怎么用python下的OpenCV实现图像和文字分离

本篇内容介绍了“怎么用python下的OpenCV实现图像和文字分离”的有关知识，在实际案例的操作过程中，不少人都会遇到这样的困境，接下来就让小编带领大家学习一下如何处理这些情况吧！希望大家仔细阅读，能够学有所成！

本文实例为大家分享了基于OpenCV实现图像分割的具体代码，供大家参考，具体内容如下

1、图像阈值化

源代码：

#include "opencv2/highgui/highgui.hpp" #include "opencv2/imgproc/imgproc.hpp" #include <iostream> using namespace std; using namespace cv; int thresholds=50; int model=2; Mat image,srcimage; void track(int ,void *) {     Mat result;     threshold(srcimage,result,thresholds,255,CV_THRESH_BINARY);     //imshow("原图",result);  if(model==0)  {   threshold(srcimage,result,thresholds,255,CV_THRESH_BINARY);   imshow("分割",result);  }  if(model==1)  {   threshold(srcimage,result,thresholds,255,THRESH_BINARY_INV);   imshow("分割",result);   }  if(model==2)  {   threshold(srcimage,result,thresholds,255,THRESH_TRUNC);   imshow("分割",result);  }  if(model==3)  {   threshold(srcimage,result,thresholds,255,THRESH_TOZERO);   imshow("分割",result);  }  if(model==4)  {   threshold(srcimage,result,thresholds,255,THRESH_TOZERO_INV);   imshow("分割",result);  } } int main() {     image=imread("2.2.tif");     if(!image.data)     {         return 0;     }     cvtColor(image,srcimage,CV_BGR2GRAY);     namedWindow("分割",WINDOW_AUTOSIZE);     cv::createTrackbar("阈a值：","分割",&thresholds,255,track);  cv::createTrackbar("模式：","分割",&model,4,track);     track(thresholds,0);  track(model,0);     waitKey(0);     return 0; }

实现结果：

2、阈值处理

//阈值处理 #include "opencv2/core/core.hpp" #include "opencv2/highgui/highgui.hpp" #include "opencv2/imgproc/imgproc.hpp"          using namespace cv;     using namespace std;          int main()     {      printf("键盘按键ESC--退出程序");      Mat g_srcImage = imread("1.tif",0);      if(!g_srcImage.data)      {       printf("读取图片失败");      }      imshow("原始图",g_srcImage);           //大津法阈值分割显示      /*大津法,简称OTSU.它是按图像的灰度特性,将图像分成背景      和目标2部分。背景和目标之间的类间方差越大,说明构成图像      的2部分的差别越大,当部分目标错分为背景或部分背景错分为      目标都会导致2部分差别变小。*/      Mat OtsuImage;      threshold(g_srcImage,OtsuImage,0,255,THRESH_OTSU);//0不起作用，可为任意阈值      imshow("OtsuImage",OtsuImage);           //自适应分割并显示      Mat AdaptImage;      //THRESH_BINARY_INV：参数二值化取反      adaptiveThreshold(g_srcImage,AdaptImage,255,0,THRESH_BINARY_INV,7,8);      imshow("AdaptImage",AdaptImage);           while(1)      {       int key;       key = waitKey(20);       if((char)key == 27)       { break; }      }     }

效果图：

3、拉普拉斯检测

//Laplacian检测 #include "opencv2/core/core.hpp" #include "opencv2/highgui/highgui.hpp" #include "opencv2/imgproc/imgproc.hpp" using namespace cv; using namespace std; /*，在只关心边缘的位置而不考虑其周围的象素灰度差值时比较合适。 Laplace 算子对孤立象素的响应要比对边缘或线的响应要更强烈，因此 只适用于无噪声图象。存在噪声情况下，使用 Laplacian 算子检测边 缘之前需要先进行低通滤波。*/ int main() {  Mat src,src_gray,dst,abs_dst;  src = imread("1.jpg");  imshow("原始图像",src);  //高斯滤波  GaussianBlur(src,src,Size(3,3),0,0,BORDER_DEFAULT);  //转化为灰度图，输入只能为单通道  cvtColor(src,src_gray,CV_BGR2GRAY);  Laplacian(src_gray,dst,CV_16S,3,1,0,BORDER_DEFAULT);  convertScaleAbs(dst,abs_dst);  imshow("效果图Laplace变换",abs_dst);  waitKey();  return 0; }

效果图：

4、canny算法的边缘检测

源代码

#include "opencv2/core/core.hpp" #include "opencv2/highgui/highgui.hpp" #include "opencv2/imgproc/imgproc.hpp" using namespace cv; using namespace std; /*如果某一像素位置的幅值超过高阈值，该像素被保留为边缘像素。如果某 一像素位置的幅值小于低阈值，该像素被排除。如果某一像素位置的幅值在 两个阈值之间，该像素仅仅在连接到一个高于高阈值的像素时被保留。 */ int main() {  Mat picture2=imread("1.jpg");  Mat new_picture2;  Mat picture2_1=picture2.clone();  Mat gray_picture2 , edge , new_edge;  imshow("【原始图】Canny边缘检测" , picture2);  Canny(picture2_1 , new_picture2 ,150 , 100 ,3  );  imshow("【效果图】Canny边缘检测", new_picture2 );  Mat dstImage,grayImage;  //dstImage与srcImage同大小类型  dstImage.create(picture2_1.size() , picture2_1.type());  cvtColor(picture2_1,gray_picture2,CV_BGR2GRAY);//转化为灰度图  blur(gray_picture2 , edge , Size(3,3));//用3x3的内核降噪  Canny(edge,edge,3,9,3);  dstImage = Scalar::all(0);//将dst内所有元素设置为0  //使用canny算子的边缘图edge作为掩码，将原图拷贝到dst中  picture2_1.copyTo(dstImage,edge);  imshow("效果图Canny边缘检测2",dstImage);  waitKey(); }

