Question

我正在尝试提取一个蓝色对象，非常类似于https://docs.opencv.org/3.0-beta/doc/py_tutorials/py_imgproc/py_colorspaces/py_colorspaces.html#object-tracking中描述的对象

具有三个要提取的蓝色形状的原始图像的示例在这里：

捕获的图像有噪点，未经过滤的形状检测会返回数百到数千个“蓝色”形状。为了减轻这种情况，我应用了以下步骤：

在过滤图像之前模糊图像，导致表面闭合
将蒙版图像（bitwise_and之后）转换回灰度
应用OTSU阈值
最后，检测轮廓

完整的代码是：

import cv2
import numpy as np

cap = cv2.VideoCapture(0)
while(True):
    ret, frame = cap.read()
    blur = cv2.GaussianBlur(frame, (15, 15), 0)

    hsv = cv2.cvtColor(blur, cv2.COLOR_BGR2HSV)
    lower_red = np.array([115, 50, 50])
    upper_red = np.array([125, 255, 255])
    mask = cv2.inRange(hsv, lower_red, upper_red)
    blue = cv2.bitwise_and(blur, blur, mask=mask)
    gray = cv2.cvtColor(blue, cv2.COLOR_BGR2GRAY)

    (T, ted) = cv2.threshold(gray, 0, 255, cv2.THRESH_OTSU)

    im2, contours, hierarchy = cv2.findContours(
        ted, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)

    for cnt in contours:
        cv2.drawContours(frame, [cnt], 0, (0, 255, 0), 3)

    font = cv2.FONT_HERSHEY_SIMPLEX
    cv2.putText(frame, str(len(contours)), (10, 500), font, 2, (0, 0, 255), 2, cv2.LINE_AA)

    cv2.imshow('mask', mask)
    cv2.imshow('blue', blue)
    cv2.imshow('grey', gray)
    cv2.imshow('thresholded', ted)
    cv2.imshow('frame', frame)
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

cap.release()
cv2.destroyAllWindows()

不幸的是，还剩下6-7个轮廓，而应该有三个。

如何进一步优化图像处理以仅获得三种形状？

Answer 1

您可以将形态学运算与关联的成分分析结合使用：

在灰度图像上应用腐蚀：https://docs.opencv.org/2.4/modules/imgproc/doc/filtering.html?highlight=erode#erode
查找连接的组件，功能cv :: connectedComponents（https://docs.opencv.org/3.1.0/d3/dc0/group__imgproc__shape.html#gac2718a64ade63475425558aa669a943a）
保留面积大于给定阈值的连接组件。
扩大生成的蒙版：https://docs.opencv.org/2.4/modules/imgproc/doc/filtering.html?highlight=dilate#dilate

如果您要查找的是特定形状（例如形状），则可以使用一些形状描述符。

最后，我建议您尝试用双边滤波器（https://docs.opencv.org/3.0-beta/modules/imgproc/doc/filtering.html#bilateralfilter）替换高斯滤波器，以更好地保留形状。如果您想要更好的过滤器，请查看有关NL-均值过滤器（https://docs.opencv.org/3.3.1/d5/d69/tutorial_py_non_local_means.html）的本教程

OpenCV：带降噪的对象跟踪

1 个答案: