使用色彩追踪和形态学运算得到图像中感兴趣区域

色彩追踪简介：在RGB图像中，我们感兴趣的部分往往具有趋于一致的颜色，我们想得到感兴趣部分时，可以考虑先找到特定颜色的区域。比如说有一张风景照，我们对蓝天白云（其它部分不是蓝色）感兴趣，我们考虑使用色彩追踪算法追踪图像中的蓝色和白色，得到原图的蓝色和白色区域。

关于色彩追踪算法的详细说明请查看以下链接

色彩追踪讲解

色彩追踪算法产生的掩膜中白色部分含一些黑色小点，使用掩膜直接作用于图像的话，效果不理想（如 图1）。学习图像处理的过程中，我们知道，使用图像形态学处理之闭运算（先膨胀，后腐蚀）能够有效地消除掩膜中这些小黑点，我们做此运算。

关于图像形态学处理的详细说明请查看以下链接

膨胀和腐蚀算法讲解
图像开闭运算讲解
图像形态学处理 opencv实现

图1：

实验：使用色彩追踪算法生成掩膜 + 图像形态学处理闭运算去噪 = 提取到的蓝色天空

实验原图：

实验结果：

实验源码 python

import cv2
import numpy as np
import matplotlib.pyplot as plt

# BGR -> HSV
def BGR2HSV(_img):
	img = _img.copy() / 255.

	hsv = np.zeros_like(img, dtype=np.float32)

	# get max and min
	max_v = np.max(img, axis=2).copy()
	min_v = np.min(img, axis=2).copy()
	min_arg = np.argmin(img, axis=2)

	# H
	hsv[..., 0][np.where(max_v == min_v)]= 0
	## if min == B
	ind = np.where(min_arg == 0)
	hsv[..., 0][ind] = 60 * (img[..., 1][ind] - img[..., 2][ind]) / (max_v[ind] - min_v[ind]) + 60
	## if min == R
	ind = np.where(min_arg == 2)
	hsv[..., 0][ind] = 60 * (img[..., 0][ind] - img[..., 1][ind]) / (max_v[ind] - min_v[ind]) + 180
	## if min == G
	ind = np.where(min_arg == 1)
	hsv[..., 0][ind] = 60 * (img[..., 2][ind] - img[..., 0][ind]) / (max_v[ind] - min_v[ind]) + 300
		
	# S
	hsv[..., 1] = max_v.copy() - min_v.copy()

	# V
	hsv[..., 2] = max_v.copy()
	
	return hsv

# make mask
def get_mask(hsv):
	mask = np.zeros_like(hsv[..., 0])
	#mask[np.where((hsv > 180) & (hsv[0] < 260))] = 255
	mask[np.logical_and((hsv[..., 0] > 180), (hsv[..., 0] < 260))] = 1
	return mask

# masking
def masking(img, mask):
	out = img.copy()
	# mask [h, w] -> [h, w, channel]
	mask = np.tile(mask, [3, 1, 1]).transpose([1, 2, 0])
	out *= mask

	return out


# Erosion
def Erode(img, Erode_time=1):
	H, W = img.shape
	out = img.copy()

	# kernel
	MF = np.array(((0, 1, 0),
				(1, 0, 1),
				(0, 1, 0)), dtype=np.int)

	# each erode
	for i in range(Erode_time):
		tmp = np.pad(out, (1, 1), 'edge')
		# erode
		for y in range(1, H+1):
			for x in range(1, W+1):
				if np.sum(MF * tmp[y - 1 : y + 2 , x - 1 : x + 2]) < 1 * 4:
					out[y-1 , x-1] = 0

	return out


# Dilation
def Dilate(img, Dil_time=1):
	H, W = img.shape

	# kernel
	MF = np.array(((0, 1, 0),
				(1, 0, 1),
				(0, 1, 0)), dtype=np.int)

	# each dilate time
	out = img.copy()
	for i in range(Dil_time):
		tmp = np.pad(out, (1, 1), 'edge')
		for y in range(1, H+1):
			for x in range(1, W+1):
				if np.sum(MF * tmp[y - 1 : y + 2, x - 1 : x + 2]) >= 1:
					out[y-1 , x-1] = 1

	return out


# Opening morphology
def Morphology_Opening(img, time=1):
    out = Erode(img, Erode_time=time)
    out = Dilate(out, Dil_time=time)
    return out

# Closing morphology
def Morphology_Closing(img, time=1):
	out = Dilate(img, Dil_time=time)
	out = Erode(out, Erode_time=time)
	return out


# Read image
img = cv2.imread("../lantian.jpg").astype(np.float32)

# RGB > HSV
hsv = BGR2HSV(img)

# color tracking
mask = get_mask(hsv)

# closing
mask = Morphology_Closing(mask, time=2)

# opening
mask = Morphology_Opening(mask, time=0)

# masking
out = masking(img, mask)

out = out.astype(np.uint8)

# Save result
cv2.imwrite("out.jpg", out)
cv2.imshow("result", out)
cv2.waitKey(0)
cv2.destroyAllWindows()

感谢您的阅读，帮忙点个赞再走呗！