图像：我刚刚为您提供了一个起点，显然，您需要对许多不同的图像进行实验，以获得此脚本的一些通用值，我只调整了给定图像的值。您可以从这里获取概念，并根据需要调整值。主要的收获是：因为你的背景是黑色的，所以试着先把它分割出来，而不是把苹果分割出来。您也可以尝试其他颜色域，如YCrCb、LAB等。谢谢您的建议。我会尝试其他方法。

final_mask = cv2.max(bgd_mask, black_pixels_mask)
final_mask = cv2.min(final_mask, ~white_pixels_mask)
final_mask = ~final_mask

final_mask = cv2.erode(final_mask, np.ones((3, 3), dtype=np.uint8))
final_mask = cv2.dilate(final_mask, np.ones((5, 5), dtype=np.uint8))

# Now you can finally find contours.
im, contours, hierarchy = cv2.findContours(final_mask.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)

final_contours = []
for contour in contours:
    area = cv2.contourArea(contour)
    if area > 2000:
        final_contours.append(contour)

import cv2
import numpy as np

img_bgr = cv2.imread("/home/anmol/Downloads/tWuTW.jpg")
img_hsv = cv2.cvtColor(img_bgr, cv2.COLOR_BGR2HSV_FULL)

# Filter out low saturation values, which means gray-scale pixels(majorly in background)
bgd_mask = cv2.inRange(img_hsv, np.array([0, 0, 0]), np.array([255, 30, 255]))

# Get a mask for pitch black pixel values
black_pixels_mask = cv2.inRange(img_bgr, np.array([0, 0, 0]), np.array([70, 70, 70]))

# Get the mask for extreme white pixels.
white_pixels_mask = cv2.inRange(img_bgr, np.array([230, 230, 230]), np.array([255, 255, 255]))

final_mask = cv2.max(bgd_mask, black_pixels_mask)
final_mask = cv2.min(final_mask, ~white_pixels_mask)
final_mask = ~final_mask

final_mask = cv2.erode(final_mask, np.ones((3, 3), dtype=np.uint8))
final_mask = cv2.dilate(final_mask, np.ones((5, 5), dtype=np.uint8))

# Now you can finally find contours.
im, contours, hierarchy = cv2.findContours(final_mask.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)

final_contours = []
for contour in contours:
    area = cv2.contourArea(contour)
    if area > 2000:
        final_contours.append(contour)


for i in xrange(len(final_contours)):
    img_bgr = cv2.drawContours(img_bgr, final_contours, i, np.array([50, 250, 50]), 4)


debug_img = img_bgr
debug_img = cv2.resize(debug_img, None, fx=0.3, fy=0.3)
cv2.imwrite("./out.png", debug_img)