精华内容
下载资源
问答
  • 图像目标分割与提取

    2021-03-31 15:10:11
    彩色图像中目标的分割与提取。 实验要求 1)彩色图像的色彩模型,各通道的读取与显示,色彩模型转换; 2)彩色图像分割; 3)彩色图像目标提取。 实验步骤 1) 读入一幅彩色图像I1,读取RGB、HSI色彩模型的各通道...

    图像目标分割与提取

    实验目的

    彩色图像中目标的分割与提取。

    实验要求

    1)彩色图像的色彩模型,各通道的读取与显示,色彩模型转换;
    2)彩色图像分割;
    3)彩色图像目标提取。

    实验步骤

    1) 读入一幅彩色图像I1,读取RGB、HSI色彩模型的各通道图像,并显示;
    2) 对彩色图像I1图进行目标分割,并显示结果;
    3) 对彩色图像I1进行目标提取,并显示结果。

    RGB = imread('D:\桌面\图像处理\实验\1.jpg');
    R = RGB(:,:,1);
    G = RGB(:,:,2);
    B = RGB(:,:,3);
    figure(1);
    subplot(2,2,1);
    imshow(RGB);title('RGB');
    subplot(2,2,2);
    imshow(R);title('R');
    subplot(2,2,3);
    imshow(G);title('G');
    subplot(2,2,4);
    imshow(B);title('B');
    
    rgb = im2double(RGB);
    r = rgb(:, :, 1);
    g = rgb(:, :, 2);
    b = rgb(:, :, 3);
    % 执行转换方程
    num = 0.5*((r - g) + (r - b));
    den = sqrt((r - g).^2 + (r - b).*(g - b));
    theta = acos(num./(den + eps)); %防止除数为0
    H = theta;
    H(b > g) = 2*pi - H(b > g);
    H = H/(2*pi);
    num = min(min(r, g), b);
    den = r + g + b;
    den(den == 0) = eps; %防止除数为0
    S = 1 - 3.* num./den;
    H(S == 0) = 0;
    I = (r + g + b)/3;
    %3个分量联合成为一个HSI图像
    hsi = cat(3, H, S, I);
    h = hsi(:,:,1);
    s = hsi(:,:,2);
    i = hsi(:,:,3);
    figure(2);
    subplot(2,2,1);
    imshow(hsi);title('HSI');
    subplot(2,2,2);
    imshow(h);title('H');
    subplot(2,2,3);
    imshow(s);title('S');
    subplot(2,2,4);
    imshow(i);title('I');
    
    img = im2bw(RGB);
    img = not(img);
    figure,imshow(img);
    
    
    [B,L] = bwboundaries(img);
    figure,imshow(img);
    hold on;
    for k = 1:length(B)
        boundary = B{k};
        plot(boundary(:,2),boundary(:,1),'g','LineWidth',2);
    end
    
    

    结果

    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述

    参考

    https://blog.csdn.net/HXG2006/article/details/80407784

    展开全文
  • 适用场景:有明显颜色差异,或背景与目标颜色相差较大时,可通过强化某通道颜色来提取目标。 3.基于差分的目标提取方法 操作方法:背景差分,帧间差分等 适用场景:运动目标的提取;背景差分局限于摄像机固定不变且...

    图像处理之目标提取

    1.基于阈值的提取方法
    操作方法:二值化、直方图等
    适用场景:直方图呈现双峰一谷的情况;即只含有目标与 背景两类灰度等级,且灰度值差距比较大的情况。
    2.基于颜色的提取方法
    操作方法:RGB空间、HSI空间分离通道、颜色差分均值阈值。根据情况组合各颜色通道。
    适用场景:有明显颜色差异,或背景与目标颜色相差较大时,可通过强化某通道颜色来提取目标。
    3.基于差分的目标提取方法
    操作方法:背景差分,帧间差分等
    适用场景:运动目标的提取;背景差分局限于摄像机固定不变且背景无光照变化。

    展开全文
  • 一、提取纸张的内容一张照片的感兴趣区域总是沿着x,y,z三个轴都有一定倾斜(如下图),要想把照片翻转到平行位置,需要进行透视变换,而透视变换需要同一像素点变换前后的坐标。由此可以想到,提取矩形区域四个角...

    一、提取纸张中的内容

    一张照片中的感兴趣区域总是沿着x,y,z三个轴都有一定倾斜(如下图),要想把照片翻转到平行位置,需要进行透视变换,而透视变换需要同一像素点变换前后的坐标。由此可以想到,提取矩形区域四个角的坐标作为变换前的坐标,变换后的坐标可以设为照片的四个角落,经过投影变换,矩形区域将会翻转并充满图像。

    因此我们要解决的问题变为:提取矩形的四个角落、进行透视变换。

    提取矩形角落坐标

    矩形的检测主要是提取边缘,图片显示部分的亮度通常高于周围环境,我们可以将图片阈值化,将图片部分与周围环境明显的分别开来,这对后边的边缘检测非常有帮助。

    检测矩形并提取坐标需要对图像进行预处理、边缘检测、提取轮廓、检测凸包、角点检测。

    1、预处理转为灰度图

    由于手机拍摄的照片像素可能会很高,为了加快处理速度,我们首先将图像转化为灰度图

    image = cv2.imread(Config.src)

    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

    srcWidth, srcHeight, channels = image.shape

    print(srcWidth, srcHeight)

    2、中值滤波

    binary = cv2.medianBlur(gray,7)

    3、转化为二值图像

    ret, binary = cv2.threshold(binary, Config.threshold_thresh, 255, cv2.THRESH_BINARY)

    cv2.imwrite('1-threshold.png', binary, [int(cv2.IMWRITE_PNG_COMPRESSION), 9])

    此时图片已经变成了这个样子:

    可见纸张页面部分已经与背景环境分离开来。

    4、边缘检测与轮廓处理

    我们用Canny算子边缘检测,提取轮廓

    # canny提取轮廓binary = cv2.Canny(binary, 0, 60, apertureSize = 3)cv2.imwrite('3-canny.png', binary, [int(cv2.IMWRITE_PNG_COMPRESSION), 9])

    5、提取面积最大的轮廓并用多边形将轮廓包围

    模板识别:使用OpenCV实现基于特征的图像对齐

    中文简历表格提取,手写汉字识别(Python+OpenCV)

    票据图片复杂表格框识别(票据单元格切割)

    二、使用Python和OpenCV检测和标记湖面轮廓

    我们将使用OpenCV探测地图中湖面的轮廓,并标记面积最大的湖面。

    通过OpenCV提供的cv2.imread可以读入原始图片,读入的图片被表示成一个三维数组的结构,可以通过数组下标访问每一个点的颜色信息。

    图片中面区域的RGB颜色为[170,218,255],我们只需要在图片上检查具有这种颜色的区域,这里我们允许正负10的偏差。另外注意,在OpenCV颜色表示的顺序稍有不同,OpenCV采用的BGR顺序。

    OpenCV提供了cv2.inRange函数,这个函数对图片进行二值化处理,将不在阀值范围内的点变换为黑色点[0,0,0],处于范围内的点变换为白色点[255,255,255]。

    上面的代码中,cv2.inRange函数处理后图片后,调用cv2.imshow显示处理后的二值化图片:

    OpenCV提供了cv2.findContours()函数提取二值化图像的轮廓。对上面生成图片上执行这个函数就可以返回该图片的区域轮廓。由于执行该函数时会直接修改图像,因此我们复制一份图像之传给cv2.findContours();同时,OpenCV提供了cv2.drawContour()函数绘可以把轮廓叠加到另一张图片上。

    下面的代码使用cv2.findContours()函数对mask图片提取轮廓,并调用cv2.drawContour()把轮廓叠加在原始图像。

    我们可以看见所有湖面被标记,如下图:

    现在我们对返回的轮廓就进行排序,第一个轮廓就是面积最大的。

    展开全文
  • 对于有多个目标区域需要提取的图像,可以根据目标图像中特征图像的质心位置来提取目标图像的目标区域。对于一些零件,由于零件的结构变形以及加工纹理等因素,使得其目标图像的特征有多种特点,难以用统一的图像处理...

