图像分割-Grabcut法(C#)

版权声明:本文为博主原创文章,转载请在显著位置标明本文出处以及作者网名,未经作者允许不得用于商业目的。

本文的VB版本请访问:图像分割-Grabcut法-CSDN博客

GrabCut是一种基于图像分割的技术,它可以用于将图像中的前景和背景分离。在实现中,GrabCut算法通常需要使用高斯混合模型(GMM)来建立前景和背景的概率分布,以便更好的估计像素的标签。同时,还需要考虑如何处理边界处的像素,以避免边界处的像素被错误地分类。GrabCut算法在图像分割中有着广泛的应用,例如人像分割、物体抠图等。

EmguCV使用CvInvoke.GrabCut方法来执行GrabCut算法,该方法声明如下:

public static void GrabCut(

           IInputArray img,

                    IInputOutputArray mask,

                    Rectangle rect,

                    IInputOutputArray bgdModel,

                    IInputOutputArray fgdModel,

                    int iterCount,

                   GrabcutInitType type

)

参数说明:

  1. img:输入输出的图像,必须是三通道彩色图像。
  2. mask:指定的掩码图像,必须是单通道灰度图像,并且与输入图像具有相同的尺寸。可以传入0-3的值,分别为:0表示明显为背景的像素、1表示冥相位前景的像素、2表示可能为背景的像素、3表示可能为前景的像素。
  3. rect:指定的矩形框,用于定位大概率可能为前景目标的位置。
  4. bgdModel:背景模型,必须是单通道浮点型Mat。
  5. fgdModel:前景模型,必须是单通道浮点型Mat。
  6. iterCount:迭代次数,用于控制算法的收敛性。
  7. type:GrabCut算法初始化类型,可以选择GrabCutInitType.WithRect或GrabCutInitType.WithMask,分别表示根据提供的矩形初始化或根据掩码初始化。

该方法没有返回值,而是直接在mask图像上进行前景分割操作,最终获得的mask包含0-3的值,含义如参数中说明。

        //Grabcut法 private void Button5_Click(object sender, EventArgs e){Mat m = new Mat("C:\\learnEmgucv\\tower.jpg", ImreadModes.AnyColor);Mat result = new Mat();Mat bg = new Mat();Mat fg = new Mat();Rectangle rect = new Rectangle(80, 30, 680, 450);CvInvoke.GrabCut(m, result, rect, bg, fg, 1, GrabcutInitType.InitWithRect);//输出的result只有4个值://0:确定背景//1:确定前景//2:可能背景//3:可能前景//演示框选范围CvInvoke.Rectangle(m, rect, new MCvScalar(255, 255, 255), 1);ImageBox1.Image = m;//标记区域Matrix<byte> matr = new Matrix<byte>(result.Rows, result.Cols);result.CopyTo(matr);for (int i = 0; i < matr.Cols; i++){for (int j = 0; j < matr.Rows; j++){//将确定背景和可能背景标记为0,否则为255if (matr[j, i] == 0 || matr[j, i] == 2)matr[j, i] = 0;elsematr[j, i] = 255;}}Mat midm = new Mat();midm = matr.Mat;//显示标记的图像CvInvoke.Imshow("midm", midm);//灰度转为彩色Mat midm1 = new Mat();CvInvoke.CvtColor(midm, midm1, ColorConversion.Gray2Bgr);Mat mout = new Mat();//And运算CvInvoke.BitwiseAnd(m, midm1, mout);CvInvoke.Imshow("mout", mout);}

输出结果如下图所示:

图8-5 Grabcut法分离前景

       //Grabcut法 private void Button6_Click(object sender, EventArgs e){Mat m = CvInvoke.Imread("C:\\learnEmgucv\\tower.jpg", ImreadModes.Color);Mat result = new Mat();Mat bg = new Mat();Mat fg = new Mat();Rectangle rect = new Rectangle(80, 30, 680, 450);CvInvoke.GrabCut(m, result, rect, bg, fg, 5, GrabcutInitType.InitWithRect);Image<Bgr, byte> src = m.ToImage<Bgr, byte>();Image<Bgr, byte> dst = new Image<Bgr, byte>(new Size(src.Width, src.Height));Image<Gray, byte> mask = result.ToImage<Gray, byte>();//直接操作Image像素点for (int i = 0; i < src.Rows; i++){for (int j = 0; j < src.Cols; j++){//如果是确定前景和可能前景,直接保留原像素点颜色,否则为黑色if (mask.Data[i, j, 0] == 1 || mask.Data[i, j, 0] == 3){dst.Data[i, j, 0] = src.Data[i, j, 0];dst.Data[i, j, 1] = src.Data[i, j, 1];dst.Data[i, j, 2] = src.Data[i, j, 2];}else{dst.Data[i, j, 0] = 0;dst.Data[i, j, 1] = 0;dst.Data[i, j, 2] = 0;}}}ImageBox1.Image = dst;}

输出结果如下图所示:

图8-6 Grabcut法分离前景

      //标记为确定前景,这里使用InitWithMask 参数private void Button7_Click(object sender, EventArgs e){Mat m = new Mat("c:\\learnEmgucv\\lena.jpg", ImreadModes.AnyColor);Mat mask = new Mat();Mat bg = new Mat();Mat fg = new Mat();Rectangle rect = new Rectangle(80, 30, 340, 480);//使用前景为全白色Mat m1 = new Mat("c:\\learnEmgucv\\lena_fillwhite.jpg", ImreadModes.Grayscale);Mat mask1 = new Mat();//二值化CvInvoke.Threshold(m1, mask1, 250, 1, ThresholdType.Binary);CvInvoke.Rectangle(m, rect, new MCvScalar(255, 255, 255), 1);//标记之后再调用GrabCut,使用InitWithMask参数CvInvoke.GrabCut(m, mask1, rect, bg, fg, 2, GrabcutInitType.InitWithMask);Matrix<byte> matrx = new Matrix<byte>(mask1.Rows, mask1.Cols);mask1.CopyTo(matrx);for (int i = 0; i < matrx.Cols; i++)for (int j = 0; j < matrx.Rows; j++)if (matrx[i, j] == 0 || matrx[i, j] == 2)matrx[i, j] = 0;elsematrx[i, j] = 255;Mat midm2 = new Mat();midm2 = matrx.Mat;Mat midm1 = new Mat();CvInvoke.CvtColor(midm2, midm1, ColorConversion.Gray2Bgr);Mat mout = new Mat();CvInvoke.BitwiseAnd(m, midm1, mout);CvInvoke.Imshow("mout", mout);}

输出结果如下图所示:

图8-7 Grabcut法分离前景

由于.net平台下C#和vb.NET很相似,本文也可以为C#爱好者提供参考。

学习更多vb.net知识,请参看vb.net 教程 目录

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/news/602093.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

Linux第15步_安装FTP客户端

安装完FTP服务器后&#xff0c;还需要安装FTP客户端&#xff0c;才可以实现Ubuntu系统和Windows系统进行文件互传。 1、在STM32MP157开发板A盘基础资料\03软件中&#xff0c;找到“FileZilla_3.51.0_win64-setup.exe”&#xff0c;双击它&#xff0c;就可以安装。 2、点击“I …

第5章-第8节-Java面向对象中的内部类

1、内部类&#xff1a;属于类的成员之一&#xff0c;类的内部又定义类&#xff0c;外层的class称为外部类&#xff0c;内部的class称为内部类。 设计了某个类&#xff0c;根据需求发现其内部又需要定义一个独立的内部结构&#xff0c;此时就考虑将其定义为内部类&#xff0c;内…

docker 相关常用命令---持续更新

注意&#xff0c;如果命令从文档复制过来在执行总是失败&#xff0c;然后又确定自己的命令没有错&#xff0c;那就自己手工敲命令&#xff0c;有的命令内容复制就是不行&#xff0c;手工敲就没问题了。 #查看容器站点运行日志 --tail500 查看500行&#xff0c; 后面的是容器…

uView Skeleton 骨架屏

骨架屏一般用于页面在请求远程数据尚未完成时&#xff0c;页面用灰色块预显示本来的页面结构&#xff0c;给用户更好的体验。 说明 由于VUE和NVUE的特性不同&#xff0c;组件动画在VUE上为由左到右形式&#xff0c;在NVUE上为明暗显隐的形式。 #平台差异说明 App&#xff0…

Fontfabric:一款字体与设计的完美结合

一、产品介绍 Fontfabric是一款由国际字体设计公司Fontfabric开发的字体设计软件。它提供了一整套完整的字体设计工具&#xff0c;让用户可以轻松地创建、设计和定制自己的字体。Fontfabric拥有丰富的字体库&#xff0c;包括各种风格和类型&#xff0c;能够满足用户在不同场景…

2023年山东省职业院校技能大赛高职组“软件测试”赛项-接口测试报告答案(含术语)

任务五 接口测试 目录 接口测试任务要求 接口测试报告 目的 术语定义 <

安全加密基础—基本概念、keytool、openssl

安全加密基础—基本概念、keytool、openssl 目录 前言 一、概念 明文通信 无密钥密文通信 对称加密 非对称加密 数字签名 消息摘要(MD5) CA数字证书(解决公钥分发的问题) HTTPS 相关文件扩展名 常用后缀名 普通的pem文件内容 二、keytool 2.1常用的命令如下 2…

用mysql进行简单的分析查询

在MySQL中进行简单的分析查询通常涉及使用一些聚合函数和条件筛选来获取有关数据集的汇总信息。以下是一些常见的分析查询示例&#xff1a; 计算平均值&#xff1a; SELECT AVG(column_name) AS average_value FROM table_name;计算总和&#xff1a; SELECT SUM(column_name) A…

docker 完成MySQL的主从复制

文章目录 搭建步骤 搭建步骤 拉取镜像 docker pull mysql:5.7运行主从 docker run -p 3307:3306 --name mysql-master -v /mydata/mysql-master/log:/var/log/mysql -v /mydata/mysql-master/data:/var/lib/mysql -v /mydata/mysql-master/conf:/etc/mysql -e MYSQL_ROOT_P…

外包干了1个月,技术退步一大半。。。

先说一下自己的情况&#xff0c;本科生&#xff0c;19年通过校招进入广州某软件公司&#xff0c;干了接近4年的功能测试&#xff0c;今年年初&#xff0c;感觉自己不能够在这样下去了&#xff0c;长时间呆在一个舒适的环境会让一个人堕落!而我已经在一个企业干了四年的功能测试…

Word2Vector介绍

Word2Vector 2013 word2vec也叫word embeddings&#xff0c;中文名“词向量”&#xff0c;google开源的一款用于词向量计算的工具&#xff0c;作用就是将自然语言中的字词转为计算机可以理解的稠密向量。在word2vec出现之前&#xff0c;自然语言处理经常把字词转为离散的单独的…

c语言版:数据结构(时间复杂度,空间复杂度,练习)

时间复杂度 概念 时间复杂度是用来衡量算法执行时间的一个指标。它表示随着输入规模的增加&#xff0c;算法执行时间的增长率。时间复杂度通常用大O符号表示。 在计算时间复杂度时&#xff0c;通常会忽略常数项、低阶项和系数项&#xff0c;只关注随着输入规模增长而导致的主要…

量化简介和模式

1.量化简介 量化主要是一种加速推理的技术&#xff0c;量化运算符仅支持前向传递。量化是指使用精度较低的数据进行计算和内存访问的技术&#xff0c;与浮点实现相比&#xff0c;通常是 int8。这可以在几个重要领 (1).域实现性能提升&#xff1a; (2).模型尺寸缩小 4 倍&#…

代码随想录算法训练营第57天|● 647. 回文子串 ● 516.最长回文子序列 ● 动态规划总结篇

647. 回文子串 中等 相关标签 相关企业 提示 给你一个字符串 s &#xff0c;请你统计并返回这个字符串中 回文子串 的数目。 回文字符串 是正着读和倒过来读一样的字符串。 子字符串 是字符串中的由连续字符组成的一个序列。 具有不同开始位置或结束位置的子串&#xff0c;即使…

【Python百宝箱】边缘计算Python库大揭秘:构建高效、智能的IoT系统

连接与计算&#xff1a;深度解析Python库在边缘计算中的角色 前言 随着边缘计算在物联网和分布式系统中的广泛应用&#xff0c;寻找适用于边缘设备的Python库变得愈发重要。本文将探索多个Python库&#xff0c;涵盖了边缘计算的各个方面&#xff0c;从设备管理、分布式计算到…

网络名称解读 -入门5

WAN: Wide Area Network(跨区域&#xff09;&#xff0c;LAN&#xff1a; Local Area NetworkWAN MAC&#xff0c; 用来连接上级网络&#xff0c; LAN MAC&#xff0c; 用于内部网路。 LAN & WAN 3.1&#xff0c;LAN表示子网&#xff0c;通过掩码来筛选子网内主机数量&…

【C++】类和对象详解(类的使用,this指针)

文章目录 前言面向过程和面向对象的初步认识类的引入类的定义类的访问限定符和封装性访问限定符封装性 类的作用域类的实例化类对象模型如何计算类对象的大小类对象的存储方式猜测结构体内存对齐规则 this指针this指针的引出this指针的特性 总结 前言 提示&#xff1a;这里可以…

计算机毕业设计选题分享-SSM律师事务所业务管理系统01664(赠送源码数据库)JAVA、PHP,node.js,C++、python,大屏数据可视化等

SSM律师事务所业务管理系统 摘 要 随着科学技术的飞速发展&#xff0c;社会的方方面面、各行各业都在努力与现代的先进技术接轨&#xff0c;通过科技手段来提高自身的优势&#xff0c;律师事务所业务管理系统当然也不能排除在外。律师事务所业务管理系统是以实际运用为开发背景…

静态网页设计——电影推荐网(HTML+CSS+JavaScript)

前言 声明&#xff1a;该文章只是做技术分享&#xff0c;若侵权请联系我删除。&#xff01;&#xff01; 感谢大佬的视频&#xff1a; https://www.bilibili.com/video/BV1NK411x7oK/?vd_source5f425e0074a7f92921f53ab87712357b 使用技术&#xff1a;HTMLCSSJS&#xff08;…

【亚马逊云科技】使用Helm 3为Amazon EKS部署Prometheus+Grafana监控平台

文章目录 1. 创建Kubernetes命名空间2. 添加Prometheus社区helm chart3. 安装prometheus4. 检查Prometheus Pod运行状况5. 检查Prometheus Service部署情况6. 修改服务访问端口类型7. 访问Prometheus数据收集情况8. 访问Grafana9. 设置数据源10. 查看Kubernetes各类性能可视化参…