Ответ 1
Я решил вашу проблему, используя алгоритм OpenCV waterhed. Здесь вы можете найти теорию и примеры водораздела .
Сначала я выбрал несколько точек (маркеров), чтобы определить, где находится объект, который я хочу сохранить, и где находится фон. Этот шаг является ручным и может сильно варьироваться от изображения к изображению. Кроме того, это требует некоторого повторения, пока вы не получите желаемый результат. Я предлагаю использовать инструмент для получения координат пикселей. Затем я создал пустой целый массив нулей с размером изображения автомобиля. И затем я назначил некоторые значения (1: фон, [255,192,128,64]: car_parts) в пикселях в положениях маркера.
ПРИМЕЧАНИЕ.. Когда я загрузил изображение, мне пришлось обрезать его, чтобы получить его с автомобилем. После обрезки изображение имеет размер 400x601. Возможно, это не тот размер изображения, который у вас есть, поэтому маркеры будут отключены.
Впоследствии я использовал алгоритм водораздела. Первый вход - ваше изображение, а второй вход - изображение маркера (ноль везде, кроме позиций маркера). Результат показан на рисунке ниже.
Я устанавливаю все пиксели со значением больше 1 - 255 (автомобиль), а остальные (фон) равны нулю. Затем я расширил полученное изображение ядром 3x3, чтобы избежать потери информации о контуре автомобиля. Наконец, я использовал расширенное изображение в качестве маски для исходного изображения, используя функцию cv2.bitwise_and(), и результат заключается в следующем изображении:
Вот мой код:
import cv2
import numpy as np
import matplotlib.pyplot as plt
# Load the image
img = cv2.imread("/path/to/image.png", 3)
# Create a blank image of zeros (same dimension as img)
# It should be grayscale (1 color channel)
marker = np.zeros_like(img[:,:,0]).astype(np.int32)
# This step is manual. The goal is to find the points
# which create the result we want. I suggest using a
# tool to get the pixel coordinates.
# Dictate the background and set the markers to 1
marker[204][95] = 1
marker[240][137] = 1
marker[245][444] = 1
marker[260][427] = 1
marker[257][378] = 1
marker[217][466] = 1
# Dictate the area of interest
# I used different values for each part of the car (for visibility)
marker[235][370] = 255 # car body
marker[135][294] = 64 # rooftop
marker[190][454] = 64 # rear light
marker[167][458] = 64 # rear wing
marker[205][103] = 128 # front bumper
# rear bumper
marker[225][456] = 128
marker[224][461] = 128
marker[216][461] = 128
# front wheel
marker[225][189] = 192
marker[240][147] = 192
# rear wheel
marker[258][409] = 192
marker[257][391] = 192
marker[254][421] = 192
# Now we have set the markers, we use the watershed
# algorithm to generate a marked image
marked = cv2.watershed(img, marker)
# Plot this one. If it does what we want, proceed;
# otherwise edit your markers and repeat
plt.imshow(marked, cmap='gray')
plt.show()
# Make the background black, and what we want to keep white
marked[marked == 1] = 0
marked[marked > 1] = 255
# Use a kernel to dilate the image, to not lose any detail on the outline
# I used a kernel of 3x3 pixels
kernel = np.ones((3,3),np.uint8)
dilation = cv2.dilate(marked.astype(np.float32), kernel, iterations = 1)
# Plot again to check whether the dilation is according to our needs
# If not, repeat by using a smaller/bigger kernel, or more/less iterations
plt.imshow(dilation, cmap='gray')
plt.show()
# Now apply the mask we created on the initial image
final_img = cv2.bitwise_and(img, img, mask=dilation.astype(np.uint8))
# cv2.imread reads the image as BGR, but matplotlib uses RGB
# BGR to RGB so we can plot the image with accurate colors
b, g, r = cv2.split(final_img)
final_img = cv2.merge([r, g, b])
# Plot the final result
plt.imshow(final_img)
plt.show()
Если у вас много изображений, вам, вероятно, понадобится создать инструмент для графического обозначения маркеров или даже алгоритма автоматического поиска маркеров.