图像处理 背景和前景_图像处理 前景 背景 - CSDN
  • 图像背景前景运算

    2018-11-11 21:54:06
    版权声明:本文为博主原创文章,未经博主允许不得转载。 ... 我们可以将一些logo图案加在其他的图像上,这和图像的按比重加法的不同之处在于按比重加法是整体的加法,要求...
    版权声明:本文为博主原创文章,未经博主允许不得转载。 https://blog.csdn.net/Bigat/article/details/80889636

    我们可以将一些logo图案加在其他的图像上,这和图像的按比重加法的不同之处在于按比重加法是整体的加法,要求比较多,而在本节内容中,则主要是提取一些特征来实现加法,实用性更强,首先来对比一下这两者的差别。

    图1 图像按比重混合(左)图像前景背景混合(右)

    实现的过程(代码网上较多,本文就不附代码)

    1. 获取前景图像的特征轮廓(logo部分)

    将前景图像转为灰度图像,然后进行二值化(确保logo与背景在灰度图中像素值差异明显,提取的效果才会好)

    1. img2gray=cv2.cvtColor(img2,cv2.COLOR_BGR2GRAY)#将图像转为灰度图
    2. ret,mask=cv2.threshold(img2gray,242,255,cv2.THRESH_BINARY)#第二个参数为阈值,第三个参数为高于阈值取值结果,第四个是阈值方法

    ret值存放的是阈值,mask存放二值图,我们希望logo部分的值为0,这样和背景图做与运算时,logo部分就会保留(为0)

    图2 logo二值化后
    2. logo二值化后与背景图做与运算

    这样做的结果就是在背景图中,logo部分的像素值均会为0

    图3 logo二值化后与背景图上的ROI区域做与运算
    3. 对logo的二值化图取反,将其与logo图做与运算

    结果就和上一步相反,logo图中的特征部分保留,其背景被消除

    图4 logo图二值化取反后与logo原图与运算
    4. 上两步的结果相加

    相加后,我们希望的结果就实现了!然后,将这一部分复制到我们原图的对应部分(ROI区域)

    图5 相加后的结果

    5. 对图像中的噪点进行滤波 

    5.1对取得logo的边缘后对其滤波(在最终相加前)

    图 6 对logo部分滤波(均值滤波,核矩阵大小为5*5)
    滤波后,图像边缘噪点要少,但图像模糊化了,在猫的眼睛部分尤其明显,采用小的核矩阵效果会好一些,但在边缘处的处理有不如前者。
    5.2 对相加后的结果滤波

    图7 相加后对图像滤波
    对比两者(相加前和相加后滤波),可以发现后者在对边缘的处理效果要好,噪点少,更加平滑。后续的可以结合其他的滤波方法,来对比效果,选择最佳的滤波方法。



    参考文献:OpenCV官方文档(中文版) for python

    展开全文
  • 简单理解:前景是你感兴趣的对象。背景却不是。 举个例子:传送带上有个...那这个螺丝钉就是图像中的前景,传送带就是图像中的背景。 机器视觉检测时,你要把螺丝钉作为前景分割出来,然后再仔细看它有没有缺陷。 ...

    简单理解:前景是你感兴趣的对象。背景却不是。
    举个例子:传送带上有个螺丝钉,你想检测它又没有缺陷。
    那这个螺丝钉就是图像中的前景,传送带就是图像中的背景。
    机器视觉检测时,你要把螺丝钉作为前景分割出来,然后再仔细看它有没有缺陷。

    展开全文
  • 目标检测 前背景分离 光流法

    前提

        运动目标的检测是计算机图像处理与图像理解领域里一个重要课题,在机器人导航、智能监控、医学图像分析、视频图像编码及传输等领域有着广泛的应用。
                                          这里写图片描述

    目标检测方法分类

      第一,已知目标的先验知识。在这种情况下检测目标有两类方法,第一类方法是用目标的先验知识训练一堆弱分类器,然后这些弱分类器一起投票来检测目标,如boosting, random forest 都是这个思路,大家熟知的adaboost人脸检测也是如此。第二类方法是根据先验知识找到目标和非目标的最佳划分线,如SVM.这两类方法各成一家,各有所长,都有着不错的表现。

      第二,未知目标的先验知识。此时不知道要检测的目标是什么,于是什么是目标就有了不同的定义。一种方法是检测场景中的显著目标,如通过一些特征表达出场景中每个像素的显著性概率,然后找到显著目标。另一种方法就是检测场景当中的运动目标了。

