OpenCV和PIL进行前景提取

摘要

在图像处理和分析中,前景提取是一项关键技术,尤其是在计算机视觉和模式识别领域。本文介绍了一种结合OpenCV和PIL库的方法,实现在批量处理图像时有效提取前景并保留原始图像的EXIF数据。具体步骤包括从指定文件夹中读取图像,进行前景提取和处理,然后将结果保存到另一个文件夹,同时保持图像的元数据信息。

在这里插入图片描述

在这里插入图片描述

代码实现步骤

这段代码实现了从指定文件夹中批量读取图像,进行前景提取和处理,并将结果保存到另一个文件夹,同时保留原始图像的EXIF信息。以下是代码的详细解释:

导入必要的库

import cv2
import numpy as np
from PIL import Image
import glob
import os
from pathlib import Path
import tqdm
  • cv2: OpenCV库,用于图像处理。
  • numpy: 数值计算库,用于处理数组操作。
  • PIL: Python图像库,用于处理图像文件和EXIF数据。
  • glob: 文件名模式匹配库,用于查找符合特定模式的文件路径名。
  • os: 操作系统接口,用于文件和目录操作。
  • Path: pathlib库的一部分,用于处理文件路径。
  • tqdm: 进度条库,用于显示处理进度。

设置文件夹路径和创建输出文件夹

folder_path = r'C:\Users\cdh96\Desktop\iphone11\*.jpg'
output_folder = r'D:\lab\paper\img_preproccess\extrat_foreground\1\images'if not os.path.isdir(output_folder):os.mkdir(output_folder)
  • folder_path: 输入图像文件夹路径。
  • output_folder: 输出图像文件夹路径。如果输出文件夹不存在,则创建它。

处理图像

for image_path in tqdm.tqdm(glob.glob(folder_path)):path_obj  = Path(image_path)image_path = path_obj.as_posix()img_original = cv2.imread(image_path)if img_original is None:breakimg_original = cv2.cvtColor(img_original, cv2.COLOR_RGB2BGR)img_gray = cv2.imread(image_path, 0)
  • 使用glob库获取所有符合条件的图像路径,并使用tqdm显示进度条。
  • 使用cv2.imread读取图像,如果图像为空,退出循环。
  • 将图像转换为BGR格式,并读取灰度图像。

前景提取和处理

    output_path = os.path.join(output_folder, path_obj.name)retval, img_global = cv2.threshold(img_gray, 30, 255, cv2.THRESH_BINARY)img_global[img_global > 0] = 1kernel = np.ones((3, 3), dtype=np.uint8)img_global = cv2.morphologyEx(img_global, cv2.MORPH_OPEN, kernel, iterations=4)num_labels, labels, stats, centroids = cv2.connectedComponentsWithStats(img_global, connectivity=8)sorted_indices = np.argsort(stats[:, -1])labels[labels != sorted_indices[-2]] = 0labels[labels == sorted_indices[-2]] = 1img_original = img_original * np.repeat(labels[:, :, np.newaxis], 3, axis=-1)img_original = cv2.convertScaleAbs(img_original)image_rgb = cv2.cvtColor(img_original, cv2.COLOR_BGR2RGB)
  • 使用全局阈值法提取前景。
  • 使用形态学操作去除噪点。
  • 使用连通组件分析提取主要前景区域。
  • 根据连通组件的面积排序,选取面积第二大的组件作为主要前景。
  • 生成前景掩码并应用到原始图像。

保存处理后的图像并保留EXIF数据

    cv2.imwrite(output_path, image_rgb)with Image.open(r'D:\lab\paper\img_preproccess\extrat_foreground\1\DSC00421.JPG') as img:exif_data = img.info.get('exif')with Image.open(output_path) as img:img.save(output_path, 'JPEG', exif=exif_data)
  • 保存处理后的图像。
  • 从示例图像中提取EXIF数据,并应用到处理后的图像中。

