计算机视觉图像识别16.1-停车位识别的图像预处理

本章节完成停车场监控视频中停车位实时情况的动态识别。

首先,来做图像的预处理。

下面的两张图片是从一段停车场监控中截取的视频截图:

首先,我们来定义函数select_rgb_white_yellow,用于从函数中提取白色和黄色区域,并把处理后的图像进行返回。

设置颜色范围:lower 表示最低 RGB 值 [120,120,120],upper 表示最高 RGB 值 [255,255,255]。

使用 cv2.inRange 创建一个白色掩码 white_mask,筛选出图像中在指定 RGB 范围内的像素。

调用 self.cv_show 显示白色掩码图像。

使用 cv2.bitwise_and 将原始图像与白色掩码结合,生成仅包含白色区域的图像 masked。

调用 self.cv_show 显示处理后的图像。
登录后复制

plain 复制代码
def select_rgb_white_yellow(self,image):
        lower = np.array([120,120,120])
        upper = np.array([255,255,255])
        white_mask = cv2.inRange(image,lower,upper)
        self.cv_show('white_mask',white_mask)

        masked = cv2.bitwise_and(image,image,mask=white_mask)
        self.cv_show('masked',masked)
        return masked

然后进行停车场图像的轮廓提取。
登录后复制

plain 复制代码
def convert_gray_scale(self,image):
        return cv2.cvtColor(image,cv2.COLOR_BGR2GRAY)

    def detect_edges(self,image,low_threshold=50,high_threshold=200):
        return cv2.Canny(image,low_threshold,high_threshold)

通过以下方式调用:
登录后复制

plain 复制代码
gray_images = list(map(park.convert_gray_scale,white_yellow_images))
    park.show_img(gray_images)

    edge_images = list(map(lambda image:park.detect_edges(image),gray_images))
    park.show_img(edge_images)

接下来,把关注重心放在停车场区域,无关紧要的范围进行删除。

大致标定停车场轮廓角点:
登录后复制

plain 复制代码
def select_region(self, image):
        # first, define the polygon by vertices
        rows, cols = image.shape[:2]
        pt_1 = [cols * 0.05, rows * 0.90]
        pt_2 = [cols * 0.05, rows * 0.70]
        pt_3 = [cols * 0.30, rows * 0.55]
        pt_4 = [cols * 0.6, rows * 0.15]
        pt_5 = [cols * 0.90, rows * 0.15]
        pt_6 = [cols * 0.90, rows * 0.90]

        vertices = np.array([[pt_1, pt_2, pt_3, pt_4, pt_5, pt_6]], dtype=np.int32)
        point_img = image.copy()
        point_img = cv2.cvtColor(point_img, cv2.COLOR_GRAY2RGB)
        for point in vertices[0]:
            cv2.circle(point_img, (point[0], point[1]), 10, (0, 0, 255), 4)
        self.cv_show('point_img', point_img)

        return self.filter_region(image, vertices)

把无关区域剪除掉:
登录后复制

plain 复制代码
def filter_region(self, image, vertices):
        mask = np.zeros_like(image)
        if len(mask.shape) ==2:
            cv2.fillPoly(mask, vertices, 255)
            self.cv_show('mask', mask)
        return cv2.bitwise_and(image, mask)

调用方法:
登录后复制

plain 复制代码
roi_images = list(map(park.select_region,edge_images))
park.show_img(roi_images)

调用结果:

相关推荐
汤姆yu1 分钟前
基于图像识别与分类的中国蛇类识别系统
人工智能·分类·数据挖掘·图像识别
Yzxs00911 分钟前
【8月优质EI会议合集|高录用|EI检索稳定】计算机、光学、通信技术、电子、建模、数学、通信工程...
大数据·人工智能·算法·计算机视觉·信息与通信
汉唐明月32 分钟前
模型蒸馏:使用bert-base-uncased模型蒸馏出distilbert-base-uncased
人工智能·机器学习
CV遥感视觉笔记33 分钟前
从0搭建YOLO目标检测系统:实战项目+完整流程+界面开发(附源码)
人工智能·yolo·目标检测
热心网友俣先生34 分钟前
2025年AI+数模竞赛培训意见征集-最后一轮
人工智能·数学建模
居然JuRan39 分钟前
LightRAG:大模型时代的低成本检索利器
人工智能
POLOAPI1 小时前
Claude Code深度操作指南:从零到专家的AI编程助手实战
人工智能
JustNow_Man1 小时前
【LLM】 BaseModel的作用
数据库·人工智能·python·uv
hans汉斯1 小时前
【建模与仿真】二阶邻居节点信息驱动的节点重要性排序算法
人工智能·python·算法·分类·数据挖掘·排序算法·xca
小王爱学人工智能1 小时前
快速了解机器学习
人工智能·机器学习