詳解OpenCV執行連通分量標記的方法和分析
在本教程中,您將學習如何使用 OpenCV 執行連通分量標記和分析。具體來說,我們將重點介紹 OpenCV 最常用的連通分量標記函數:cv2.connectedComponentsWithStats。
連通分量標記(也稱為連通分量分析、斑點提取或區域標記)是圖論的一種算法應用,用於確定二進制圖像中“斑點”狀區域的連通性。
我們經常在與使用輪廓相同的情況下使用連通分量分析;然而,連通分量標記通常可以讓我們對二值圖像中的斑點進行更細粒度的過濾。在使用輪廓分析時,我們經常受到輪廓層次結構的限制(即一個輪廓包含在另一個輪廓中)。通過連通分量分析,我們可以更輕松地分割和分析這些結構。
連通分量分析的一個很好的例子是計算二值(即閾值後的)車牌圖像的連通分量,並根據它們的屬性(例如寬度、高度、面積、solidity等)過濾斑點。這正是我們今天在這裡要做的。
1.OpenCV 連通分量標記和分析
在本教程的第一部分,我們將回顧 OpenCV 提供的用於執行連通分量標記和分析的四個函數。這些函數中最受歡迎的是cv2.connectedComponentsWithStats。
首先,我們將配置我們的開發環境並查看我們的項目目錄結構。
接下來,我們將實現兩種形式的連通分量分析:
一種方法將演示如何使用 OpenCV 的連通分量標記和分析函數,計算每個連通分量的統計數據,然後單獨提取/可視化每個連通分量。
第二種方法顯示瞭連接分量分析的實際示例。我們對車牌進行閾值化,然後使用連通分量分析僅提取車牌字符。
1.1 OpenCV 連通分量標記和分析函數
OpenCV 提供瞭四種連通分量分析函數:
- cv2.connectedComponents
- cv2.connectedComponentsWithStats
- cv2.connectedComponentsWithAlgorithm
- cv2.connectedComponentsWithStatsWithAlgorithm
最流行的方法是 cv2.connectedComponentsWithStats,它返回以下信息:
- 連通分量的邊界框
- 連通分量的面積(以像素為單位)
- 連通分量的質心/中心 (x, y) 坐標
第一種方法,cv2.connectedComponents,和第二種方法一樣,隻是不返回上面的統計信息。在絕大多數情況下,您將需要統計信息,因此簡單地使用 cv2.connectedComponentsWithStats 即可。
第三種方法 cv2.connectedComponentsWithAlgorithm 實現瞭更快、更有效的連通分量分析算法。
如果您使用並行處理支持編譯 OpenCV,則 cv2.connectedComponentsWithAlgorithm 和 cv2.connectedComponentsWithStatsWithAlgorithm 將比前兩個運行得更快。
但一般來說,堅持使用 cv2.connectedComponentsWithStats 直到您熟悉連通分量標記。
1.2 項目結構
在我們使用 OpenCV 實現連通分量標記和分析之前,讓我們先來看看我們的項目目錄結構。
我們將應用連通分量分析來自動過濾車牌 (license_plate.png) 中的字符。
為瞭完成這項任務並瞭解有關連通分量分析的更多信息,我們將實現兩個 Python 腳本:
basic_connected_components.py:演示如何應用連通分量標記,提取每個組件及其統計數據,並在我們的屏幕上可視化它們。
filtering_connected_components.py:應用連通分量標記,通過檢查每個連通分量的寬度、高度和面積(以像素為單位)過濾掉非牌照字符。
2.案例實現
2.1 使用 OpenCV 實現基本的連通分量標記
讓我們開始使用 OpenCV 實現連通分量分析。
打開項目文件夾中的 basic_connected_components.py 文件,讓我們開始工作:
# 導入相關包 # 導入必要的包 import argparse import cv2 # 解析構建的參數解析器 ap = argparse.ArgumentParser() ap.add_argument("-i", "--image", required=True, help="path to input image") ap.add_argument("-c", "--connectivity", type=int, default=4, help="connectivity for connected analysis") args = vars(ap.parse_args()) # 將參數轉為字典格式
我們有兩個命令行參數
–image:輸入圖像路徑
–connectivity:4連通或者8連通
接下來,進行圖像預處理操作
# 加載輸入圖像,將其轉換為灰度,並對其進行閾值處理 image = cv2.imread(args["image"]) gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]
閾值處理以後,將得到如下圖像:
請註意車牌字符在黑色背景上顯示為白色。但是,輸入圖像中也有一堆噪聲也顯示為前景(白色)。我們的目標是應用連通分量分析來過濾掉這些噪聲區域,隻留下車牌字符。
但在我們開始之前,讓我們先學習如何使用 cv2.connectedComponentsWithStats 函數:
output = cv2.connectedComponentsWithStats(thresh, args["connectivity"], cv2.CV_32S) (numLabels, labels, stats, centroids) = output
使用OpenCV的cv2.connectedComponentsWithStats 執行連通分量分析。我們在這裡傳入三個參數:
- 閾值化後的圖像
- 4連通還是8連通
- 數據類型(應該使用cv2.CV_32S)
然後 cv2.connectedComponentsWithStats 返回一個 4 元組:
- 檢測到的唯一標簽總數(即總連通分量數)
- 一個名為labels的掩碼, 掩碼與我們的輸入閾值圖像具有相同的空間維度。對於labels中的每個位置,我們都有一個整數 ID 值,該值對應於像素所屬的連通分量。您將在本節後面學習如何過濾labels矩陣。
- stats:每個連通分量的統計信息,包括邊界框坐標和面積(以像素為單位)。
- 每個連通分量的質心(即中心)(x,y)坐標。
讓我們開始解析這些數值:
