📌  相关文章
📜  OpenCV Blob检测

📅  最后修改于: 2021-01-07 06:36:16             🧑  作者: Mango

OpenCV Blob检测

Blob代表Binary Large Object ，是指二进制图像中连接的像素。术语“大”集中于特定大小的对象，而其他“小”二进制对象通常是噪声。关于BLOB分析有三个过程。

BLOB提取

斑点提取是指将二进制图像中的BLOB(对象)分开。 BLOB包含一组连接的像素。我们可以通过连通性确定是否连接了两个像素，即哪个像素与另一个像素相邻。有两种连接类型。 8连接性和4连接性。 8连接性远胜于4连接性。

BLOB表示

BLOB表示只是意味着将BLOB转换为几个代表数字。提取BLOB之后，下一步是对几个BLOB进行分类。 BLOB表示过程有两个步骤。第一步，每个BLOB由几个特征表示，第二步是应用一些匹配方法来比较每个BLOB的特征。

BLOB分类

在这里，我们确定BLOB的类型，例如，给定BLOB是否为圆。这里的问题是如何根据我们前面介绍的BLOB特征来定义哪些BLOB是圆形的，哪些不是。为此，通常我们需要为要寻找的对象制作一个原型模型。

import cv2
import numpy as np;

img = cv2.imread(r"filename", cv2.IMREAD_GRAYSCALE)
# Set up the detector with default parameters.
detector = cv2.SimpleBlobDetector()

# Detecting blobs.
keypoints = detector.detect(img)
# Draw detected blobs as red circles.
# cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS ensures the size of the circle corresponds to the size of blob
im_with_keypoints = cv2.drawKeypoints(img, keypoints, np.array([]), (0, 0, 255),
                                      cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS)
# Show keypoints
cv2.imshow("Keypoints", im_with_keypoints)
cv2.waitKey(0)

如何进行背景减法?

背景减法被广泛用于生成前景蒙版。二值图像包含属于场景中移动对象的像素。背景减法计算前景蒙版，并在当前帧和背景模型之间执行减法。

背景建模有两个主要步骤

  • 背景初始化-在此步骤中，将计算背景的初始模型。
  • 后台更新-在此步骤中，将更新模型以适应场景中可能发生的变化。

从第一帧手动减法

首先，我们导入库并加载视频。接下来，我们获取视频的第一帧，将其转换为灰度，然后应用高斯模糊以消除一些噪声。我们使用while循环，因此一帧一帧地加载。完成此操作后，我们得到了减法背景的核心部分，在其中我们计算了第一帧与当前帧之间的绝对差。

示例1

import cv2
import numpy as np
cap = cv2.VideoCapture(0)

first_frame = cap.read()
first_gray = cv2.cvtColor(first_frame,)
first_gray_col = cv2.GaussianBlur(first_gray, (5, 5), 0)

while True:
    frame = cap.read()
    gray_frame = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
    gray_frame = cv2.GaussianBlur(gray_frame, (5, 5), 0)

difference = cv2.absdiff(first_gray, gray_frame)
difference = cv2.threshold(difference, 25, 255, cv2.THRESH_BINARY)

使用减法器MOG2进行减法

OpenCV提供的减法器MOG2比手动模式有效。减法器MOG2的优点是可以处理帧历史记录。语法如下：

cv2.createBackgroundSubtractorMOG2(history, varTheshold, detectShadow)

第一个参数，history是最后一帧的编号(默认为120)。

第二个参数varThreshold是评估差异以提取背景时使用的值。较低的阈值将利用噪声较大的图像发现更多变化。

第三个参数detectShadows是算法的功能，如果启用，可以删除阴影。

示例2：

import cv2
import numpy as np
cap = cv2.VideoCapture("filename")

subtractor = cv2.createBackgroundSubtractorMOG2(history=100, varThreshold=50, detectShadows=True)

while True:
    _, frame = cap.read()
    mask = subtractor.apply(frame)
    cv2.imshow("Frame", frame)
    cv2.imshow("mask", mask)
    key = cv2.waitKey(30)
    if key == 27:
        break
cap.release()
cv2.destroyWindowKey()

在上面的代码中， cv2.VideoCapture(“ filename”)接受包含文件的完整路径，其中cv2.createBackgroundSubtractorMOG2()将从视频文件中排除背景。