这个过程确保了前景的提取和处理,同时保留了原始图像的EXIF元数据,使得图像在保存时保留原始的拍摄信息。

整体代码


import cv2
import numpy as np
from PIL import Image
import glob
import os
from pathlib import Path
import tqdmfolder_path = r'C:\Users\cdh96\Desktop\iphone11\*.jpg'
output_folder = r'D:\lab\paper\img_preproccess\extrat_foreground\1\images'if not os.path.isdir(output_folder):os.mkdir(output_folder)for image_path in tqdm.tqdm(glob.glob(folder_path)):path_obj  = Path(image_path)image_path = path_obj.as_posix()img_original = cv2.imread(image_path)if img_original is None:breakimg_original = cv2.cvtColor(img_original, cv2.COLOR_RGB2BGR)img_gray = cv2.imread(image_path, 0)output_path = os.path.join(output_folder,path_obj.name)# 分割retval, img_global = cv2.threshold(img_gray, 30, 255, cv2.THRESH_BINARY)img_global[img_global > 0] = 1# 处理毛刺kernel = np.ones((3, 3), dtype=np.uint8)img_global = cv2.morphologyEx(img_global, cv2.MORPH_OPEN, kernel, iterations=4)# 根据面积选取主体num_labels, labels, stats, centroids = cv2.connectedComponentsWithStats(img_global, connectivity=8)sorted_indices = np.argsort(stats[:, -1])# 使用masklabels[labels != sorted_indices[-2]] = 0labels[labels == sorted_indices[-2]] = 1img_original = img_original * np.repeat(labels[:, :, np.newaxis], 3, axis=-1)img_original = cv2.convertScaleAbs(img_original)image_rgb = cv2.cvtColor(img_original, cv2.COLOR_BGR2RGB)cv2.imwrite(output_path, image_rgb)# # 存储原始的图像信息with Image.open(r'D:\lab\paper\img_preproccess\extrat_foreground\1\DSC00421.JPG') as img:exif_data = img.info.get('exif')with Image.open(output_path) as img:img.save(output_path, 'JPEG', exif=exif_data)

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/diannao/44702.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

【链表】- 环形链表 II

1. 对应力扣题目连接 环形链表 II 2. 实现思路 a. 链表图示: b. 检测链表中是否存在环,即:会相交 思路: 使用 Floyd 的龟兔赛跑算法(Floyd’s Tortoise and Hare algorithm),即快慢指针法&…

二分法求函数的零点 信友队

题目ID&#xff1a;15713 必做题 100分 时间限制: 1000ms 空间限制: 65536kB 题目描述 有函数&#xff1a;f(x) 已知f(1.5) > 0&#xff0c;f(2.4) < 0 且方程 f(x) 0 在区间 [1.5,2.4] 有且只有一个根&#xff0c;请用二分法求出该根。 输入格式 &#xff08;无…

Mysql查询近半年每个月有多少天

Mysql 查询近6个月每个月有多少天&#xff1a; SELECT DATE_FORMAT(DATE_ADD(NOW(),INTERVAL-(CAST( help_topic_id AS SIGNED INTEGER )) MONTH ), %Y-%m) as months,DAY(LAST_DAY(CONCAT(DATE_FORMAT(DATE_ADD(NOW(),INTERVAL-(CAST( help_topic_id AS SIGNED INTEGER )) MO…

【区块链+跨境服务】跨境出口电商溯源 | FISCO BCOS应用案例

当前跨境出口电商已成为带动我国外贸发展的中坚力量&#xff0c;尤其疫情特殊时期&#xff0c;成为推动经济增长的一个重要组成 部分。但是跨境出口电商流程长、环节多&#xff0c;且需辗转于不同的服务商以及国家之间&#xff0c;监管与定位也相对困难&#xff0c;容 易出现诸…

两段序列帧动画播放,在ios机型上出现闪屏

使用场景&#xff1a;两段序列帧动画连接播放&#xff0c;先播放第一段播一次&#xff0c;再播放第二段&#xff0c;第二段循环播放&#xff0c;在ios机型上出现动画闪动&#xff0c;播放不正常。 错误的写法&#xff1a;把每一段序列帧动画单独写在了定义的动画里 .gacha-bg…

开源软件项目的发展趋势与参与经验

目录 前言1. 开源项目的发展现状1.1 开源项目的快速增长1.2 企业对开源项目的重视 2. 开源社区的活跃度2.1 开源社区的多样性2.2 社区活动的丰富性 3. 开源项目在技术创新中的作用3.1 促进技术的快速迭代3.2 提供灵活的解决方案 4. 参与开源项目的经验和收获4.1 如何选择开源项…

从0-1搭建一个web项目(页面布局详解)详解

本章分析页面布局详解详解 ObJack-Admin一款基于 Vue3.3、TypeScript、Vite3、Pinia、Element-Plus 开源的后台管理框架。在一定程度上节省您的开发效率。另外本项目还封装了一些常用组件、hooks、指令、动态路由、按钮级别权限控制等功能。感兴趣的小伙伴可以访问源码点个赞 地…

【系统架构设计师】九、软件工程(软件开发生命周期|McCabe度量法|系统转换|系统维护|净室软件工程|基于构件的软件工程)

目录 九、软件开发生命周期和工具 十、McCabe度量法 十一、系统转换 11.1 遗留系统 11.2 系统转换 11.3 系统维护 十二、净室软件工程 十三、基于构件的软件工程 13.1 构件特征 13.2 构件模型要素 13.3 CBSE过程 13.4 构件组装 相关推荐 历年真题练习 九、软件开…

