7. 在 Python OpenCV 寻找目标区域以及边缘扩展的解决方案

本系列专栏写作方式

本系列专栏首发在 易百纳技术社区 ，写作将采用首创的问答式写作形式，快速让你学习到 OpenCV 的初级、中级、高级知识。

7. 在 Python OpenCV 寻找目标区域以及边缘扩展的解决方案

针对图像的特定区域进行操作，在 OpenCV 中被称作 ROI ，即目标区域或者叫做感兴趣区域，在处理图像的时候，可以先定位一个目标区域，然后再在该区域进行细节筛选，这样可以提高我们程序的速度和准确性。

实现 ROI 操作其实就是采用 numpy 对图像进行操作

例如下述测试代码，我们需要寻找图像指定区域

import cv2 import numpy as np src = cv2.imread(“./7_img.jpg”) # cv2.imshow(“src”,src) cv2.imshow(“src”,src) # 注意后面的列表获取，格式为 [rows,cols] roi_img = src[50:150, 100:150] print(roi_img.shape) cv2.imshow(“roi_img”, roi_img) cv2.waitKey() cv2.destroyAllWindows()

运行结果如下所示，尤其需要注意的是代码注释部分的说明，在做 ROI 的时候，需要筛选的区域用伪代码表示如下 src[起始行像素:结束行像素,起始列像素:结束列像素]

这个地方经常出现的一个 BUG 如下

error: (-215:Assertion failed) size.width>0 && size.height>0 in function cv::imshow

很多博客中会写是图片文件中文路径的问题，但是其实这只是一种结果，真正的原因是图像出现了空结构，也就是读取图像的 shape 属性如果展示内容为 (0,0,3)，那必然出现上述错误。例如下面代码就存在该问题。

import cv2 import numpy as np src = cv2.imread(“./7_img.jpg”) # cv2.imshow(“src”,src) roi_img = src[50:50, 100:100] print(roi_img.shape) cv2.imshow(“roi_img”, roi_img) cv2.waitKey() cv2.destroyAllWindows()

确定目标区域，最大的难点就是坐标问题，你可以多次尝试一下，直到记住目标区域的定位方式。

获取到 ROI 区域之后，可以对其进行修改，例如，下述代码将 ROI 区域设置为灰度图像

import cv2 import numpy as np src = cv2.imread(“./7_img.jpg”) # cv2.imshow(“src”,src) cv2.imshow(“src”, src) # 注意后面的列表获取，格式为 [rows,cols] roi_img = src[50:150, 100:150] gray = cv2.cvtColor(roi_img, cv2.COLOR_BGR2GRAY) src[50:150, 100:150] = gray cv2.imshow(“src”, src) cv2.waitKey() cv2.destroyAllWindows()

直接运行该代码，会出现如下错误

ValueError: could not broadcast input array from shape (100,50) into shape (100,50,3)

因为合并的图像通道数不对，接下来你需要做的是将灰度图扩展为三通道形式，使用下述代码即可实现。

# 灰度图扩展到 3 通道 grays = np.stack((gray,)*3, axis=-1) print(grays) src[50:150, 100:150] = grays

其中用到了 numpy.stack(arrays, axis=0) 函数，将数组进行连接。修改代码之后得到的运行结果如下所示。

OopenCV 图像的拆分与合并

上述案例你已经掌握了图像目标区域获取的方式，接下来我们对图像进行一下通道的拆分与合并，具体会使用到两个函数，分别是 cv2.merge 和 cv2.split。

两个函数的原型可以直接获取

# splite 函数原型 mv = cv2.split(m[, mv]) # merge 函数原型 dst = cv2.merge(mv[, dst])

下面进行图像的拆分，并通过 matplotlib 库进行图片的展示：

import cv2 import numpy as np import matplotlib.pyplot as plt src = cv2.imread(“7_img.jpg”) b, g, r = cv2.split(src) plt.subplot(131) plt.imshow(b, “gray”) plt.title(“b”) plt.subplot(132) plt.imshow(g, “gray”) plt.title(“g”) plt.subplot(133) plt.imshow(r, “gray”) plt.title(“r”) plt.show()

运行之后可以获取每个通道的灰度图，cv2.split 执行的效率并不高，所以你使用的图像如果过大，记得稍等片刻。

针对每个通道还可以进行拆分赋值，例如，你可以将 BGR 顺序颠倒，形成不同色彩的图片。

## 交换通道顺序，进行合并 dst = cv2.merge((r,g,b)) cv2.imshow(“dst”,dst) cv2.waitKey()

运行之后，可以得到对应的效果。

cv2.merge 和 cv2.split 函数参数列表，请重点比对原型进行学习。

如果你想要单独修改某一通道值，可以使用 numpy 进行操作，例如我们将 R 通道的像素值修改为 0，使用下述代码即可

import cv2 import numpy as np import matplotlib.pyplot as plt src = cv2.imread(“7_img.jpg”) src[:,:,2] = 0 cv2.imshow(“src1”,src) src[:,:,2] = 255 cv2.imshow(“src2”,src) cv2.waitKey()

OpenCV 图像边缘扩展

接下来将要学习的函数是图像扩边操作，使用 cv2.copyMakeBorder 函数，函数原型如下：

dst = cv2.copyMakeBorder(src, top, bottom, left, right, borderType[, dst[, value]])

先掌握几个核心参数 src 原图像，top,bottom,left,right分别表示在原图四周扩充边缘的大小。

关于 borderType 参数，表示的需要填充的边界类型，该值有多种取值，建议是自行尝试，我们采用其中一个优先进行说明。

import cv2 from matplotlib import pyplot as plt src = cv2.imread(“color.jpg”) # 后续绘图使用 pyplot ，所以切换一下颜色通道的排序，相当于从 BGR 转换为 RGB b, g, r = cv2.split(src) img = cv2.merge([r, g, b]) replicate = cv2.copyMakeBorder(img, 20, 20, 20, 20, cv2.BORDER_REPLICATE) print(“原图形状”,src.shape) print(“扩充边界之后的形状”,replicate.shape)

打印结果，注意像素的宽度和高度都扩展了 40，扩展之后的图片，你可以自行比对。

原图形状 (624, 500, 3) 扩充边界之后的形状 (664, 540, 3)

图像扩展边界最后一个参数 borderType 有如下取值

cv2.BORDER_CONSTANT：固定值填充； cv2.BORDER_REFLECT_101 或者 cv2.BORDER_DEFAULT ：取镜像对称的像素填充； cv2.BORDER_REPLICATE：重复最后一个像素； cv2.BORDER_WRAP：取镜像。

结合上文，可以实现这样一个效果，找到 ROI 区域，然后对其进行边缘扩展。

import cv2 from matplotlib import pyplot as plt src = cv2.imread(“7_img.jpg”) # 后续绘图使用 pyplot ，所以切换一下颜色通道的排序，相当于从 BGR 转换为 RGB b, g, r = cv2.split(src) img = cv2.merge([r, g, b]) roi_img = img[120:170,200:250] dst = cv2.copyMakeBorder(roi_img, 2, 2, 2, 2, cv2.BORDER_CONSTANT,value=[0,0,255]) img[118:172,198:252] = dst plt.imshow(img) plt.title(img) plt.show()

执行代码之后，我们在原图找到某个区域，然后对其进行边缘扩展，实现了一个矩形的框选操作，效果如下：