python3+opencv3识别图片中的物体并截取的方法

如下所示： 运行环境：python3.6.4 opencv3.4.0 # -*- coding:utf-8 -*- """ Note: 使用Python和OpenCV检测图像中的物体并将物体裁剪下来 """ import cv2 import numpy as np # step1：加载图片，转成灰度图 image = cv2.imread("353.jpg") gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) # step2:用Sobel算子计算x，y方向上的梯度，之后在x方向上减去y方向上的梯度，通过这个减法，我们留下具有高水平梯度和低垂 在本教程中，我们将探讨如何使用Python 3和OpenCV 3库来识别图像中的物体并进行裁剪。确保你的环境配置为Python 3.6.4和OpenCV 3.4.0。 核心步骤如下： 1. **加载图片和转换为灰度图**： 在图像处理中，灰度图可以简化处理过程，降低计算复杂性。使用`cv2.imread()`函数读取图像，然后使用`cv2.cvtColor()`将其转换为灰度图。 ```python image = cv2.imread("353.jpg") gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) ``` 2. **应用Sobel算子计算梯度**： Sobel算子用于计算图像的梯度，以检测边缘。在这里，我们分别计算x和y方向的梯度，然后相减得到具有强边缘的区域。 ```python gradX = cv2.Sobel(gray, cv2.CV_32F, dx=1, dy=0, ksize=-1) gradY = cv2.Sobel(gray, cv2.CV_32F, dx=0, dy=1, ksize=-1) gradient = cv2.subtract(gradX, gradY) gradient = cv2.convertScaleAbs(gradient) ``` 3. **图像降噪和平滑**： 使用`cv2.blur()`函数进行低通滤波，平滑图像以消除高频噪声。接着，使用`cv2.threshold()`函数对图像进行二值化，将梯度小于90的像素设为0，其余设为255。 ```python blurred = cv2.blur(gradient, (9, 9)) _, thresh = cv2.threshold(blurred, 90, 255, cv2.THRESH_BINARY) ``` 4. **形态学操作**： 形态学操作如闭运算（`cv2.morphologyEx()`，使用矩形结构元素）有助于填补物体内部的空洞，增强边缘。这一步骤对于后续轮廓检测至关重要。 ```python kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (25, 25)) closed = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, kernel) ``` 5. **去除小斑点**： 通过多次腐蚀和膨胀操作，可以消除可能干扰轮廓检测的小白点。 ```python closed = cv2.erode(closed, None, iterations=4) closed = cv2.dilate(closed, None, iterations=4) ``` 6. **寻找轮廓**： `cv2.findContours()`函数用于检测图像中的轮廓。它返回一个轮廓列表和一个包含轮廓层次结构的列表。在这个例子中，我们选择`cv2.RETR_EXTERNAL`，仅检测外部轮廓，并使用`cv2.CHAIN_APPROX_SIMPLE`压缩轮廓信息，减少内存占用。 ```python contours, _ = cv2.findContours(closed, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) ``` 7. **裁剪物体**： 一旦找到轮廓，我们可以使用`cv2.boundingRect()`获取每个轮廓的边界框，然后用`cv2.rectangle()`或`cv2.crop()`等函数进行裁剪。 ```python for contour in contours: x, y, w, h = cv2.boundingRect(contour) cropped_object = image[y:y+h, x:x+w] ``` 以上步骤构成了一种基础物体识别和裁剪的流程。实际应用中，可能需要进一步优化，例如使用更复杂的边缘检测算法、调整阈值或形态学操作参数，或者结合深度学习模型进行更精确的物体识别。记得根据实际图像质量和目标物体特征进行调整。