首页 > 编程语言 >python---OpenCv(二),背景分离方法较有意思

python---OpenCv(二),背景分离方法较有意思

时间:2024-06-23 13:29:47浏览次数:27  
标签:box 轮廓 python 背景 cv2 --- OpenCv im 矩形

目录

边界矩形

旋转矩形(最小外接矩形):

计算轮廓

找4个点的坐标

把浮点型转为Int

画轮廓

边界矩形--(最大外接矩形)

转灰度

找轮廓

找顶点

画矩形

显示

背景分离方法(这个很好玩,可以识别在动的物体)


边界矩形

有两种类型的边界矩形:

旋转矩形(最小外接矩形):

是用最小面积绘制的,所以它也考虑了旋转。使用的函数是cv.minAreaRect()。它返回一个Box2D结构,其中包含以下细节-(中心(x,y),(宽度,高度),旋转角度)。但要画出这个矩形,我们需要矩形的四个角。它由函数cv.boxPoints()获得

cv.minAreaRect()函数返回一个包含以下信息的 RotatedRect 对象:

  • center:矩形的中心坐标((x, y))。

  • size:矩形的尺寸((width, height))。

  • angle:矩形的旋转角度,取值范围为 -900 度。

cv2.boxPoints(box) 返回的是构成旋转矩形的四个顶点的坐标。返回的结果是一个形状为 (4, 2) 的 NumPy 数组,其中每一行代表一个顶点的 (x, y) 坐标。这四个顶点按照特定的顺序排列,通常是按照顺时针或逆时针方向。

cv2.drawContours(image, contours, contourIdx, color, thickness=None, lineType=None, hierarchy=None, maxLevel=None, offset=None)

各个参数的含义如下:

  • image:目标图像,要在其上绘制轮廓。

  • contours:轮廓列表,每个轮廓是一个点的向量。必须是一个3维的列表,且必须是整数int

  • contourIdx:指定要绘制的轮廓的索引,如果为负数,则绘制所有轮廓。

  • color:绘制轮廓的颜色。

  • thickness:轮廓线的宽度,如果为负数,则轮廓内部被填充。

  • lineType:线条类型,例如 cv2.LINE_8(8 连接的线)、cv2.LINE_AA(抗锯齿线)等,默认值是 cv2.LINE_8

  • hierarchy:可选的轮廓层次信息。

  • maxLevel:绘制轮廓的最大层次。如果为 0,则只绘制指定的轮廓;如果为 1,则绘制指定轮廓及其直接子轮廓,依此类推。默认值为 0。

  • offset:可选的偏移量,用于移动轮廓的位置

示例代码:

im = cv2.imread("yy.png")#图片是一个五角星 im1=im.copy() im=cv2.cvtColor(im,cv2.COLOR_BGRA2GRAY)

计算轮廓

contours,=cv2.findContours(im,cv2.RETRTREE,cv2.CHAINAPPROXSIMPLE)

找4个点的坐标

box=cv2.minAreaRect(contours[0])#因为box是一个元组套一个列表,contours就是要把列表取出来 print(box) box=cv2.boxPoints(box) print(box)

把浮点型转为Int

box=np.intp(np.round(box))

画轮廓

cv2.drawContours(im,[box],-1,(255,0,255),1,cv2.LINE_AA) cv2.imshow('最小外界矩形',im) cv2.waitKey(0) cv2.destroyAllWindows()

边界矩形--(最大外接矩形)

·直角矩形(最大外接矩形):不考虑物体的旋转。所以直角矩形的面积不是最小的。它是由函数x,y,w,h=cv2.boundingRect()找到的。

 

·令(x,y)为矩形的左上角坐标,而(w,h)为矩形的宽度和高度。

import cv2 import numpy as np

im = cv2.imread("yy.png")

转灰度

im1=cv2.cvtColor(im,cv2.COLOR_BGRA2GRAY)

找轮廓

contours,=cv2.findContours(im1,cv2.RETRTREE,cv2.CHAINAPPROXNONE)

找顶点

x,y,w,h=cv2.boundingRect(contours[0])

画矩形

cv2.rectangle(im,(x,y),(x+w,y+h),(255,255,1),2,cv2.LINE_AA)

显示

cv2.imshow('im',im) cv2.waitKey(0) cv2.destroyAllWindows()

效果图:一上图一样

 

背景分离方法(这个很好玩,可以识别在动的物体)

bgsub=cv2.createBackgroundSubtractorMOG2():创建背景减除器实例,然后用bgsub.applay(img),再show一下bgsub就可以了。可以用来检测在动的物体

减除器实例.apply(image[, fgmask[, learningRate]]) -> fgmask:计算前景掩码和更新背景。如果要更改用于更新背景模型的学习率,可以通过将参数传递给apply方法来设置特定的学习率。learningRate该值位于0到1之间,表示背景模型被学习或更新的速度。负数的参数值使算法采用自动选择的学习率。0意味着背景模型完全不进行更新,保持初始状态;1则意味着背景模型在每一帧后都会根据新信息完全重新初始化。因此,此参数控制了背景模型适应场景变化的敏感度和速度。

