使用OpenCV分割彩色图像

使用OpenCV分割彩色图像

算法原理

  1. 色彩空间转换

使用cv.cvtColor 函数将输入的图像从BGR(蓝绿红)色彩空间转换到HSV色彩空间。HSV色彩空间是一种更符合人眼对颜色感知的模型,其中H(Hue)表示色调,S(Saturation)表示饱和度,V(Value)表示亮度。

  1. 定义颜色范围

在HSV色彩空间中,通过设定色调(H)、饱和度(S)和亮度(V)的上下限来定义一个颜色范围。在这个例子中,设定的是蓝色的范围。lower_hsv和upper_hsv两个数组分别表示蓝色范围的下限和上限

  1. 二值化转换

使用cv.inRange函数将HSV图像二值化。这个函数会遍历图像的每一个像素,检查其HSV值是否在lower_hsv和upper_hsv定义的范围内。如果在范围内,则该像素的值为255(白色),否则为0(黑色)。这样就得到了一个只包含目标颜色(蓝色)的二值化图像,通常被称为掩码(mask)。

  1. 提取颜色部分

使用cv.bitwise_and函数将二值化掩码与原始BGR图像进行"与"操作。这个操作会将原始图像中不在蓝色范围内的部分(即掩码为黑色的部分)设置为黑色,而在蓝色范围内的部分(即掩码为白色的部分)保持不变。这样就得到了一个只包含蓝色部分的图像。

效果

原图:

进行分割后的图:

代码

python 复制代码
import cv2 as cv
import numpy as np


def color_seperate(image):
    hsv = cv.cvtColor(image, cv.COLOR_BGR2HSV)  # 对目标图像进行色彩空间转换
    lower_hsv = np.array([100, 43, 46])  # 设定蓝色下限
    upper_hsv = np.array([124, 255, 255])  # 设定蓝色上限

    # 依据设定的上下限对目标图像进行二值化转换
    mask = cv.inRange(hsv, lowerb=lower_hsv, upperb=upper_hsv)

    # 将二值化图像与原图进行"与"操作;实际是提取蓝色部分
    dst = cv.bitwise_and(image, image, mask=mask)  # 注意:这里将src替换为image

    return dst


# 导入目标图像,获取图像信息
src = cv.imread('blue_1.jpeg')
if src is not None:  # 确保图像被正确读取
    # 调用函数并显示结果
    dst = color_seperate(src)
    cv.imshow('image', src)  # 显示原始图像
    cv.imshow('result', dst)  # 显示处理后的图像
    cv.waitKey(0)  # 等待按键
    cv.destroyAllWindows()  # 销毁所有窗口
else:
    print("Error: Unable to load image.")
相关推荐
deephub2 分钟前
使用 PyTorch-BigGraph 构建和部署大规模图嵌入的完整教程
人工智能·pytorch·深度学习·图嵌入
deephub34 分钟前
优化注意力层提升 Transformer 模型效率:通过改进注意力机制降低机器学习成本
人工智能·深度学习·transformer·大语言模型·注意力机制
搏博1 小时前
神经网络问题之二:梯度爆炸(Gradient Explosion)
人工智能·深度学习·神经网络
KGback1 小时前
【论文解析】HAQ: Hardware-Aware Automated Quantization With Mixed Precision
人工智能
电子手信1 小时前
知识中台在多语言客户中的应用
大数据·人工智能·自然语言处理·数据挖掘·知识图谱
不高明的骗子1 小时前
【深度学习之一】2024最新pytorch+cuda+cudnn下载安装搭建开发环境
人工智能·pytorch·深度学习·cuda
Chef_Chen1 小时前
从0开始学习机器学习--Day33--机器学习阶段总结
人工智能·学习·机器学习
搏博1 小时前
神经网络问题之:梯度不稳定
人工智能·深度学习·神经网络
GL_Rain1 小时前
【OpenCV】Could NOT find TIFF (missing: TIFF_LIBRARY TIFF_INCLUDE_DIR)
人工智能·opencv·计算机视觉
shansjqun2 小时前
教学内容全覆盖:航拍杂草检测与分类
人工智能·分类·数据挖掘