图像分割预处理简单实用技巧

#导入必要的包import PIL.Image as Imagefrom tqdm import tqdmimport numpy as npimport osimport time

data_path='HB_data/mask'#原图对应的mask图——0，1二值的黑色图片data_path2='HB_data/c_mask'#保存mask图——0，255二值的黑白图片for _, _, files in os.walk(data_path):    #批量化处理
        for f in tqdm(files):
            img = Image.open(os.path.join(data_path, f))
            img = np.asarray(img).copy()            # print(img)
            img[img ==1 ] = 255
            # print(img)
            img = Image.fromarray(img)
            img.save(os.path.join(data_path2, f))

image:8位单通道图像。非零像素值视为1，所以图像视作二值图像mode:轮廓检索的方式cv2.RETR_EXTERNAL:只检索外部轮廓cv2.RETR_LIST: 检测所有轮廓且不建立层次结构cv2.RETR_CCOMP: 检测所有轮廓，建立两级层次结构cv2.RETR_TREE: 检测所有轮廓，建立完整的层次结构

method:轮廓近似的方法
cv2.CHAIN_APPROX_NONE:存储所有的轮廓点
cv2.CHAIN_APPROX_SIMPLE:压缩水平，垂直和对角线段，只留下端点。 例如矩形轮廓可以用4个点编码。
cv2.CHAIN_APPROX_TC89_L1,cv2.CHAIN_APPROX_TC89_KCOS:使用Teh-Chini chain近似算法
offset:（可选参数）轮廓点的偏移量，格式为tuple,如（-10，10）表示轮廓点沿X负方向偏移10个像素点，沿Y正方向偏移10个像素点

参数image:需要绘制轮廓的目标图像，注意会改变原图contours:轮廓点，上述函数cv2.findContours()的第一个返回值contourIdx**:轮廓的索引，表示绘制第几个轮廓，-1表示绘制所有的轮廓color:绘制轮廓的颜色thickness:（可选参数）轮廓线的宽度，-1表示填充lineType:（可选参数）轮廓线型，包括cv2.LINE_4,cv2.LINE_8（默认）,cv2.LINE_AA,分别表示4邻域线，8领域线，抗锯齿线（可以更好地显示曲线）hierarchy:（可选参数）层级结构，上述函数cv2.findContours()的第二个返回值，配合maxLevel参数使用maxLevel:（可选参数）等于0表示只绘制指定的轮廓，等于1表示绘制指定轮廓及其下一级子轮廓，等于2表示绘制指定轮廓及其所有子轮廓offset:（可选参数）轮廓点的偏移量

#导入必要的包import cv2import osfrom PIL import Imageimport matplotlib.image as mpimgimport numpy as npimport matplotlib.pyplot as plt 
from tqdm import tqdm

img_datapath='GL_data/images'#原图mask_datapath='GL_data/mask'#对应的mask-0，255二值for _, _, files in os.walk(img_datapath):  #批量化处理
    for f in tqdm(files):
        img = cv2.imread(os.path.join(img_datapath, f), 1)
        mask = cv2.imread(os.path.join(mask_datapath, f), 0)

        contours, _ = cv2.findContours(mask, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)#寻找轮廓
        cv2.drawContours(img, contours, -1, (0, 0, 255), 2)#绘制轮廓

        img = img[:, :, ::-1]
        img[..., 2] = np.where(mask == 1, 255, img[..., 2])        # plt.imshow(img)
        # plt.show()

        img = Image.fromarray(img)
        img.save('GL_data/c_img'+'/'+f)#保存“勾勒形状”图片

# OpenCV方式：import cv2import osfrom tqdm import tqdm

img_datapath='RH_data/images'#原图mask_datapath='RH_data/mask'#对应的mask-0，255二值#addWeighted()函数是将两张相同大小，相同类型的图片（叠加）线性融合的函数，可以实现图片的特效。for _, _, files in os.walk(img_datapath):  #批量化处理
    for f in tqdm(files):
        image = cv2.imread(os.path.join(img_datapath, f))
        mask = cv2.imread(os.path.join(mask_datapath, f))
        mask_img = cv2.addWeighted(image, 0.7, mask, 0.3, 10) #image的权重为0.7，mask的权重为0.3
        #相当于对图片做一个亮度调整，gamma为0的话代表不调整，gamma为10,图片每个像素加上10，相当于提高亮度，这个值也可以是负的，即降低亮度。
        cv2.imwrite('RH_data/r_img'+'/'+f, mask_img)

