Penso che dovrebbe essere un problema molto semplice, ma non riesco a trovare una soluzione o una parola chiave efficace per la ricerca.Ritaglia bordi neri con OpenCV
Ho solo questa immagine.
I bordi neri sono inutili in modo che voglio tagliare loro, lasciando soltanto l'icona di Windows (e lo sfondo blu).
Non voglio calcolare le coordinate e la dimensione dell'icona di Windows. GIMP e Photoshop hanno una sorta di funzione autocrop. OpenCV non ne ha uno?
Non sono sicuro che tutte le immagini siano così. Ma per questa immagine, sotto c'è un semplice codice python-opencv per ritagliarlo.
prime librerie di importazione:
import cv2
import numpy as np
leggere l'immagine, lo trasformano in scala di grigi, e rendere l'immagine binaria in per il valore soglia del 1.
img = cv2.imread('sofwin.png')
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
_,thresh = cv2.threshold(gray,1,255,cv2.THRESH_BINARY)
Ora trova contorni in esso. Ci sarà un solo oggetto, quindi trova il rettangolo di limitazione per esso.
contours,hierarchy = cv2.findContours(thresh,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)
cnt = contours[0]
x,y,w,h = cv2.boundingRect(cnt)
Ora ritaglia l'immagine e salvala in un altro file.
crop = img[y:y+h,x:x+w]
cv2.imwrite('sofwinres.png',crop)
seguenti è il risultato:
import numpy as np
def autocrop(image, threshold=0):
"""Crops any edges below or equal to threshold
Crops blank image to 1x1.
Returns cropped image.
"""
if len(image.shape) == 3:
flatImage = np.max(image, 2)
else:
flatImage = image
assert len(flatImage.shape) == 2
rows = np.where(np.max(flatImage, 0) > threshold)[0]
if rows.size:
cols = np.where(np.max(flatImage, 1) > threshold)[0]
image = image[cols[0]: cols[-1] + 1, rows[0]: rows[-1] + 1]
else:
image = image[:1, :1]
return image
perché rimuovi il canale dei colori? '' 'flatImage = np.max (image, 2)' '' –
A causa dell'uso di un valore di soglia grigio. Ci sono più implementazioni adeguate come al solito, questo è solo uno di questi. – fviktor
Che ne dite di un po 'di funzione ricorsiva chiazza di petrolio?
import cv2
import numpy as np
def trim(frame):
#crop top
if not np.sum(frame[0]):
return trim(frame[1:])
#crop bottom
elif not np.sum(frame[-1]):
return trim(frame[:-2])
#crop left
elif not np.sum(frame[:,0]):
return trim(frame[:,1:])
#crop right
elif not np.sum(frame[:,-1]):
return trim(frame[:,:-2])
return frame
di carico e la soglia l'immagine al fine di garantire le aree scure sono neri:
img = cv2.imread("path_to_image.png")
thold = (img>120)*img
quindi chiamare la funzione ricorsiva
trimmedImage = trim(thold)
OK, quindi per completezza, ho implementato ciascuno dei raccomandazioni sopra, ha aggiunto una versione iterativa dell'algoritmo ricorsivo (una volta corretto) e ha fatto una serie di test delle prestazioni.
TLDR: Recursive è probabilmente il migliore per il caso medio (ma usa quello sotto - l'OP ha un paio di bug), e l'autocrop è il migliore per le immagini che ti aspetti di essere quasi vuoto.
Risultati generali: 1. L'algoritmo ricorsivo di cui sopra ha un paio di bug fuori-da-1 in esso. La versione corretta è sotto. 2. La funzione cv2.findContours ha problemi con le immagini non rettangolari e in realtà riduce anche parte dell'immagine in diversi scenari. Ho aggiunto una versione che utilizza cv2.CHAIN_APPROX_NONE per vedere se aiuta (non aiuta). 3. L'implementazione di AutoProp è ottima per immagini sparse, ma povere per quelle dense, l'inverso dell'algoritmo ricorsivo/iterativo.