    经典目标检测方法

    1、背景差分法
      在检测运动目标时,如果背景是静止的,利用当前图像与预存的背景图像作差分,再利用阈值来检测运动区域的一种动态目标识别技术。
      背景差分算法适用于背景已知的情况,但难点是如何自动获得长久的静态背景模型。
      matlab中单纯的背景差分直接是函数imabsdiff(X,Y)就可以。
    2、帧差分法
      利用视频序列中连续的两帧或几帧图像的差来进行目标检测和提取。在运动的检测过程中,该方法利用时间信息,通过比较图像中若干连续帧获得对应像素点的灰度差值,如果均大于一定的阈值T2,则可以判断该位置存在运动的目标。
      较适合于动态变化场景。
    3、光流场法
      利用相邻两帧中对应像素的灰度保持原理来评估二维图像的变化。能够较好的从背景中检测到相关前景目标,甚至是运动屋里中的部分运动目标,适用于摄像机运动过程中相对运动目标的检测。
      开口问题、光流场约束方程的解的不唯一性问题。不能正确的表示实际的运动场。
            例子如下:
           1.首先在一帧图像内随机均匀选取k个点,并滤除那些邻域纹理太光滑的点,因为这些点不利于计算光流。
    这里写图片描述
           2.计算这些点与上一帧图像的光流矢量,如上右图,此时已经可以看出背景运动的大概方向了。
           这里写图片描述
           3.接下来的这一步方法因人而异了。
           2007年cvpr的一篇文章Detection and segmentation of moving objects in highly dynamic scenes的方法是把这些光流点的(x,y,dx,dy,Y,U,V)7个特征通过meanshift聚类来聚合到一起,最后形成运动目标轮廓。

    新目标检测方法

           其实写到这里想了想到底能不能叫目标检测,博主认为图像的前背景分离也是目标检测的一种(博主才疏学浅,求赐教)

    1、像素点操作
      对每个像素点进行操作,判别为前景或者背景两类。如下面的图片所示:
      这里写图片描述
    2、低秩矩阵应用
      背景建模是从拍摄的视频中分离出背景和前景。下面的例子就是将背景与前景分离开。使用的方法是RPCA的方法。
      其网址以及效果如下:
      http://perception.csl.illinois.edu/matrix-rank/introduction.html
      这里写图片描述
    3、深度学习
      FCN + denseCRF 精确分割+语义标签。图像中的前景目标检测分割做的很好,下面还能做出语义检测,判断出图中的东西属于什么。This demo is based on our ICCV 2015 paper :Conditional Random Fields as Recurrent Neural Networks,
      测试网址以及测试图像如下:
      http://www.robots.ox.ac.uk/~szheng/crfasrnndemo
      这里写图片描述


    推荐另外一篇关于神经网络改进方法的上篇内容:
    http://blog.csdn.net/u010402786/article/details/49272757
           另外附上一个深度学习未来发展趋势之一:
           “注意力模型” 在未来的发展,注意力模型的升温。一些系统,但不是全部,开始放到“注意力模型”的背景中,或者说让神经网络在完成任务的过程中试图学习在哪里放置其“注意力”。这些还不是一个正规神经网络流水线中的一部分,但是已经时不时的出现在模型中了。

    展开全文
  • 图像混合(前景+背景)【实例4】

    千次阅读 2018-07-03 11:28:50
    我们可以将一些logo图案加在其他的图像...图1 图像按比重混合(左)图像前景背景混合(右)实现的过程1. 获取前景图像的特征轮廓(logo部分)将前景图像转为灰度图像,然后进行二值化img2gray=cv2.cvtColor(img2,cv...

    我们可以将一些logo图案加在其他的图像上,这和图像的按比重加法的不同之处在于按比重加法是整体的加法,要求比较多,而在本节内容中,则主要是提取一些特征来实现加法,实用性更强,首先来对比一下这两者的差别。

    图1 图像按比重混合(左)图像前景背景混合(右)

    实现的过程(代码网上较多,本文就不附代码)

    1. 获取前景图像的特征轮廓(logo部分)

    将前景图像转为灰度图像,然后进行二值化(确保logo与背景在灰度图中像素值差异明显,提取的效果才会好)

    img2gray=cv2.cvtColor(img2,cv2.COLOR_BGR2GRAY)#将图像转为灰度图
    ret,mask=cv2.threshold(img2gray,242,255,cv2.THRESH_BINARY)#第二个参数为阈值,第三个参数为高于阈值取值结果,第四个是阈值方法

    ret值存放的是阈值,mask存放二值图,我们希望logo部分的值为0,这样和背景图做与运算时,logo部分就会保留(为0)

    图2 logo二值化后
    2. logo二值化后与背景图做与运算

    这样做的结果就是在背景图中,logo部分的像素值均会为0

    图3 logo二值化后与背景图上的ROI区域做与运算
    3. 对logo的二值化图取反,将其与logo图做与运算

    结果就和上一步相反,logo图中的特征部分保留,其背景被消除

    图4 logo图二值化取反后与logo原图与运算
    4. 上两步的结果相加

    相加后,我们希望的结果就实现了!然后,将这一部分复制到我们原图的对应部分(ROI区域)

    图5 相加后的结果

    5. 对图像中的噪点进行滤波 

    5.1对取得logo的边缘后对其滤波(在最终相加前)