# 遍歷每個連通分量 for i in range(0, numLabels): # 0表示的是背景連通分量,忽略 if i == 0: text = "examining component {}/{} (background)".format( i + 1, numLabels) # otherwise, we are examining an actual connected component else: text = "examining component {}/{}".format(i + 1, numLabels) # 打印當前的狀態信息 print("[INFO] {}".format(text)) # 提取當前標簽的連通分量統計信息和質心 x = stats[i, cv2.CC_STAT_LEFT] y = stats[i, cv2.CC_STAT_TOP] w = stats[i, cv2.CC_STAT_WIDTH] h = stats[i, cv2.CC_STAT_HEIGHT] area = stats[i, cv2.CC_STAT_AREA] (cX, cY) = centroids[i]
if/else語句說明:
- 第一個連通分量,即ID 為 0,始終是背景。我們通常會忽略背景,但如果您需要它,請記住 ID=0 包含它。
- 否則,如果 i > 0,那麼我們知道該連通分量值得進一步探索。
解析我們的統計數據和質心列表:
- 連通分量的起始x坐標
- 連通分量的起始y坐標
- 連通分量的寬(w)
- 連通分量的高(h)
- 連通分量的質心坐標(x,y)
# 可視化邊界框和當前連通分量的質心 # clone原始圖,在圖上畫當前連通分量的邊界框以及質心 output = image.copy() cv2.rectangle(output, (x, y), (x + w, y + h), (0, 255, 0), 3) cv2.circle(output, (int(cX), int(cY)), 4, (0, 0, 255), -1)
創建一個我們可以繪制的輸出圖像。然後我們將當前的連通分量的邊界框繪制為綠色矩形,將質心繪制為紅色圓圈。
我們的最終代碼塊演示瞭如何為當前連通分量創建掩碼:
# 創建掩碼 componentMask = (labels == i).astype("uint8") * 255 # 顯示輸出圖像和掩碼 cv2.imshow("Output", output) cv2.imshow("Connected Component", componentMask) cv2.waitKey(0)
首先在labels中找到與當前組件 ID 相等的所有位置。然後我們將結果轉換為一個無符號的 8 位整數,其中背景值為 0,前景值為 255。最後顯示原始圖以及掩碼圖。
第一個連通分量實際上是我們的背景。我們通常會跳過,因為通常不需要背景。 然後顯示其餘連通分量。對於每個連通分量,我們繪制邊界框(綠色矩形)和質心/中心(紅色圓圈)。 您可能已經註意到,其中一些連接的組件是車牌字符,而另一些則隻是“噪音”。我們將在下一部分解決這個問題。
2.2 完整代碼
# 導入必要的包 import argparse import cv2 # 解析構建的參數解析器 ap = argparse.ArgumentParser() ap.add_argument("-i", "--image", default="plate.jpg", help="path to input image") ap.add_argument("-c", "--connectivity", type=int, default=4, help="connectivity for connected analysis") args = vars(ap.parse_args()) # 將參數轉為字典格式 # 加載輸入圖像,將其轉換為灰度,並對其進行閾值處理 image = cv2.imread(args["image"]) cv2.imshow("src", image) gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1] cv2.imshow("threshold", thresh) # 對閾值化後的圖像應用連通分量分析 output = cv2.connectedComponentsWithStats(thresh, args["connectivity"], cv2.CV_32S) (numLabels, labels, stats, centroids) = output # 遍歷每個連通分量 for i in range(0, numLabels): # 0表示的是背景連通分量,忽略 if i == 0: text = "examining component {}/{} (background)".format( i + 1, numLabels) # otherwise, we are examining an actual connected component else: text = "examining component {}/{}".format(i + 1, numLabels) # 打印當前的狀態信息 print("[INFO] {}".format(text)) # 提取當前標簽的連通分量統計信息和質心 x = stats[i, cv2.CC_STAT_LEFT] y = stats[i, cv2.CC_STAT_TOP] w = stats[i, cv2.CC_STAT_WIDTH] h = stats[i, cv2.CC_STAT_HEIGHT] area = stats[i, cv2.CC_STAT_AREA] (cX, cY) = centroids[i] # 可視化邊界框和當前連通分量的質心 # clone原始圖,在圖上畫當前連通分量的邊界框以及質心 output = image.copy() cv2.rectangle(output, (x, y), (x + w, y + h), (0, 255, 0), 3) cv2.circle(output, (int(cX), int(cY)), 4, (0, 0, 255), -1) # 創建掩碼 componentMask = (labels == i).astype("uint8") * 255 # 顯示輸出圖像和掩碼 cv2.imshow("Output", output) cv2.imshow("Connected Component", componentMask) cv2.waitKey(0)
2.3 過濾連通分量
我們之前的代碼示例演示瞭如何使用 OpenCV 提取連接的組件,但沒有演示如何過濾它們。
