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！