DOM 基本操作 - 事件基础

theme: smartblue 一、事件概述 JavaScript使我们有能力创建动态页面&#xff0c;而事件是可以被JavaScript侦测到的行为。 简单理解: 触发---响应机制。 网页中的每个元素都可以产生某些可以触发JavaScript的事件&#xff0c;例如&#xff0c;我们可以在用户点击某按钮时产生一…

libvirt qemu添加新类型磁盘格式

目录 前言 1 qemu部分 1.1 磁盘格式驱动创建 1.2 json文件创建数据结构对象&#xff1a; 2 libvirt部分&#xff1a; 2.1 对应关系设置 2.2参设向指令格式转换 前言 qemu中有很多虚拟机磁盘格式&#xff0c;比如较为熟悉的qcow2&#xff0c;luks&#xff0c;r…

C语言文件操作技术详解

C语言提供了一套强大的文件操作API&#xff0c;允许开发者进行文件读写、访问和管理。本文将深入探讨C语言文件操作的背后的技术&#xff0c;包括基本文件操作、文件读写以及文件权限和属性。我们将通过详细的解释和实用的代码案例来展示如何有效地使用这些技术。 第一部分&am…

C++ //练习 14.52 在下面的加法表达式中分别选用了哪个operator+?列出候选函数、可行函数及为每个可行函数的实参执行的类型转换:

C Primer&#xff08;第5版&#xff09; 练习 14.52 练习 14.52 在下面的加法表达式中分别选用了哪个operator&#xff1f;列出候选函数、可行函数及为每个可行函数的实参执行的类型转换&#xff1a; struct LongDouble{//用于演示的成员opeartor&#xff1b;在通常情况下是个…

自动驾驶技术的原理

自动驾驶汽车利用视觉识别功能来感知周围环境并做出驾驶决策。以下是自动驾驶汽车如何利用视觉识别功能及其原理的详细说明&#xff1a; ### 视觉识别在自动驾驶中的应用 1. **目标检测&#xff08;Object Detection&#xff09;**&#xff1a;识别并定位道路上的其他车辆、行人…

【安全设备】EDR

一、什么是EDR EDR即集检测、防御、运维功能于一体的主机安全及管理系统。EDR是一款集成了丰富的系统加固与防护、网络加固与防护等功能的主机安全产品。 二、EDR的部署模式 EDR&#xff08;Endpoint Detection and Response&#xff0c;端点检测和响应&#xff09;的部署方…

开源项目编译harbor arm架构的包 —— 筑梦之路

GitHub - amy5200/harbor-arm64 先做个记录&#xff0c;空了再验证

矩阵分解及其在机器学习中的应用

阵分解是一种广泛应用于数据挖掘和机器学习领域的技术&#xff0c;它通过将一个高维数据集分解为多个低维的数据集&#xff0c;以降低数据的复杂性、提高计算效率&#xff0c;并发现数据中的隐含结构。本文将详细介绍矩阵分解的基本概念、主要方法及其在机器学习中的应用。 一、…

JWT总结

JWT&#xff08;JSON Web Tokens&#xff09;是一种用于在双方之间安全传输信息的简洁的、URL安全的令牌标准。以下是关于JWT的结构、作用、优点以及可能出现的问题的详细解答&#xff1a; 一、JWT的结构 JWT的结构由三个部分组成&#xff0c;它们通过.&#xff08;点&#x…

fastadmin框架后台列表固定第一行列表固定头部

在列表中&#xff0c;如果列表字段很多&#xff0c;并且每页数量很多&#xff0c;往下拉的时候就不好辨别数据是哪个字段的&#xff0c;对用户造成不好的浏览体验。 通过以下方法&#xff0c;可以实现将列表的第一行&#xff0c;也就是头部&#xff0c;固定在第一行显示&#…

TLS与SSL的区别

目录 一、协议版本二、安全性三、性能四、兼容性五、总结 TLS&#xff08;Transport Layer Security&#xff09;和SSL&#xff08;Secure Sockets Layer&#xff09;都是为了保障互联网通信安全而设计的协议&#xff0c;主要用于加密客户端与服务器之间的数据传输。尽管它们的…

14-62 剑和诗人36 - 混合专家 (MoE) 扩展 AI 视野

了解混合专家 (MoE) 混合专家 (MoE) 是一种机器学习技术&#xff0c;它将多个“专家”神经网络模型组合成一个更大的模型。MoE 的目标是通过组合专业专家&#xff08;每个专家专注于不同的子领域&#xff09;来提高 AI 系统的准确性和能力。 MoE 模型的一些关键特征&#xff1…