    2f96d15163748366770db0db1e4654ad.gif

    本发明涉及一种图像多目标区域的提取方法。

    背景技术:

    图像处理领域,目标区域是从图像中选择一个图像区域,这个区域是图像中最重要的部分。

    对于一些零件的视觉测量,其图像有多个目标区域需要提取。

    对于有多个目标区域需要提取的图像,可以根据目标图像中特征图像的质心位置来提取目标图像的目标区域。

    对于一些零件,由于零件的结构变形以及加工纹理等因素,使得其目标图像的特征有多种特点,难以用统一的图像处理算法提取多目标图像特征图像的闭合轮廓,而只有闭合轮廓才能计算其质心,由于零件的设计结构已知,所以对于无法提取特征图像闭合轮廓的目标图像,可以利用已经提取闭合轮廓的目标图像的质心位置,根据目标图像间的理论关系来建立质心位置间的模型,得到无法提取闭合轮廓目标图像的近似质心。

    实际测量时,为了方便操作员上料操作,零件在视场中会有一定的旋转角度,使得多目标图像质心位置关系与图像的旋转角度有关。

    技术实现要素:

    本发明提出一种图像多目标区域的提取方法,利用目标图像的特征图像以及多目标图像间的几何关系,提取多目标特征图像的质心位置,然后根据特征图像的质心位置确定目标图像的目标区域,这种方法能够适应多目标特征图像复杂多变的特点,得到图像的多目标区域。

    本发明的技术方案:

    一种图像多目标区域的提取方法,包括如下步骤:

    1)图像预处理:包括图像中值滤波和图像二值化;

    2)计算图像的旋转角度:

    提取多目标图像中第一个目标图像左边缘线,然后求其斜率,根据图像的旋转角度θ和直线斜率k之间的关系:

    得到图像的旋转角度;

    3)提取特征图像的闭合轮廓:

    图像依次经过腐蚀、Canny边缘检测、图像膨胀、提取图像的闭合轮廓、根据特征图像轮廓的周长和面积,剔除不在范围内的轮廓,得到目标图像上特征图像的闭合轮廓;

    4)计算特征图像的质心位置:

    多目标图像经过步骤1)、2)、3)处理后,只得到多目标图像中的一部分特征图像的闭合轮廓,而计算特征图像的质心位置必须要有其闭合轮廓,因此,计算特征图像的质心位置根据能否找到特征图像的闭合轮廓分两种类型处理;

    4.1)对于步骤3)中能找到存在特征图像闭合轮廓的目标图像,直接计算其特征图像的质心;

    4.2)对于步骤3)中算法无法找到特征图像闭合轮廓的目标图像,根据到该目标图像的质心距离最大的目标图像的闭合轮廓是否存在分两种情况处理:

    a)如果存在,利用式

    求解该目标图像的特征图像的质心;

    上式中(ximax,yimax)表示与该目标图像距离最大的特征图像的质心位置,表示该目标图像利用与之距离最大的特征图像的几何关系得到的质心坐标,fi(θ)和gi(θ)分别表示两个距离最大目标图像上特征图像质心位置在x方向和y方向的几何关系,其中θ为步骤2)中得到的图像旋转角度,i表示与该目标图像距离最大的目标图像的个数,它们到该目标图像的距离都相等且为最大值,(x,y)表示该目标图像上特征图像的质心位置;

    b)如果不存在,利用式

    求解该目标图像的特征图像的质心;

    上式中(ximin,yimin)表示与该目标图像距离最小的特征图像的质心位置,表示该目标图像利用与之距离最小的特征图像的几何关系得到的质心坐标,hi(θ)和si(θ)分别表示两个距离最小目标图像上特征图像质心位置在x方向和y方向的几何关系,其中θ为步骤2)中得到的图像旋转角度,i表示与该目标图像距离最小的特征图像的个数,它们到该目标图像的距离都相等且为最小值,(x,y)表示该目标图像上特征图像的质心位置;

    5)计算图像多目标区域位置:

    根据步骤4)中得到的目标图像上特征图像的质心位置,然后根据它的尺寸特征取一个矩形区域作为该目标图像的目标区域,其中矩形的一条中心线或对角线与目标图像的中心线重合。

    本发明的有益效果:本发明的方法能够解决多目标图像的特征无法用统一的图像处理算法提取的问题,能够更加准确地提取图像的多目标区域。

    附图说明

    图1为多目标图像的示意图,图中编号分别表示多目标图像的序号;