import numpy as np
import cv2
def trim_recursive(frame):
if frame.shape[0] == 0:
return np.zeros((0,0,3))
# crop top
if not np.sum(frame[0]):
return trim_recursive(frame[1:])
# crop bottom
elif not np.sum(frame[-1]):
return trim_recursive(frame[:-1])
# crop left
elif not np.sum(frame[:, 0]):
return trim_recursive(frame[:, 1:])
# crop right
elif not np.sum(frame[:, -1]):
return trim_recursive(frame[:, :-1])
return frame
def trim_contours(frame):
gray = cv2.cvtColor(frame,cv2.COLOR_BGR2GRAY)
_,thresh = cv2.threshold(gray,1,255,cv2.THRESH_BINARY)
_, contours, hierarchy = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
if len(contours) == 0:
return np.zeros((0,0,3))
cnt = contours[0]
x, y, w, h = cv2.boundingRect(cnt)
crop = frame[y:y + h, x:x + w]
return crop
def trim_contours_exact(frame):
gray = cv2.cvtColor(frame,cv2.COLOR_BGR2GRAY)
_,thresh = cv2.threshold(gray,1,255,cv2.THRESH_BINARY)
_, contours, hierarchy = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)
if len(contours) == 0:
return np.zeros((0,0,3))
cnt = contours[0]
x, y, w, h = cv2.boundingRect(cnt)
crop = frame[y:y + h, x:x + w]
return crop
def trim_iterative(frame):
for start_y in range(1, frame.shape[0]):
if np.sum(frame[:start_y]) > 0:
start_y -= 1
break
if start_y == frame.shape[0]:
if len(frame.shape) == 2:
return np.zeros((0,0))
else:
return np.zeros((0,0,0))
for trim_bottom in range(1, frame.shape[0]):
if np.sum(frame[-trim_bottom:]) > 0:
break
for start_x in range(1, frame.shape[1]):
if np.sum(frame[:, :start_x]) > 0:
start_x -= 1
break
for trim_right in range(1, frame.shape[1]):
if np.sum(frame[:, -trim_right:]) > 0:
break
end_y = frame.shape[0] - trim_bottom + 1
end_x = frame.shape[1] - trim_right + 1
# print('iterative cropping x:{}, w:{}, y:{}, h:{}'.format(start_x, end_x - start_x, start_y, end_y - start_y))
return frame[start_y:end_y, start_x:end_x]
def autocrop(image, threshold=0):
"""Crops any edges below or equal to threshold
Crops blank image to 1x1.
Returns cropped image.
"""
if len(image.shape) == 3:
flatImage = np.max(image, 2)
else:
flatImage = image
assert len(flatImage.shape) == 2
rows = np.where(np.max(flatImage, 0) > threshold)[0]
if rows.size:
cols = np.where(np.max(flatImage, 1) > threshold)[0]
image = image[cols[0]: cols[-1] + 1, rows[0]: rows[-1] + 1]
else:
image = image[:1, :1]
return image
Poi di provarlo, ho fatto questa semplice funzione:
import datetime
import numpy as np
import random
ITERATIONS = 10000
def test_image(img):
orig_shape = img.shape
print ('original shape: {}'.format(orig_shape))
start_time = datetime.datetime.now()
for i in range(ITERATIONS):
recursive_img = trim_recursive(img)
print ('recursive shape: {}, took {} seconds'.format(recursive_img.shape, (datetime.datetime.now()-start_time).total_seconds()))
start_time = datetime.datetime.now()
for i in range(ITERATIONS):
contour_img = trim_contours(img)
print ('contour shape: {}, took {} seconds'.format(contour_img.shape, (datetime.datetime.now()-start_time).total_seconds()))
start_time = datetime.datetime.now()
for i in range(ITERATIONS):
exact_contour_img = trim_contours(img)
print ('exact contour shape: {}, took {} seconds'.format(exact_contour_img.shape, (datetime.datetime.now()-start_time).total_seconds()))
start_time = datetime.datetime.now()
for i in range(ITERATIONS):
iterative_img = trim_iterative(img)
print ('iterative shape: {}, took {} seconds'.format(iterative_img.shape, (datetime.datetime.now()-start_time).total_seconds()))
start_time = datetime.datetime.now()
for i in range(ITERATIONS):
auto_img = autocrop(img)
print ('autocrop shape: {}, took {} seconds'.format(auto_img.shape, (datetime.datetime.now()-start_time).total_seconds()))
def main():
orig_shape = (10,10,3)
print('Empty image--should be 0x0x3')
zero_img = np.zeros(orig_shape, dtype='uint8')
test_image(zero_img)
print('Small image--should be 1x1x3')
small_img = np.zeros(orig_shape, dtype='uint8')
small_img[3,3] = 1
test_image(small_img)
print('Medium image--should be 3x7x3')
med_img = np.zeros(orig_shape, dtype='uint8')
med_img[5:8, 2:9] = 1
test_image(med_img)
print('Random image--should be full image: 100x100')
lg_img = np.zeros((100,100,3), dtype='uint8')
for y in range (100):
for x in range(100):
lg_img[y,x, 0] = random.randint(0,255)
lg_img[y, x, 1] = random.randint(0, 255)
lg_img[y, x, 2] = random.randint(0, 255)
test_image(lg_img)
main()
... EI RISULTATI ...
