基于OpenCV的特定区域提取

今天我们将一起探究如何使用OpenCV和Python从图像中提取感兴趣区域（ROI）。

在之间的文章中，我们完成了图像边缘提取，例如从台球桌中提取桌边。使用了简单的OpenCV函数即可完成这项任务，例如inRange、findContours、boundingRect、minAreaRect、 minEnclosingCircle、circle、HoughLines、line等，都可以。

今天我们的任务是从包含患者大脑活动快照的图像中提取所需的片段。之后可以将该提取的过程应用于其他程序中，例如诊断健康与否的机器学习模型。

因此，让我们从查看输入图像开始。这是由神经科学领域的医疗仪器生成的典型报告，该仪器使用传感器检测来自患者大脑的信号并将其显示为彩色地图。通常，有四张，所有都描绘了某个特征并一起分析以进行诊断。

本练习的目标图像包含四个大脑图

从上面的图像中，我们只想提取与四个地图（头部扫描）相对应的区域，而将其他所有内容都排除在外。因此，让我们开始吧。

第一步是检测我们要提取的片段的边缘。这是一个多步骤过程，如下所述：

1 使用“ cvtColor（）”将RGB图像转换为灰度

2 通过应用模糊函数“ GaussianBlur（）”来消除灰度图像中的噪声

3 最后将“ Canny（）”函数应用于模糊图像以获得边缘

边缘检测过程的输出如下所示：

使用Canny算法的边缘检测输出

请注意，尽管已识别出脑段，但仍有许多不需要的边缘需要消除，并且某些边缘之间有间隙需要封闭。

解决这个问题的一种常用方法是形态转换，它涉及在图像上使用一系列的扩张和腐蚀来去除不需要的边缘和闭合间隙。

我们在多次迭代中使用OpenCV函数“ dilate（）”和“ erode（）”来获得如下输出。

使用OpenCV对边缘进行了一些增强

如我们看到的那样，边缘现在已经完成并且比以前光滑得多。

现在，我们可以使用OpenCV函数“ findContours（）”提取该图像中的轮廓，并仅选择具有以下属性的轮廓：

1 几何形状是圆形或椭圆形

2 面积大于某个阈值（在此示例中，值7000可以正常工作）。

对于第一部分，我们将使用OpenCV的“ boundingRect（）”检测每个轮廓的边界矩形，并检查纵横比（高宽比）是否接近1。

现在我们的任务已经完成，但还需要进行一些微调。

通常情况是在一个片段上检测到多个重叠的轮廓，而我们只对一个感兴趣。

使用非极大抑制可以解决此问题，即我们查看所有重叠的轮廓，然后选择面积最大的轮廓作为最终候选轮廓。逻辑非常简单，因此我们不需要任何内置的OpenCV或Python函数。

另一个重要的逻辑是分别识别四个部分，即左上，右上，左下和右下。

这也非常简单，涉及识别图像中心坐标以及每个检测到的片段的质心。对段轮廓进行质心检测需要在轮廓上应用OpenCV “ moments（）”函数，然后使用以下公式计算中心 X，Y坐标：

center_x，center_y =（int（M [“ m10”] / M [” m00”]），int（M [“ m01”] / M [“ m00”]））

将线段质心坐标与图像中心坐标进行比较，可以将四个线段分别放置在各自的位置。

现在我们已经确定了四个部分，我们需要构建图像蒙版，这将使我们能够从原始图像中提取所需的特征。

我们将使用OpenCV函数“ drawContours（）”，将颜色用作白色（R，G，B = 255,2555,255），将厚度用作FILLED（-1）在黑色背景上绘制所有四个线段轮廓。结果如下所示：

用于提取我们的ROI的蒙版

在原始图像上应用此蒙版可以在我们选择的背景（例如黑色或白色）上为我们提供所需的分段。

对于黑色背景，我们创建一个黑色画布，然后使用OpenCV函数“ bitwise_and（）”以及先前获得的蒙版在其上进行绘制。

在黑色背景上提取的ROI

对于白色背景，我们首先创建一个白色画布，然后通过使用OpenCV函数“ drawContours（）”绘制轮廓为黑色（R，G，B = 0,0,0）且厚度为FILLED的轮廓，如下所示创建颜色反转的蒙版（-1）。

