这篇文章主要介绍了怎么使用Python第三方opencv库实现图像分割处理的相关知识，内容详细易懂，操作简单快捷，具有一定借鉴价值，相信大家阅读完这篇怎么使用Python第三方opencv库实现图像分割处理文章都会有所收获，下面我们一起来看看吧。
前言
所需要安装的库有：
pip install opencv-python
pip install matplotlib
首先，导入所用到的库：
import cv2import os,shutilfrom matplotlib import pyplot as plt1.加载图片
注意：这里在传入图像路径时，路径中不能包含有中文名，否则会报错！！！
###1，加载图片filepath = './testImage.png' ###图像路径，注意：这里的路径不能包含有中文名img = cv2.imread(filepath)cv2.imshow('Orignal img', img) ###显示图片cv2.waitKey(0) ###防止一闪而过，是一个键盘绑定函数（0表示按下任意键终止）
2.对图片做灰度处理
###2，将彩色图片变为灰色（进行灰度处理）img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)cv2.imshow('img_gray', img_gray)cv2.waitKey(0)
3.对图片做二值化处理
thresh=220是自定义设定的阈值(通过分析print(img_gray)的图像数据大概得到的)，像素值大于220被置成了0，小于220的被置成了255。
maxval=与 THRESH_BINARY 和 THRESH_BINARY_INV 阈值一起使用的最大值，可理解是填充色，范围为（0～255）。
type：参数类型阈值类型（ cv2.THRESH_BINARY 大于阈值的部分被置为255，小于部分被置为0（黑白二值） cv2.THRESH_BINARY_INV 大于阈值部分被置为0，小于部分被置为255（黑白二值反转——白黑） 等其它的类型...... ）
###3，将图片做二值化处理 ''' thresh=220是自定义设定的阈值(通过分析print(img_gray)的图像数据大概得到的)，像素值大于220被置成了0，小于220的被置成了255 maxval=与 THRESH_BINARY 和 THRESH_BINARY_INV 阈值一起使用的最大值，可理解是填充色，范围为（0～255）。 type：参数类型阈值类型（ cv2.THRESH_BINARY 大于阈值的部分被置为255，小于部分被置为0（黑白二值） cv2.THRESH_BINARY_INV 大于阈值部分被置为0，小于部分被置为255（黑白二值反转——白黑） 等其它的类型...... ） '''ret, img_inv = cv2.threshold(src=img_gray, thresh=220, maxval=255, type=cv2.THRESH_BINARY_INV)cv2.imshow('img_inv', img_inv)cv2.waitKey(0)
3.1.自定义阈值
###阈值对比（全局阈值（v = 127），自适应平均阈值，自适应高斯阈值）def threshContrast(): filepath = './testImage.png' img = cv2.imread(filepath) img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) img_gray = cv2.medianBlur(img_gray, 5) ret1, th2 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_BINARY) th3 = cv2.adaptiveThreshold(img_gray, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 11, 2) th4 = cv2.adaptiveThreshold(img_gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2) title = ['原始图像(灰度)','全局阈值（v = 127）','自适应平均阈值','自适应高斯阈值'] images = [img_gray, th2, th3, th4] for i in range(4): plt.subplot(2, 2, i + 1), plt.imshow(images[i], 'gray') # plt.title(title[i]) ###plt绘图时不能使用中文 plt.xticks([]), plt.yticks([]) plt.show()4.提取轮廓
img_inv是寻找轮廓的图像；
cv2.RETR_EXTERNAL：表示只检索极端外部轮廓；
cv2.CHAIN_APPROX_SIMPLE：压缩水平, 垂直和对角线方向的元素，只保留它们的端点坐标，例如，一个直立的矩形轮廓用 4 个点进行编码。
###4，提取轮廓 ''' https://docs.opencv.org/4.5.2/d4/d73/tutorial_py_contours_begin.html img_inv是寻找轮廓的图像； cv2.RETR_EXTERNAL：表示只检索极端外部轮廓； cv2.CHAIN_APPROX_SIMPLE：压缩水平, 垂直和对角线方向的元素，只保留它们的端点坐标，例如，一个直立的矩形轮廓用 4 个点进行编码。 ''' contours,hierarchy = cv2.findContours(img_inv, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) print(f'检测出轮廓数量有：{len(contours)}个') print('返回值为各层轮廓的索引：\n', hierarchy)5.对轮廓画矩形框