视频中动态的物体就是前景

静态的物体就是背景

参数说明:

  • shape:表示结构元素的形状,可以是以下几种取值:

  • cv2.MORPH_RECT:矩形结构元素

  • cv2.MORPH_CROSS:十字形结构元素

  • cv2.MORPH_ELLIPSE:椭圆形结构元素

  • ksize:表示结构元素的大小

  • anchor:表示结构元素的锚点位置,默认为(-1,-1),表示结构元素的中心

代码演示:

"""
  视频中动态的物体就是 前景
        静态的物体就是背景
"""

import cv2

cap = cv2.VideoCapture(0)

# 创建背景减除器对象
bgsub = cv2.createBackgroundSubtractorMOG2()

while cap.isOpened():
    ret, frame = cap.read()
    if not ret:
        break
    # 将视频中的每一帧图像应用背景减除器,减除背景
    fgmask = bgsub.apply(frame)
    cv2.imshow("win", fgmask)
    if cv2.waitKey(25) == 27:
        cv2.destroyAllWindows()
        break

效果:过于离谱就不展示了,只要动的地方就会变白

标签:box,轮廓,python,背景,cv2,---,OpenCv,im,矩形
From: https://blog.csdn.net/m0_53291740/article/details/139899072

相关文章

  • JAVA【案例5-2】模拟默认密码自动生成
    【模拟默认密码自动生成】1、案例描述本案例要求编写一个程序,模拟默认密码的自动生成策略,手动输入用户名,根据用户名自动生成默认密码。在生成密码时,将用户名反转即为默认的密码。2、案例目的(1)学会分析“模拟默认密码的生成”案例的实现思路(2)根据思路完成“模拟默认密码的......
  • [本科项目实训] NVIDIA-GPU 显存异常与处理
    现象描述在运行程序时,发现torch.cuda.OutOfMemoryError:CUDAoutofmemory.错误,考虑模型大小远小于所用显卡显存,使用:$nvidia-smi#或每隔两秒自动刷新$watch-n2-dnvidia-smi进行查看,发现显存占用高且GPU利用低,结果如下:+------------------------------------------......
  • C++U7-10-最小生成树
    本节课作业讲解视频:链接:https://pan.baidu.com/s/1lLlmhShdat9HuJWx7Rp_tA?pwd=0000提取码:0000  最小生成树是一种在无向图中寻找特定结构的算法结果,它具有多种实际应用。以下是关于最小生成树的一些主要应用:网络布局问题:在一个连通加权无向图中,最小生成树算法可以帮......
  • [题解]AT_arc116_b [ARC116B] Products of Min-Max
    思路我们容易可以得到一个朴素的做法,首先对\(a\)数组排序,然后枚举最大值和最小值\(a_i,a_j\),那么对于中间的元素都有选与不选两种情况,得到答案:\[\sum_{i=1}^{n}(a_i\timesa_i+(\sum_{j=i+1}^{n}a_i\timesa_j\times2^{j-i-1}))\]然后对这个式子......
  • [题解]CF622F The Sum of the k-th Powers
    思路首先发现\(\sum_{i=1}^{n}i^k\)是一个\(k+1\)次多项式,那么我们需要求出\(k+2\)个点才能得到唯一的一个\(f(t)=\sum_{i=1}^{t}{i^k}\)。不难通过拉格朗日插值法,将\(x=1\sim(k+2)\)的情况一一带入:\[f(n)=\sum_{i=1}^{k+2}{((\sum_{j=1}^{i}......
  • 微信小程序源码-基于Java后端的高校教务管理系统毕业设计(附源码+论文)
    大家好!我是程序员一帆,感谢您阅读本文,欢迎一键三连哦。......
  • 如何选择机器学习算法性能指标-续
    序言选择用于评估机器学习算法的指标非常重要。指标的选择会影响机器学习算法性能的衡量方式并比较。它们会影响我们如何权衡不同特征的重要性结果以及选择哪种算法的最终选择。算法评估指标针对分类和回归类型的机器学习问题,我们将演示了各种不同的算法评估指标。对于分......
  • MySQL-5.7.38 基于二进制包一键安装脚本
    #!/bin/bash##********************************************************************#Author: Kevin#Date: 2024-06-23#FileName: install_mysql.sh#Description: Thetestscript#Copyright(C): 2024Allrightsreserved#****************************......
  • 微信小程序源码-社区二手物品交易系统的计算机毕业设计(附源码+演示录像+LW)
    大家好!我是职场程序猿,感谢您阅读本文,欢迎一键三连哦。......
  • 大学生毕设神器 | 二手房房源分析 二手房房源爬虫 基于Python的二手房可视化分析 基于
    ......