    图2为多目标图像逆时针转过θ角度后特征图像的质心位置关系;

    图3为第一个目标图像左边缘与竖直方向的夹角;

    图4为第一个目标图像与其质心距离最大的特征图像的质心间的位置关系;

    图5为第二个目标图像与其质心距离最大的特征图像的质心间的位置关系;

    图6为质心距离最小的目标图像之间的质心位置关系;

    图7(a)为提取的目标区域中心线与目标图像中心线重合的示意图;

    图7(b)为提取的目标区域对角线与目标图像中心线重合的示意图;

    图8为图像多目标区域提取方法的流程图。

    具体实施方式

    下面结合本发明实施例中的附图对本发明内容作进一步的阐述。

    一种金属支架扣爪图像目标区域的识别方法,包括以下步骤:

    1)图像预处理:将得到的图像经过中值滤波、二值化处理。

    2)计算零件的旋转角度:提取第一个目标图像的左边缘线,计算其斜率,如图2所示,零件的旋转角度θ和左边缘线斜率k之间的关系为:

    3)提取目标图像特征图像的闭合轮廓:将步骤1)中的经过图像腐蚀、Canny边缘检测、膨胀、找闭合轮廓、剔除过大或过小的轮廓后得到了特征图像的闭合轮廓。

    4)计算特征图像质心位置:对于多目标图像而言,尽管它们都有相似的特征图像,但是由于每个特征图像都各自有不同的特点,使得它们无法用统一的图像处理参数提取,因此经过步骤1),2),3)处理后,通常只能得到多目标图像中的一部分特征图像的闭合轮廓,然而计算特征图像的质心位置必须要有其闭合轮廓,所以计算特征图像的质心位置根据能否找到特征图像的闭合轮廓分两种类型处理;根据步骤3)中得到的特征图像的闭合轮廓,第一种类型,对于存在闭合轮廓的目标图像,直接计算其闭合轮廓质心,第二种类型,对于不存在闭合轮廓的目标图像,根据与该目标图像的特征图像的质心距离最大的目标图像的特征图像的闭合轮廓是否存在分两种情况处理:

    第一种情况:不存在闭合轮廓的目标图像,但是与其特征图像质心距离最大的目标图像的闭合轮廓存在,利用它们质心间的几何位置关系,计算不存在闭合轮廓目标图像的质心。零件特征图像质心距离最大的两个目标图像间的几何关系如图4和图5所示。假设1-8号特征图像的质心坐标分别为(x1,y1),(x2,y2),......,(x7,y7),(x8,y8),则两个目标图像间的质心位置关系为:

    式中H表示两个目标图像的特征图像质心间的最大距离,θ表示零件的旋转角度。

    第二种情况:不存在闭合轮廓的目标图像,而且距离其特征图像质心最大的目标图像的闭合轮廓也无法提取,但与该图像距离最小的目标图像的闭合轮廓能够提取,由于距离该目标图像质心最小的目标图像有两个,分别为与该目标图像相邻的两个图像,故可以利用与该目标图像相邻的图像间的质心位置关系,分别得到该目标图像的两组质心位置,两组质心位置求均值便得到其特征图像的质心。图6分别表示相邻目标图像质心位置间的关系。假设1-8号特征图像的质心坐标分别为(x1,y1),(x2,y2),......,(x7,y7),(x8,y8),则根据相邻的目标图像的质心位置得到的目标图像质心位置为:

    式中L表示两个目标图像的特征图像质心间的最小距离,θ表示零件的旋转角度;(x′1,y′1),(x′2,y′2),......,(x′7,y′7),(x′8,y′8)和(x″1,y″1),(x″2,y″2),......,(x″7,y″7),(x″8,y″8)分别表示1-8号目标图像利用与之距离最小的目标图像质心位置关系得到的质心坐标。

