• python opencv3 grabcut前景检测


    git:https://github.com/linyi0604/Computer-Vision

     1 import numpy as np
     2 import cv2
     3 import matplotlib.pyplot as plt
     4 
     5 # 读入图片
     6 img = cv2.imread("../data/mm2.jpeg")
     7 # 创建一个和加载图像一样形状的 填充为0的掩膜
     8 mask = np.zeros(img.shape[:2], np.uint8)
     9 
    10 # 创建以0填充的前景和背景模型
    11 bgdModel = np.zeros((1, 65), np.float64)
    12 fgdModel = np.zeros((1, 65), np.float64)
    13 
    14 # 定义一个矩形
    15 rect = (100, 50, 421, 378)
    16 
    17 cv2.grabCut(img, mask, rect, bgdModel, fgdModel, 5, cv2.GC_INIT_WITH_RECT)
    18 
    19 """
    20 cv2.grabCut()
    21 参数:
    22     img: 输入图像
    23     mask: 蒙板图像,确定前景区域,背景区域,不确定区域,
    24         可以设置为cv2.GC_BGD,cv2.GC_FGD,cv2.GC_PR_BGD,cv2.GC_PR_FGD,
    25         也可以输入0,1,2,3
    26     rect: 包含前景的矩形 格式(x, y, w, h)
    27     bdgModel: 算法内部使用的数组. 你只需要创建两个大小为 (1,65),数据类型为 np.float64 的数组
    28     fgdModel: 算法内部使用的数组. 你只需要创建两个大小为 (1,65),数据类型为 np.float64 的数组
    29     iterCount: 算法的迭代次数 
    30     mode: 可以设置为 cv2.GC_INIT_WITH_RECT 或 cv2.GC_INIT_WITH_MASK,也可以联合使用。
    31         这是用来确定我们进行修改的方式,矩形模式或者掩模模式 
    32 
    33 算法会修改掩模图像,在新的掩模图像中,
    34 所有的像素被分为四类:背景,前景,可能是背景/前景使用 4 个不同的标签标记。
    35 然后我们来修改掩模图像,
    36 所有的 0 像素和 1 像素都被归为 0(例如背景),所有的 1 像素和 3 像素都被归为 1(前景)。
    37 我们最终的掩模图像就这样准备好了。用它和输入图像相乘就得到了分割好的图像
    38 
    39 原理:
    40     1 输入矩形框,矩形框外部区域都是背景。内部一定包含前景。
    41     2 电脑对输入图像进行初始化,标记前景和背景的像素。
    42     3 使用高斯混合模型(GMM)对前景和背景建模。
    43     4 根据输入,GMM会学习并创建新的像素分布。
    44         对未知的像素(前景或背景不确定),根据他们与已知的分类像素关系进行分类。(类似聚类操作)
    45     5 这样会根据像素的分布创建一幅图,图中节点是像素。
    46         除了像素点是节点以外,还有Source_node和Sink_node两个节点。
    47         所有的前景图像都与Source_node相连。背景与Sink_node相连。
    48     6 像素是否连接到Source_node/end_node依赖于权值,
    49         这个权值由像素属于同一类,也就是前景或者背景的概率来决定。
    50         如果像素的颜色有很大区别,那么他们之间的权重就很小。
    51     7 使用mincut算法对图像进行分割。
    52         它会根据最小代价方程对图像分成source_node和sink_node。
    53         代价方程是指裁剪所有边上权重的和。
    54         裁剪完成后,所有连接到source_node的判定为前景,sink_node上的为背景。
    55 继续此过程,直到分类收敛。
    56 
    57     
    58 
    59 """
    60 mask2 = np.where((mask == 2) | (mask == 0), 0, 1).astype("uint8")
    61 img = img*mask2[:, :, np.newaxis]
    62 
    63 plt.subplot(121), plt.imshow(img)
    64 plt.title("grabcut"), plt.xticks([]), plt.yticks([])
    65 plt.subplot(122), plt.imshow(cv2.cvtColor(cv2.imread("../data/mm2.jpeg"), cv2.COLOR_BGR2RGB))
    66 plt.title("original"), plt.xticks([]), plt.yticks([])
    67 plt.show()

  • 相关阅读:
    How To : OCR / Vote disk Maintenance Operations: (ADD/REMOVE/REPLACE/MOVE)
    循序渐进解读Oracle AWR性能分析报告
    为11gR2 Grid Infrastructure增加新的public网络
    12C开始oracle实现了SCALABLE LGWR多进程并行写redo log
    万字详解Oracle架构、原理、进程,学会世间再无复杂架构
    PowerShell 连接SQL Server 数据库
    Oracle 性能分析与诊断|跟踪诊断&优化SQL 语句
    安装oracle 11gr2 rac on solaris
    oracle EOS
    K8S集群认证之RBAC
  • 原文地址:https://www.cnblogs.com/Lin-Yi/p/9416354.html
Copyright © 2020-2023  润新知