###5，找出每一个轮廓绘画出的矩形位置br = []cntid = 0for cnt in contours: '''cnt表示输入的轮廓值，x，y, w, h 分别表示外接矩形的x轴和y轴的坐标，以及矩形的w宽和h高,''' x, y, w, h = cv2.boundingRect(cnt) cntid += 1 print(f'检测出第{cntid}个轮廓画出的矩形位置为：x={x},y={y},w={w},h={h}') br.append(cv2.boundingRect(cnt)) '''img表示输入的需要画的图片(这里就是在原图上绘制轮廓)，cnt表示输入的轮廓值，-1表示contours中轮廓的索引(这里绘制所有的轮廓)，(0, 0, 255)表示rgb颜色——红色，2表示线条粗细''' cv2.drawContours(img, [cnt], -1, (0, 0, 255), 2) cv2.imshow('cnt', img) cv2.waitKey(0)br.sort() ###将列表中的每一个元组里面的进行升序排序（这里其实想的是按照对应的x轴坐标进行升序）对每个字符画轮廓的过程（顺序从右到左画，期间也有可能断续，如下图）。
6.分割图片并保存
###6，分割图片并保存（这里对前面处理过的二值化图片数据（img_inv）进行分割）if not os.path.exists('./imageSplit'): os.mkdir('./imageSplit')else: shutil.rmtree('./imageSplit') os.mkdir('./imageSplit')for x,y,w,h in br: # print(x,y,w,h) # split_image = img_inv[y:y + h, x:x + w] split_image = img_inv[y - 2:y + h + 2, x - 2:x + w + 2] ###这样分割感觉好看些 cv2.imshow('split_image', split_image) cv2.waitKey(0) save_filepath = './imageSplit/' filename = f'{x}.jpg' ###这里由每张图片对应的x轴坐标命名 cv2.imwrite(save_filepath + filename, split_image) print(f'\033[31m{filename}图片分割完毕！\033[0m')这里是对前面处理过的二值化图片数据（img_inv）进行一个一个字符分割展示的过程。
这里是这行代码的意思，下面的图是手动绘制的，太丑了
，哈哈哈！！！
# split_image = img_inv[y:y + h, x:x + w]
7.查看分割图片
最后，我们在pyplot上来查看我们分割图片后的效果，也就终于完成了。
###7，用pyplot来查看我们分割完成后的图片imagefile_list = os.listdir('./imageSplit')imagefile_list.sort(key=lambda x: int(x[:-4]))for i in range(len(imagefile_list)): img = cv2.imread(f'./imageSplit/{imagefile_list[i]}') plt.subplot(1, len(imagefile_list), i + 1), plt.imshow(img, 'gray') plt.title(imagefile_list[i]) plt.xticks([]), plt.yticks([])plt.show()
8.完整代码
import cv2import os,shutilfrom matplotlib import pyplot as plt''' 这是使用文档网址:https://docs.opencv.org/4.5.2/index.html 这是提供的Python接口教程网址：https://docs.opencv.org/4.5.2/d6/d00/tutorial_py_root.html'''def imageSplit(): ###1，加载图片 filepath = './testImage.png' ###图像路径，注意：这里的路径不能包含有中文名 img = cv2.imread(filepath) cv2.imshow('Orignal img', img) ###显示图片 cv2.waitKey(0) ###防止一闪而过，是一个键盘绑定函数（0表示按下任意键终止） ###2，将彩色图片变为灰色（进行灰度处理） img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) cv2.imshow('img_gray', img_gray) cv2.waitKey(0) ###3，将图片做二值化处理 ''' thresh=220是自定义设定的阈值(通过分析print(img_gray)的图像数据大概得到的)，像素值大于220被置成了0，小于220的被置成了255 maxval=与 THRESH_BINARY 和 THRESH_BINARY_INV 阈值一起使用的最大值，可理解是填充色，范围为（0～255）。 type：参数类型阈值类型（ cv2.THRESH_BINARY 大于阈值的部分被置为255，小于部分被置为0（黑白二值） cv2.THRESH_BINARY_INV 大于阈值部分被置为0，小于部分被置为255（黑白二值反转——白黑） 等其它的类型...... ） ''' ret, img_inv = cv2.threshold(src=img_gray, thresh=220, maxval=255, type=cv2.THRESH_BINARY_INV) cv2.imshow('img_inv', img_inv) cv2.waitKey(0) ###4，提取轮廓 ''' https://docs.opencv.org/4.5.2/d4/d73/tutorial_py_contours_begin.html img_inv是寻找轮廓的图像； cv2.RETR_EXTERNAL：表示只检索极端外部轮廓； cv2.CHAIN_APPROX_SIMPLE：压缩水平, 垂直和对角线方向的元素，只保留它们的端点坐标，例如，一个直立的矩形轮廓用 4 个点进行编码。 ''' contours,hierarchy = cv2.findContours(img_inv, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) print(f'检测出轮廓数量有：{len(contours)}个') print('返回值为各层轮廓的索引：\n', hierarchy) ###5，找出每一个轮廓绘画出的矩形位置 br = [] cntid = 0 for cnt in contours: '''cnt表示输入的轮廓值，x，y, w, h 分别表示外接矩形的x轴和y轴的坐标，以及矩形的w宽和h高,''' x, y, w, h = cv2.boundingRect(cnt) cntid += 1 print(f'检测出第{cntid}个轮廓画出的矩形位置为：x={x},y={y},w={w},h={h}') br.append(cv2.boundingRect(cnt)) '''img表示输入的需要画的图片(这里就是在原图上绘制轮廓)，cnt表示输入的轮廓值，-1表示contours中轮廓的索引(这里绘制所有的轮廓)，(0, 0, 255)表示rgb颜色——红色，2表示线条粗细''' cv2.drawContours(img, [cnt], -1, (0, 0, 255), 2) cv2.imshow('cnt', img) cv2.waitKey(0) br.sort() ###将列表中的每一个元组里面的进行升序排序（这里其实想的是按照对应的x轴坐标进行升序） ###6，分割图片并保存（这里对前面处理过的二值化图片数据（img_inv）进行分割） if not os.path.exists('./imageSplit'): os.mkdir('./imageSplit') else: shutil.rmtree('./imageSplit') os.mkdir('./imageSplit') for x,y,w,h in br: # print(x,y,w,h) # split_image = img_inv[y:y + h, x:x + w] split_image = img_inv[y - 2:y + h + 2, x - 2:x + w + 2] ###这样分割感觉好看些 cv2.imshow('split_image', split_image) cv2.waitKey(0) save_filepath = './imageSplit/' filename = f'{x}.jpg' ###这里由每张图片对应的x轴坐标命名 cv2.imwrite(save_filepath + filename, split_image) print(f'\033[31m{filename}图片分割完毕！\033[0m') cv2.destroyAllWindows() ###删除所有窗口 ###7，用pyplot来查看我们分割完成后的图片 imagefile_list = os.listdir('./imageSplit') imagefile_list.sort(key=lambda x: int(x[:-4])) for i in range(len(imagefile_list)): img = cv2.imread(f'./imageSplit/{imagefile_list[i]}') plt.subplot(1, len(imagefile_list), i + 1), plt.imshow(img, 'gray') plt.title(imagefile_list[i]) plt.xticks([]), plt.yticks([]) plt.show() print('\nperfect！！！') ###阈值对比（全局阈值（v = 127），自适应平均阈值，自适应高斯阈值）def threshContrast(): filepath = './testImage.png' img = cv2.imread(filepath) img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) img_gray = cv2.medianBlur(img_gray, 5) ret1, th2 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_BINARY) th3 = cv2.adaptiveThreshold(img_gray, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 11, 2) th4 = cv2.adaptiveThreshold(img_gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2) title = ['原始图像(灰度)','全局阈值（v = 127）','自适应平均阈值','自适应高斯阈值'] images = [img_gray, th2, th3, th4] for i in range(4): plt.subplot(2, 2, i + 1), plt.imshow(images[i], 'gray') # plt.title(title[i]) ###plt绘图时不能使用中文 plt.xticks([]), plt.yticks([]) plt.show() if __name__ == '__main__': imageSplit() ###阈值对比 # threshContrast()关于“怎么使用Python第三方opencv库实现图像分割处理”这篇文章的内容就介绍到这里，感谢各位的阅读！相信大家对“怎么使用Python第三方opencv库实现图像分割处理”知识都有一定的了解，大家如果还想学习更多知识，欢迎关注编程网行业资讯频道。
