python opencv 图像去黑边
为此,斗胆提出了如下的算法:1、找到图像中心点,并获取中心点所在横和纵的全部像素2、使用numpy的向量化操作,比较横或纵像素点与黑边阈值的大小3、找到上述比较结果中各处为True的结果,即为去除黑边后的图像边界优点与改进空间这样做的优点是显而易见的,代码逻辑清晰明了,且没有使用for循环效率极高,时间复杂度是o(n),对于寻常图像大小比传统做法快了100倍的样子。但是上述例程没有办法处理黑边范围
·
笔者看了很多使用python来给图像去黑边的做法,他们几乎都会使用for循环来遍历大量像素,这对于python操作来说是非常低效的。
为此,斗胆提出了如下的算法:
1、找到图像中心点,并获取中心点所在横和纵的全部像素
2、使用numpy的向量化操作,比较横或纵像素点与黑边阈值的大小
3、找到上述比较结果中各处为True的结果,即为去除黑边后的图像边界
效果如下图所示:
实现代码
import cv2
import numpy as np
threshold = 40 # 阈值
gray = cv2.imread('./bgRemovedTEst.png') # 导入图片
gray = cv2.cvtColor(gray, cv2.COLOR_RGB2GRAY) # 转换为灰度图像
nrow = gray.shape[0] # 获取图片尺寸
ncol = gray.shape[1]
rowc = gray[:,int(1/2*nrow)] # 无法区分黑色区域超过一半的情况
colc = gray[int(1/2*ncol),:]
rowflag = np.argwhere(rowc > threshold)
colflag = np.argwhere(colc > threshold)
left,bottom,right,top = rowflag[0,0],colflag[-1,0],rowflag[-1,0],colflag[0,0]
cv2.imshow('name',gray[left:right,top:bottom]) # 效果展示
cv2.waitKey()
优点与改进空间
这样做的优点是显而易见的,代码逻辑清晰明了,且没有使用for循环效率极高,时间复杂度是o(n),对于寻常图像大小比传统做法快了100倍的样子。
但是上述例程没有办法处理黑边范围超过一半的情况。为此可以将手动取中心点作为分界线,改成随机取点,直到该点不为黑边为止。
更多推荐
已为社区贡献2条内容
所有评论(0)