效果图：

5、图像的分水岭算法

源代码：

#include "opencv2/core/core.hpp" #include "opencv2/highgui/highgui.hpp" #include "opencv2/imgproc/imgproc.hpp" #include  <iostream> using namespace cv; using namespace std; #define WINDOW_NAME1 "显示/操作窗口" #define WINDOW_NAME2 "分水岭算法效果图" Mat g_maskImage,g_srcImage; Point prevPt(-1,-1); static void ShowHelpText(); static void on_Mouse(int event,int x,int y,int flags,void*); //输出一些帮助信息 static void ShowHelpText() {  printf("当前使用的版本为:"CV_VERSION);  printf("\n");  printf("分水岭算法---点中图片进行鼠标或按键操作\n");  printf("请先用鼠标在图片窗口中标记出大致的区域，\n然后再按键【1】或者【space】启动算法");  printf("\n按键操作说明：\n"   "键盘按键【1】或者【space】--运行的分水岭分割算法\n"   "键盘按键【2】--回复原始图片\n"   "键盘按键【ESC】--退出程序\n"); } static void on_Mouse(int event,int x,int y,int flags,void*) {  if(x<0||x>=g_srcImage.cols||y<0||y>=g_srcImage.rows)   return;  if(event == CV_EVENT_LBUTTONUP||!(flags & CV_EVENT_FLAG_LBUTTON))   prevPt = Point(-1,-1);  else if(event == CV_EVENT_LBUTTONDOWN)   prevPt= Point(x,y);  else if(event == CV_EVENT_MOUSEMOVE && (flags & CV_EVENT_FLAG_LBUTTON))  {   Point pt(x,y);   if(prevPt.x<0)    prevPt = pt;   line(g_maskImage,prevPt,pt,Scalar::all(255),5,8,0);   line(g_srcImage,prevPt,pt,Scalar::all(255),5,8,0);   prevPt = pt;   imshow(WINDOW_NAME1,g_srcImage);  } } int main(int argc,char**  argv) {  system("color A5");  ShowHelpText();  g_srcImage = imread("1.jpg",1);  imshow(WINDOW_NAME1,g_srcImage);  Mat srcImage,grayImage;  g_srcImage.copyTo(srcImage);  cvtColor(g_srcImage,g_maskImage,CV_BGR2GRAY);  cvtColor(g_maskImage,grayImage,CV_GRAY2BGR);//灰度图转BGR3通道，但每通道的值都是原先单通道的值，所以也是显示灰色的  g_maskImage = Scalar::all(0);//黑  setMouseCallback(WINDOW_NAME1,on_Mouse,0);  while(1)  {   int c = waitKey(0);   if((char)c == 27)    break;   if((char)c == '2')   {    g_maskImage = Scalar::all(0);//黑    srcImage.copyTo(g_srcImage);    imshow("image",g_srcImage);   }   if((char)c == '1'||(char)c == ' ')   {    int i,j,compCount = 0;    vector<vector<Point>> contours;//定义轮廓    vector<Vec4i> hierarchy;//定义轮廓的层次    findContours(g_maskImage,contours,hierarchy,RETR_CCOMP,CHAIN_APPROX_SIMPLE);    if(contours.empty())     continue;    Mat maskImage(g_maskImage.size(),CV_32S);    maskImage = Scalar::all(0);    for(int index = 0;index >= 0;index = hierarchy[index][0],compCount++)     drawContours(maskImage,contours,index,Scalar::all(compCount+1),-1,8,hierarchy,INT_MAX);    if(compCount == 0)     continue;    vector<Vec3b> colorTab;    for(i=0;i<compCount;i++)    {     int b = theRNG().uniform(0,255);     int g = theRNG().uniform(0,255);     int r = theRNG().uniform(0,255);     colorTab.push_back(Vec3b((uchar)b,(uchar)g,(uchar)r));    }     //计算处理时间并输出到窗口中    double dTime = (double)getTickCount();    watershed(srcImage,maskImage);    dTime = (double)getTickCount()-dTime;    printf("\t处理时间=%gms\n",dTime*1000./getTickFrequency());    //双层循环，将分水岭图像遍历存入watershedImage中    Mat watershedImage(maskImage.size(),CV_8UC3);    for(i=0;i<maskImage.rows;i++)     for(j=0;j<maskImage.cols;j++)     {      int index = maskImage.at<int>(i,j);      if(index == -1)       watershedImage.at<Vec3b>(i,j) = Vec3b(255,255,255);      else if(index<=0||index>compCount)       watershedImage.at<Vec3b>(i,j) = Vec3b(0,0,0);      else       watershedImage.at<Vec3b>(i,j) = colorTab[index-1];      }     //混合灰度图和分水岭效果图并显示最终的窗口     watershedImage = watershedImage*0.5+grayImage*0.5;     imshow(WINDOW_NAME2,watershedImage);           }   }  waitKey();  return 0; }

效果图：

“怎么用python下的OpenCV实现图像和文字分离”的内容就介绍到这里了，感谢大家的阅读。如果想了解更多行业相关的知识可以关注亿速云网站，小编将为大家输出更多高质量的实用文章！