    5)计算金属支架扣爪图像的目标区域:根据步骤4)计算得到的金属支架的八个扣爪图像特征图像的质心位置,结合零件的尺寸特征,分别得到八个扣爪图像的目标区域,扣爪的特征图像质心位置与目标区域的关系如图7所示。假设1-8号特征图像的质心坐标分别为(x1,y1),(x2,y2),......,(x7,y7),(x8,y8),Δx和Δy分别为根据零件的尺寸特征设定的值,d表示扣爪的特征图像质心到它的圆弧切线的距离,则金属支架1-8号扣爪图像的目标区域的顶点坐标分别为:

    1号:(x1-Δx,y1)和(x1+Δx,y1+Δy);

    2号:和

    3号:(x3-Δy,y3-Δx)和(x3,y3+Δx);

    4号:和

    5号:(x5-Δx,y5-Δy)和(x5+Δx,y5);

    6号:和

    7号:(x7,y7-Δx)和(x7+Δy,y7+Δx);

    8号:和

    展开全文
  • 【深度好文】Python图像处理之目标物体轮廓提取

    千次阅读 热门讨论 2021-08-08 12:15:23
    轮廓提取是边界分割非常重要的一种处理,同时也是图像处理的经典难题,轮廓提取和轮廓跟踪的目的都是获得图像的外部轮廓特征。 2 原理 二值图像的轮廓提取的原理非常简单,就是掏空内部点:如果原图有一点为黑,...
  • 彩色图像特征提取研究(一)彩色图像特征提取研究徐红霞摘要:以普通的彩色图像为例,介绍了对彩色图像特征提取的原理。其具体过程分为原图像的预处理、图像信息分析、图像的特征提取,然后用MATLAB实现具体的过程,...
  • 运动图像分割-前景目标提取

    千次阅读 2021-01-17 14:33:28
    在一个视频文件,分割出前景目标,之前网上看了一些方法,包括帧差法、GMM等。 帧差法太简单,但是只能提取轮廓,而且会出现前景目标部分区域消失的问题。GMM对于小白菜来说有点高深,看不太懂。 接下来给大家介绍...
  • 图像分割与提取

    2021-06-30 17:06:06
    图像分割与提取的概念:在图像处理的过程, 经常需要从图像中将前景对象作为目标图像提 取出来。例如无人驾驶技术, 我们关心的是周围的交通工具, 其他障碍物等, 而对于背景本身并不关注, 故而, 我们需要将这些东西...
  • 上一讲小白为小伙伴们带来了如何使用自编函数和...边缘广泛存在于目标目标、物体与背景、区域与区域(含不同色彩)之间,它是图像分割所依赖的重要特征。小白今天主要介绍几种典型的图像灰度值突变的边缘检测方法...
  • 这里有一个简单的方法:将图像转换为灰度获取二值图像的阈值对图像进行形态学平滑处理找到轮廓并提取ROI在转换成灰度后,我们用阈值来获得二值图像image = cv2.imread('1.png')original = image.copy()gray = cv2....
  • 上图可以看出,Sobel算子对灰度渐变的图像处理效果较好,但是对变化不大的部位处理效果差以及边缘定位不准确。关键词:图像处理,边缘提取,MATLAB1、引言1980年,MATLAB的首创者Cleve Moler博士在New Mexico...
  • 在到目前为止,我尝试使用HOG提取特征,并使用logistic回归和LinearSVC进行分类。我尝试了几个HOG或color空间的参数(RGB、HSV、LAB),但是我没有看到很大的差别,预测率大约是70%。在我有几个问题。我应该使用多少...
  • 图像分割与特征提取及MATLAB实现.ppt第4章 图像分割与特征提取及MATLAB实现 图像分割:是指将图像中有意义的对象与其背景分离,并把这些对象按照不同的含义分割开来,也就是说,把图像中具有不同含义的对象提取出来...
  • 图像处理之图像特征及提取