用于ROI提取的备用倒置掩模（图像源作者）

然后，我们使用OpenCV “ add（）”函数将此反向蒙版添加到先前获得的黑色背景中，并获得相同的结果，但使用白色背景。

在白色背景上提取的ROI

到此为止，我们总结了几种方法，可以轻松地从图像中提取感兴趣区域。

应当注意，在具有变化的复杂度的其他图像的情况下，上面使用的方法可以进行修改。

最近项目中需要用到opencv处理海康视频采集卡的单张数据，在这里记录一下使用过程。

在这里使用的是opencv 32 的库和海康DS-4300HW-E。板卡sdk版本652。

1初始化板卡

2从通道获取单张并转换成Mat

3释放板卡

二值图像、灰度图像、彩色图像的基本表示方法。

  二值图像是指仅仅包含黑色和白色两种颜色的图像。

  在计算机中，通过一个栅格状排列的数据集（矩阵）来表示和处理图像。

  例如，图2-1是一个字母A的图像，计算机在处理该图像时，会首先将其划分为一个个的小方块，每一个小方块就是一个独立的处理单位，称为像素点。

  接下来，计算机会将其中的白色像素点（白色小方块区域）处理为“1”，将黑色像素点（黑色小方块区域）处理为“0”，以方便进行后续的存储和处理等 *** 作。

按照上述处理方式，图2-1中的字母A在计算机内的存储形式如图2-2所示。

上述图像比较简单，图像内只有黑色和白色两种不同的颜色，因此只使用一个比特位（0或者1）就能表示。

  二值图像表示起来简单方便，但是因为其仅有黑白两种颜色，所表示的图像不够细腻。如果想要表现更多的细节，就需要使用更多的颜色。例如，图2-3中的lena图像是一幅灰度图像，它采用了更多的数值以体现不同的颜色，因此该图像的细节信息更丰富。

  通常，计算机会将灰度处理为256个灰度级，用数值区间[0, 255]来表示。其中，数值“255”表示纯白色，数值“0”表示纯黑色，其余的数值表示从纯白到纯黑之间不同级别的灰度。用于表示256个灰度级的数值0~255，正好可以用一个字节（8位二进制值）来表示。

  相比二值图像和灰度图像，彩色图像是更常见的一类图像，它能表现更丰富的细节信息。

  神经生理学实验发现，在视网膜上存在三种不同的颜色感受器，能够感受三种不同的颜色：红色、绿色和蓝色，即三基色。自然界中常见的各种色光都可以通过将三基色按照一定的比例混合构成。除此以外，从光学角度出发，可以将颜色解析为主波长、纯度、明度等。从心理学和视觉角度出发，可以将颜色解析为色调、饱和度、亮度等。通常，我们将上述采用不同的方式表述颜色的模式称为色彩空间，或者颜色空间、颜色模式等。

  虽然不同的色彩空间具有不同的表示方式，但是各种色彩空间之间可以根据需要按照公式进行转换。这里仅仅介绍较为常用的RGB色彩空间。

  在RGB色彩空间中，存在R（red，红色）通道、G（green，绿色）通道和B（blue，蓝色）通道，共三个通道。每个色彩通道值的范围都在[0, 255]之间，我们用这三个色彩通道的组合表示颜色。

  以比较通俗的方式来解释就是，有三个油漆桶，分别装了红色、绿色、蓝色的油漆，我们分别从每个油漆桶中取容量为0~255个单位的不等量的油漆，将三种油漆混合就可以调配出一种新的颜色。三种油漆经过不同的组合，共可以调配出所有常见的256×256×256=16777216种颜色。

  因此，通常用一个三维数组来表示一幅RGB色彩空间的彩色图像。一般情况下，在RGB色彩空间中，图像通道的顺序是R→G→B，即第1个通道是R通道，第2个通道是G通道，第3个通道是B通道。

  需要特别注意的是， 在OpenCV中，通道的顺序是B→G→R， 即：

  在图像处理过程中，可以根据需要对图像的通道顺序进行转换。除此以外，还可以根据需要对不同色彩空间的图像进行类型转换，例如，将灰度图像处理为二值图像，将彩色图像处理为灰度图像等。

以上就是关于基于OpenCV的特定区域提取全部的内容，包括:基于OpenCV的特定区域提取、opencv+海康采集卡的使用、二值、灰度、彩色图像等相关内容解答，如果想了解更多相关内容，可以关注我们，你们的支持是我们更新的动力！