    图 6 对logo部分滤波(均值滤波,核矩阵大小为5*5)
    滤波后,图像边缘噪点要少,但图像模糊化了,在猫的眼睛部分尤其明显,采用小的核矩阵效果会好一些,但在边缘处的处理有不如前者。
    5.2 对相加后的结果滤波

    图7 相加后对图像滤波
    对比两者(相加前和相加后滤波),可以发现后者在对边缘的处理效果要好,噪点少,更加平滑。后续的可以结合其他的滤波方法,来对比效果,选择最佳的滤波方法。



    参考文献:OpenCV官方文档(中文版) for python

    展开全文
  • 图像背景和前景的分离提取

    热门讨论 2020-07-30 23:32:48
    图像背景和前景的分离提取,是本人的一次作业,但是有完整的程序描述,希望大家能够喜欢
  • OpenCV python GrabCut算法提取前景背景图片 处理图片:[lena_color.jpg] 手动mask[mask.jpg] import numpy as np import cv2 import matplotlib.pyplot as plt def main(): # 1.导入图片 img_src = cv2....
  • 数字图像处理的就业前景

    万次阅读 多人点赞 2013-05-04 14:31:09
    最近版上有不少人在讨论图像处理的就业方向,似乎大部分都持悲观的态度。我想结合我今年找工作的经验谈谈我的看法。...其次,图像处理是计算机视觉视频处理的基础,掌握好了图像处理的基本知识,就业时
  • 图像处理面试方法和前景

    千次阅读 2016-05-29 16:15:40
    最近版上有不少人在讨论图像处理的就业方向,似乎大部分都持悲观的态度。我想结合我今年找工作的经验谈谈我的看法。就我看来,个人觉得图像处理的就业还是不错...其次,图像处理是计算机视觉视频处理的基础,掌握好了
  • 数字图像处理就业前景--非常详细

    万次阅读 多人点赞 2015-10-30 22:12:22
    图像处理 最近版上有不少人在讨论图像处理的就业方向,似乎大部分都持悲观的态度。我想结合我今年找工作的经验谈谈我的看法。就我看来,个人觉得图像处理的就业还是不错的。首先可以把图像看成二维、三维或者更...
  •  如题,本篇就是讲解使用opencv函数grabcut,来实现图像前景背景的分离。 函数原型  1、opencv官方介绍:opencv官方grabcut介绍  2、网上童鞋翻译解释:学习OpenCV——学习grabcut算法  3、大致内容如下: ...
  • 图像处理前景

    千次阅读 2011-03-01 17:08:00
    其次,图像处理是计算机视觉视频处理的基础,掌握 好了图像处理的基本知识,就业时就可以向这些方向发展。目前的模式识别,大部分也都是图像模式识别。在实际应用场合,采集的信息很多都是图像信息,比如指 纹、...
  • 浅谈图像处理方向的就业前景

    千次阅读 2014-04-10 21:10:19
    最近版上有不少人在讨论图像处理的就业方向,似乎大部分都持悲观的态度。我想结合我今年找工作的经验谈谈我的看法。 就我看来,个人觉得图像处理的就业还是不错的。...其次,图像处理是计算机视觉视频处理的基础
  • 图像背景分离的基本术语

    千次阅读 2018-06-12 20:36:21
    本文介绍图像处理、计算机视觉、图像前背景分离技术等领域的术语。这里给出若干相关术语及本文对这些术语的解释。1. 前背景分离(matting):也称抠图,即将图像或视频的某一感兴趣的部分从原始图像或视频中分离出来...
  • 图像处理方向的就业前景

    千次阅读 2010-09-05 21:36:00
    最近版上有不少人在讨论图像处理的就业...其次,图像处理是计算机视觉视频处理的基础,掌握好了图像处理的基本知识,就业时就可以向这些方向发展。目前的模式识别,大部分也都是图像模式识别。在实际应用场合,采集
  • 简介  如题,本篇是在前一篇的基础上进一步讲解的第三个图像背景... 本例:可以在鼠标选框完成之后,1、通过shift+鼠标右键来选择设置图像对应位置为前景。 2、通过ctrl +鼠标右键来选择设置图像对应位置为背景景。
  • 最近版上有不少人在讨论图像处理的就业方向,似乎大部分都持悲观的态度。我想结合我今年找工作的经验谈谈我的看法。  就我看来,个人觉得图像处理的就业还是不错的。...其次,图像处理是计算机视觉视频处理的
  • 浅谈数字图像处理专业的就业前景

    千次阅读 2013-12-23 18:30:54
    就我看来,个人觉得图像处理的就业还是不错的。首先可以把图像看成二维、三维或者更高维的信号,从这个意义上来说,图像处理是整个信号处理里面就业形势最好的,因为你...其次,图像处理是计算机视觉视频处理的基
1 2 3 4 5 ... 20
收藏数 24,130
精华内容 9,652
关键字:

图像处理 背景和前景