    千次阅读 2021-05-05 10:57:12
    图像处理之图像特征提取 图像特征: 几何特征(位置与方向、周长、面积、长轴与短轴、距离(欧式距离、街区距离、棋盘距离)); 形状特征(几何形态分析(Blob分析):矩形度、圆形度、不变矩、偏心率、多边形描述...
  • MATLAB的图像提取形态学实战之对特殊形状物体的识别确定——圆形目标的识别计算 clear all;close all;clc; RGB01=imread('X233.jpg'); subplot(221); imshow(RGB01);title('原始图像'); I01=rgb2gray(RGB01); ...
  • 我现在采用基于滑动窗口的LBP特征提取。对窗口内像素点进行一系列运算,运算结束后窗口向右或向下移动一步,直至完成对整幅图像的处理。设定窗口的大小为16×16,并设定窗口在水平方向和垂直方向的滑动步长为窗口...
  • 图像处理的过程,经常需要从图像中将前景对象作为目标图像分割或者提取出来。例如,在视频监控,观测到的是固定背景下的视频内容,而我们对背景本身并无兴趣,感兴趣的是背景出现的车辆、行人或者其他对象。...
  • OpenCV图像特征提取

    千次阅读 2021-04-18 07:27:57
    图像特征提取 本章中我们将讨论如何识别并可靠稳定的跟踪连续帧图像特征。主要内容包括: intensity gradients and image filtering basics and the properties required to describe suitable keypoints ...
  • 该文将简要概述计算机视觉领域中图像操作所要进行的第一步——图像特征提取时的图像特征以及提取过程所用到的方法。关键词:计算机视觉;图像特征;特征提取方法中图分类号:TP3 文献标识码:A文章编号:1009-3044...
  • 目标跟踪的区别 目标跟踪通常可分为单目标跟踪和多目标跟踪两类,解决的任务和视频目标检测相同的点在于都需要对每帧图像中目标精准定位,不同点在于目标跟踪不考虑目标的识别问题。 3. 视频目标检测进展情况 ...
  • 提取一副彩色图像中红色,用HIS模型处理,RGB模型对比显示参考文献引入显示HIS模型提取的红色RGB模型 提取红色 参考文献 bgr_2_hsi、color_slicing来自:数字图像处理:彩色图片处理,HSI模型 hsv提取彩色的方法来自...
  • 3、菜单栏使用Segment工具,进行点云裁剪,提取目标点云 鼠标左键依次点击点云范围,右键确定当前范围,然后在右上角点击Segment In即可提取 4、根据需要将提取的点云数据保存为csv、pcd格式, 待点云...
  • 运行平台: WindowsPython版本: Python3.xIDE: Spyder今天我们想实现的功能是对单个目标图片的提取如图所示:图片读取###############头文件import matplotlib.pyplot as pltimport osimport cv2import numpy as ...
  • 要在二值图像中提取物体的边界,容易想到的一个方法是将所有物体内部的点删除(置为背景色)。具体地说,可以逐行扫描图像,如果发现一个黑点的8个邻域都是黑点,则该点为内部点,在目标图像中将它删除。实际上这...
  • 在遥感图像目标检测图像中的绝大部分的区域都属于背景,包括多种多样的地物类型,在保持目标信息的前提下抑制无关背景将会大大降低目标检测与提取的难度。我们关注的目标通常是人工目标,与周围背景存在一定的...
  • 图像处理-提取指定颜色

    千次阅读 2021-11-30 20:40:11
    需要题目目标图片的指定颜色,比如说,被红笔批改过的选择题内是对勾,还是打叉,还是别的什么方式,但总之我们需要提取红笔的痕迹,另外提取以后得到的红笔痕迹肯定是断开的,而且还有噪声,这个时候再结合图像处理...
  • Python人脸图像特征提取(HOG、Dlib、CNN方法)一、HOG人脸图像特征提取1、HOG特征:1) 主要思想:2) 实现方法:3) 性能提高:4) 优点2、HOG特征提取算法的实现过程:二、Dlib人脸图像特征提取1.Dlib介绍2.主要特点三...
  • 【1】dyn_threshold操作替代--均值滤波+图像差分+阈值提取 【2】圆形结构元素闭运算+开运算 【3】轮廓查找+最小外接圆 【4】标注结果:圆心+外圆轮廓 参考文章演示: Halcon实例转OpenCV--低对比度图...
  • 图像局部特征提取

    2020-12-19 11:19:26
    图像特征提取图像分析与图像识别的前提,它是将高维的图像数据进行简化表达最有效的方式,一幅图像的的数据矩阵,我们看不出任何信息,所以我们必须根据这些数据提取图像中的关键信息,一些基本元件以及它们...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 115,392
精华内容 46,156
关键字:

从图像中提取目标

友情链接: Qt.rar