python3+opencv3識別圖片中的物體并截取的方法

運行環(huán)境：python3.6.4
   opencv3.4.0

# -*- coding:utf-8 -*-
 
"""
Note: 使用Python和OpenCV檢測圖像中的物體并將物體裁剪下來
"""
 
import cv2
import numpy as np
 
 
# step1：加載圖片，轉成灰度圖
image = cv2.imread("353.jpg")
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
 
# step2:用Sobel算子計算x，y方向上的梯度，之后在x方向上減去y方向上的梯度，通過這個減法，我們留下具有高水平梯度和低垂直梯度的圖像區(qū)域。
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)
 
# subtract the y-gradient from the x-gradient
gradient = cv2.subtract(gradX, gradY)
gradient = cv2.convertScaleAbs(gradient)
# show image
cv2.imshow("first", gradient)
cv2.waitKey()
 
# step3：去除圖像上的噪聲。首先使用低通濾潑器平滑圖像（9 x 9內(nèi)核）,這將有助于平滑圖像中的高頻噪聲。
# 低通濾波器的目標是降低圖像的變化率。如將每個像素替換為該像素周圍像素的均值。這樣就可以平滑并替代那些強度變化明顯的區(qū)域。
# 然后，對模糊圖像二值化。梯度圖像中不大于90的任何像素都設置為0（黑色）。 否則，像素設置為255（白色）。
# blur and threshold the image
blurred = cv2.blur(gradient, (9, 9))
_, thresh = cv2.threshold(blurred, 90, 255, cv2.THRESH_BINARY)
# SHOW IMAGE
cv2.imshow("thresh", thresh)
cv2.waitKey()
 
# step4:在上圖中我們看到蜜蜂身體區(qū)域有很多黑色的空余，我們要用白色填充這些空余，使得后面的程序更容易識別昆蟲區(qū)域，
# 這需要做一些形態(tài)學方面的操作。
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (25, 25))
closed = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, kernel)
# show image
cv2.imshow("closed1", closed)
cv2.waitKey()
 
# step5:從上圖我們發(fā)現(xiàn)圖像上還有一些小的白色斑點，這會干擾之后的昆蟲輪廓的檢測，要把它們?nèi)サ?。分別執(zhí)行4次形態(tài)學腐蝕與膨脹。
# perform a series of erosions and dilations
closed = cv2.erode(closed, None, iterations=4)
closed = cv2.dilate(closed, None, iterations=4)
# show image
cv2.imshow("closed2", closed)
cv2.waitKey()
 
# step6：找出昆蟲區(qū)域的輪廓。
# cv2.findContours()函數(shù)
# 第一個參數(shù)是要檢索的圖片，必須是為二值圖，即黑白的（不是灰度圖），
# 所以讀取的圖像要先轉成灰度的，再轉成二值圖，我們在第三步用cv2.threshold()函數(shù)已經(jīng)得到了二值圖。
# 第二個參數(shù)表示輪廓的檢索模式，有四種：
# 1. cv2.RETR_EXTERNAL表示只檢測外輪廓
# 2. cv2.RETR_LIST檢測的輪廓不建立等級關系
# 3. cv2.RETR_CCOMP建立兩個等級的輪廓，上面的一層為外邊界，里面的一層為內(nèi)孔的邊界信息。如果內(nèi)孔內(nèi)還有一個連通物體，這個物體的邊界也在頂層。
# 4. cv2.RETR_TREE建立一個等級樹結構的輪廓。
# 第三個參數(shù)為輪廓的近似方法
# cv2.CHAIN_APPROX_NONE存儲所有的輪廓點，相鄰的兩個點的像素位置差不超過1，即max（abs（x1-x2），abs（y2-y1））==1
# cv2.CHAIN_APPROX_SIMPLE壓縮水平方向，垂直方向，對角線方向的元素，只保留該方向的終點坐標，例如一個矩形輪廓只需4個點來保存輪廓信息
 
# cv2.findContours()函數(shù)返回兩個值，一個是輪廓本身，還有一個是每條輪廓對應的屬性。
# cv2.findContours()函數(shù)返回第一個值是list，list中每個元素都是圖像中的一個輪廓，用numpy中的ndarray表示。
# 每一個ndarray里保存的是輪廓上的各個點的坐標。我們把list排序，點最多的那個輪廓就是我們要找的昆蟲的輪廓。
x = cv2.findContours(closed.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
# import pdb
# pdb.set_trace()
_a, cnts, _b = x
c = sorted(cnts, key=cv2.contourArea, reverse=True)[0]
 
# OpenCV中通過cv2.drawContours在圖像上繪制輪廓。
# 第一個參數(shù)是指明在哪幅圖像上繪制輪廓
# 第二個參數(shù)是輪廓本身，在Python中是一個list
# 第三個參數(shù)指定繪制輪廓list中的哪條輪廓，如果是-1，則繪制其中的所有輪廓
# 第四個參數(shù)是輪廓線條的顏色
# 第五個參數(shù)是輪廓線條的粗細
 
# cv2.minAreaRect()函數(shù):
# 主要求得包含點集最小面積的矩形，這個矩形是可以有偏轉角度的，可以與圖像的邊界不平行。
# compute the rotated bounding box of the largest contour
rect = cv2.minAreaRect(c)
# rect = cv2.minAreaRect(cnts[1])
box = np.int0(cv2.boxPoints(rect))
 
 
# draw a bounding box arounded the detected barcode and display the image
cv2.drawContours(image, [box], -1, (0, 255, 0), 3)
cv2.imshow("Image", image)
cv2.imwrite("contoursImage2.jpg", image)
cv2.waitKey(0)
 
# step7：裁剪。box里保存的是綠色矩形區(qū)域四個頂點的坐標。我將按下圖紅色矩形所示裁剪昆蟲圖像。
# 找出四個頂點的x，y坐標的最大最小值。新圖像的高=maxY-minY，寬=maxX-minX。
Xs = [i[0] for i in box]
Ys = [i[1] for i in box]
x1 = min(Xs)
x2 = max(Xs)
y1 = min(Ys)
y2 = max(Ys)
hight = y2 - y1
width = x2 - x1
cropImg = image[y1:y1+hight, x1:x1+width]
 
# show image
cv2.imshow("cropImg", cropImg)
cv2.imwrite("bee.jpg", cropImg)
cv2.waitKey()