# PIL方式：import cv2import osfrom tqdm import tqdmimport numpy as npfrom PIL import Image

img_datapath='RH_data/images'#原图mask_datapath='RH_data/mask'#对应的mask-0，255二值for _, _, files in os.walk(img_datapath):  #批量化处理
    for f in tqdm(files):
        image = Image.open(os.path.join(img_datapath, f))
        mask = Image.open(os.path.join(mask_datapath, f))
        mask_img = Image.blend(image.convert('RGBA'),
                            mask.convert('RGBA'), 0.3) #数值可以自行调整，数值越大，mask占比越大
        mask_img.save('RH_data/r_img1'+'/'+f)

import numpy as npfrom PIL import Imagedef generate_rgb(gray_array):
    print('gray_array.shape', gray_array.shape) #打印出灰度图的shape
    x, y = gray_array.shape 
    rgb = np.zeros([x, y, 3], int) #扩充为rgb通道
    # gray_array = np.array(gray_array) #化为矩阵形式
    for i in range(x):        for j in range(y):            if gray_array[i, j] == 255:  #目标体（原来是白色）
                rgb[i, j, 0] = 255       #rgb通道的，r（红色）通道
                rgb[i, j, 1] = 0         #rgb通道的，g（绿色）通道
                rgb[i, j, 2] = 0         #rgb通道的，b（蓝色）通道#大家可以根据自己喜欢颜色进行对三通道进行赋值（即调色）

            if gray_array[i, j] == 0 :   #背景（原来是黑色）
                rgb[i, j, 0] = 0         #rgb通道的，r（红色）通道
                rgb[i, j, 1] = 255       #rgb通道的，g（绿色）通道
                rgb[i, j, 2] = 0         #rgb通道的，b（蓝色）通道
    
    return rgb

mask_datapath='color_data/mask'#对应的mask-0，255二值for _, _, files in os.walk(mask_datapath):  #批量化处理
    for f in tqdm(files):
        source_img = Image.open(os.path.join(mask_datapath, f)) #读取照片
        source_img = np.array(source_img)    #化为矩阵
        img = generate_rgb(source_img)   #调用generate_rgb函数
        img = Image.fromarray(np.uint8(img))
        img.save('color_data/color_mask'+'/'+f)

from PIL import Imageimport matplotlib.pyplot as plt

img=Image.open('color_data/color_mask/2.png') #打开图像gray=img.convert('L')   #转换成灰度r,g,b=img.split()   #分离三通道pic=Image.merge('RGB',(r,g,b)) #合并三通道#原图plt.figure("beauty")
plt.subplot(2,3,1), plt.title('origin')
plt.imshow(img)#plt.axis('off') 坐标轴#python中subplot的用法    subplot是python中子图的绘制 ，subplot(2,3,2)其中是两行三列，2表示绘制第二个#灰度图plt.subplot(2,3,2), plt.title('gray')
plt.imshow(gray,cmap='gray'),plt.axis('off')#三通道合并图plt.subplot(2,3,3), plt.title('merge')
plt.imshow(pic)
plt.axis('off')#只有r通道图,因为上个程序rgb[i, j, 0] 设置了 255的时候为255，0的时候为0 所以就会显示为常用的0，255二值”黑白“图plt.subplot(2,3,4), plt.title('r')
plt.imshow(r,cmap='gray')
plt.axis('off')#只有g通道图，因为上个程序rgb[i, j, 1] 设置了 255的时候为0，0的时候为255 所以就会和上面r通道的图颜色相反plt.subplot(2,3,5), plt.title('g')
plt.imshow(g,cmap='gray')
plt.axis('off')#只有b通道图，因为上个程序rgb[i, j, 2] 设置了 255的时候为0，0的时候为0 ，因为取值都为0，所以是一张纯黑的图plt.subplot(2,3,6), plt.title('b')
plt.imshow(b,cmap='gray')
plt.axis('off')
plt.show()

import matplotlib.pyplot as pltimport cv2import numpy as np
color_img = cv2.imread("HY_colordata/1.jpg")#彩色照片gray_image = cv2.cvtColor(color_img, cv2.COLOR_BGR2GRAY)#彩色照片转灰度照片gray_image = np.asarray(gray_image).copy()
gray_image[gray_image > 100 ] = 255plt.imshow(gray_image,cmap='Greys')
plt.show()