Empty image--should be 0x0x3
original shape: (10, 10, 3)
recursive shape: (0, 0, 3), took 0.295851 seconds
contour shape: (0, 0, 3), took 0.048656 seconds
exact contour shape: (0, 0, 3), took 0.046273 seconds
iterative shape: (0, 0, 3), took 1.742498 seconds
autocrop shape: (1, 1, 3), took 0.093347 seconds
Small image--should be 1x1x3
original shape: (10, 10, 3)
recursive shape: (1, 1, 3), took 1.342977 seconds
contour shape: (0, 0, 3), took 0.048919 seconds
exact contour shape: (0, 0, 3), took 0.04683 seconds
iterative shape: (1, 1, 3), took 1.084258 seconds
autocrop shape: (1, 1, 3), took 0.140886 seconds
Medium image--should be 3x7x3
original shape: (10, 10, 3)
recursive shape: (3, 7, 3), took 0.610821 seconds
contour shape: (0, 0, 3), took 0.047263 seconds
exact contour shape: (0, 0, 3), took 0.046342 seconds
iterative shape: (3, 7, 3), took 0.696778 seconds
autocrop shape: (3, 7, 3), took 0.14493 seconds
Random image--should be full image: 100x100
original shape: (100, 100, 3)
recursive shape: (100, 100, 3), took 0.131619 seconds
contour shape: (98, 98, 3), took 0.285515 seconds
exact contour shape: (98, 98, 3), took 0.288365 seconds
iterative shape: (100, 100, 3), took 0.251708 seconds
autocrop shape: (100, 100, 3), took 1.280476 seconds
In caso aiuta nessuno, sono andato con questo tweak di @ wordsforthewise replacement per una soluzione basata su PIL:
bw = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
rows, cols = bw.shape
non_empty_columns = np.where(bw.max(axis=0) > 0)[0]
non_empty_rows = np.where(bw.max(axis=1) > 0)[0]
cropBox = (min(non_empty_rows) * (1 - padding),
min(max(non_empty_rows) * (1 + padding), rows),
min(non_empty_columns) * (1 - padding),
min(max(non_empty_columns) * (1 + padding), cols))
return img[cropBox[0]:cropBox[1]+1, cropBox[2]:cropBox[3]+1 , :]
(È un ritocco in quanto il codice originale prevede di ritagliare uno sfondo bianco anziché uno nero.)
Grazie. Vuoi dire che OpenCV non fornisce una funzione consolidata per tagliare i bordi. – Gqqnbig
+1 Bella risposta. E sì, @LoveRight, questo è esattamente ciò che intende. Un altro approccio per affrontare questo problema è stato [discusso qui] (http://stackoverflow.com/a/10317919/176769). – karlphillip
Voglio solo sottolineare che puoi giocare un po 'con la soglia se non fa proprio quello che vuoi, ho dovuto alzare il 1 a circa 10. '' '_, thresh = cv2.threshold (grigio, 10,255, cv2.THRESH_BINARY) '' ' – deweydb