import numpy as np import argparse import cv2 ap = argparse.ArgumentParser() ap.add_argument("-i", "--image", default="plate.jpg", help="path to image") ap.add_argument("-c", "--connectivity", type=int, default=4, help="connectivity for connected component analysis") args = vars(ap.parse_args()) # 加載圖像,轉為灰度,二值化 image = cv2.imread(args["image"]) gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) _, thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_OTSU | cv2.THRESH_BINARY) # 應用連通分量分析 output = cv2.connectedComponentsWithStats(thresh, connectivity=args["connectivity"], ltype=cv2.CV_32S) (numLabels, labels, stats, centriods) = output mask = np.zeros(gray.shape, dtype="uint8") for i in range(1, numLabels): # 忽略背景 x = stats[i, cv2.CC_STAT_LEFT] # [i, 0] y = stats[i, cv2.CC_STAT_TOP] # [i, 1] w = stats[i, cv2.CC_STAT_WIDTH] # [i, 2] h = stats[i, cv2.CC_STAT_HEIGHT] # [i, 3] area = stats[i, cv2.CC_STAT_AREA] # [i, 4] # 確保寬高以及面積既不太大也不太小 keepWidth = w > 50 and w < 500 keepHeight = h > 150 and h < 650 keepArea = area > 500 and area < 25000 # 我使用print語句顯示每個連接組件的寬度、高度和面積, # 同時將它們單獨顯示在屏幕上。我記錄瞭車牌字符的寬度、高度和面積,並找到瞭它們的最小/最大值, # 對於您自己的應用程序也應該這樣做。 if all((keepWidth, keepHeight, keepArea)): print("[INFO] keep connected component '{}'".format(i)) componentMask = (labels == i).astype("uint8") * 255 mask = cv2.bitwise_or(mask, componentMask) cv2.imshow("Image", image) cv2.imshow("Chracters", mask) cv2.waitKey(0)
如果我們正在構建一個自動牌照/車牌識別(ALPR/ANPR)系統,我們將獲取這些字符,然後將它們傳遞給光學字符識別(OCR)算法進行識別。但這一切都取決於我們是否能夠將字符二值化並提取它們,連通分量分析使我們能夠做到這一點!
2.4 C++代碼案例
#include <opencv2/core/utility.hpp> #include "opencv2/imgproc.hpp" #include "opencv2/imgcodecs.hpp" #include "opencv2/highgui.hpp" #include <iostream> using namespace cv; using namespace std; Mat img; int threshval = 100; static void on_trackbar(int, void*) { Mat bw = threshval < 128 ? (img < threshval) : (img > threshval); Mat labelImage(img.size(), CV_32S); int nLabels = connectedComponents(bw, labelImage, 8); std::vector<Vec3b> colors(nLabels); colors[0] = Vec3b(0, 0, 0);//background for(int label = 1; label < nLabels; ++label){ colors[label] = Vec3b( (rand()&255), (rand()&255), (rand()&255) ); } Mat dst(img.size(), CV_8UC3); for(int r = 0; r < dst.rows; ++r){ for(int c = 0; c < dst.cols; ++c){ int label = labelImage.at<int>(r, c); Vec3b &pixel = dst.at<Vec3b>(r, c); pixel = colors[label]; } } imshow( "Connected Components", dst ); } int main( int argc, const char** argv ) { CommandLineParser parser(argc, argv, "{@image|stuff.jpg|image for converting to a grayscale}"); parser.about("\nThis program demonstrates connected components and use of the trackbar\n"); parser.printMessage(); cout << "\nThe image is converted to grayscale and displayed, another image has a trackbar\n" "that controls thresholding and thereby the extracted contours which are drawn in color\n"; String inputImage = parser.get<string>(0); img = imread(samples::findFile(inputImage), IMREAD_GRAYSCALE); if(img.empty()) { cout << "Could not read input image file: " << inputImage << endl; return EXIT_FAILURE; } imshow( "Image", img ); namedWindow( "Connected Components", WINDOW_AUTOSIZE); createTrackbar( "Threshold", "Connected Components", &threshval, 255, on_trackbar ); on_trackbar(threshval, 0); waitKey(0); return EXIT_SUCCESS; }
到此這篇關於詳解OpenCV執行連通分量標記的方法和分析的文章就介紹到這瞭,更多相關OpenCV連通分量標記內容請搜索WalkonNet以前的文章或繼續瀏覽下面的相關文章希望大傢以後多多支持WalkonNet!
推薦閱讀:
- OpenCV學習記錄python實現連通域處理函數
- OpenCV實現圖像連通域
- 超詳細註釋之OpenCV更改像素與修改圖像通道
- Python opencv醫學處理的實現過程
- 超詳細註釋之OpenCV dlib實現人臉采集