python 識別圖像主題並切割

兩種辦法，一種是用百度的API，效果還可以，不過好像每天有50次的調用的限制

from aip import AipImageClassify
import cv2
""" 你的 APPID AK SK """
APP_ID = 'X'
API_KEY = 'X'
SECRET_KEY = 'XX'
client = AipImageClassify(APP_ID, API_KEY, SECRET_KEY)
""" 讀取圖片 """
def get_file_content(filePath):
    with open(filePath, 'rb') as fp:
        return fp.read()
image = get_file_content('D:\\before.jpg')
""" 如果有可選參數 """
options = {}
""" 帶參數調用圖像主體檢測 """
ret = client.objectDetect(image, options)
print(ret) #會輸出四個值，但和python里的不同
# cv2.rectangle(image, 左上角坐標, 右下角坐標, color, 線條粗度)
image = cv2.imread('D:\\after.jpg')
cv2.rectangle(image, (24, 39), (464, 404), (0, 255, 0), 2)
cv2.imwrite('D:\\d99.png', image)

　　還有一種方法是利用opencv的方法，https://blog.csdn.net/liqiancao/article/details/55670749

       https://www.cnblogs.com/python-life/articles/8727692.html

       如果背景顏色差異比較大的話，效果還不錯

# -*- coding:utf-8 -*-

"""
Author: alan
Email: [e-mail]
Refer: https://blog.csdn.net/liqiancao/article/details/55670749
Note: 使用Python和OpenCV檢測圖像中的物體並將物體裁剪下來
"""

import cv2
import numpy as np

# step1：加載圖片，轉成灰度圖
image = cv2.imread('D:\\IMG_20190601_110701.jpg')
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# step2:用Sobel算子計算x，y方向上的梯度，之后在x方向上減去y方向上的梯度，通過這個減法，我們留下具有高水平梯度和低垂直梯度的圖像區域。
gradX = cv2.Sobel(gray, cv2.CV_32F, dx=1, dy=0, ksize=-1)
gradY = cv2.Sobel(gray, cv2.CV_32F, dx=0, dy=1, ksize=-1)

# subtract the y-gradient from the x-gradient
gradient = cv2.subtract(gradX, gradY)
gradient = cv2.convertScaleAbs(gradient)
# show image
# cv2.imshow("first", gradient)
# cv2.waitKey()

# step3：去除圖像上的噪聲。首先使用低通濾潑器平滑圖像（9 x 9內核）,這將有助於平滑圖像中的高頻噪聲。
# 低通濾波器的目標是降低圖像的變化率。如將每個像素替換為該像素周圍像素的均值。這樣就可以平滑並替代那些強度變化明顯的區域。
# 然后，對模糊圖像二值化。梯度圖像中不大於90的任何像素都設置為0（黑色）。 否則，像素設置為255（白色）。
# blur and threshold the image
blurred = cv2.blur(gradient, (9, 9))
_, thresh = cv2.threshold(blurred, 90, 255, cv2.THRESH_BINARY)
# SHOW IMAGE
# cv2.imshow("thresh", thresh)
# cv2.waitKey()

# step4:在上圖中我們看到蜜蜂身體區域有很多黑色的空余，我們要用白色填充這些空余，使得后面的程序更容易識別昆蟲區域，
# 這需要做一些形態學方面的操作。
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (25, 25))
closed = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, kernel)
# show image
# cv2.imshow("closed1", closed)
# cv2.waitKey()

# step5:從上圖我們發現圖像上還有一些小的白色斑點，這會干擾之后的昆蟲輪廓的檢測，要把它們去掉。分別執行4次形態學腐蝕與膨脹。
# perform a series of erosions and dilations
closed = cv2.erode(closed, None, iterations=4)
closed = cv2.dilate(closed, None, iterations=4)
# show image
# cv2.imshow("closed2", closed)
# cv2.waitKey()

# step6：找出昆蟲區域的輪廓。
# cv2.findContours()函數
# 第一個參數是要檢索的圖片，必須是為二值圖，即黑白的（不是灰度圖），
# 所以讀取的圖像要先轉成灰度的，再轉成二值圖，我們在第三步用cv2.threshold()函數已經得到了二值圖。
# 第二個參數表示輪廓的檢索模式，有四種：
# 1. cv2.RETR_EXTERNAL表示只檢測外輪廓
# 2. cv2.RETR_LIST檢測的輪廓不建立等級關系
# 3. cv2.RETR_CCOMP建立兩個等級的輪廓，上面的一層為外邊界，里面的一層為內孔的邊界信息。如果內孔內還有一個連通物體，這個物體的邊界也在頂層。
# 4. cv2.RETR_TREE建立一個等級樹結構的輪廓。
# 第三個參數為輪廓的近似方法
# cv2.CHAIN_APPROX_NONE存儲所有的輪廓點，相鄰的兩個點的像素位置差不超過1，即max（abs（x1-x2），abs（y2-y1））==1
# cv2.CHAIN_APPROX_SIMPLE壓縮水平方向，垂直方向，對角線方向的元素，只保留該方向的終點坐標，例如一個矩形輪廓只需4個點來保存輪廓信息

# cv2.findContours()函數返回兩個值，一個是輪廓本身，還有一個是每條輪廓對應的屬性。
# cv2.findContours()函數返回第一個值是list，list中每個元素都是圖像中的一個輪廓，用numpy中的ndarray表示。
# 每一個ndarray里保存的是輪廓上的各個點的坐標。我們把list排序，點最多的那個輪廓就是我們要找的昆蟲的輪廓。
x = cv2.findContours(closed.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
# import pdb
# pdb.set_trace()
_a, cnts, _b = x
c = sorted(cnts, key=cv2.contourArea, reverse=True)[0]

# OpenCV中通過cv2.drawContours在圖像上繪制輪廓。
# 第一個參數是指明在哪幅圖像上繪制輪廓
# 第二個參數是輪廓本身，在Python中是一個list
# 第三個參數指定繪制輪廓list中的哪條輪廓，如果是-1，則繪制其中的所有輪廓
# 第四個參數是輪廓線條的顏色
# 第五個參數是輪廓線條的粗細

# cv2.minAreaRect()函數:
# 主要求得包含點集最小面積的矩形，這個矩形是可以有偏轉角度的，可以與圖像的邊界不平行。
# compute the rotated bounding box of the largest contour
rect = cv2.minAreaRect(c)
# rect = cv2.minAreaRect(cnts[1])
box = np.int0(cv2.boxPoints(rect))

# draw a bounding box arounded the detected barcode and display the image
# 生產環境下可以不加框
# cv2.drawContours(image, [box], -1, (0, 255, 0), 3)
# cv2.imshow("Image", image)
# cv2.imwrite("contoursImage2.jpg", image)
# cv2.waitKey(0)

# step7：裁剪。box里保存的是綠色矩形區域四個頂點的坐標。我將按下圖紅色矩形所示裁剪昆蟲圖像。
# 找出四個頂點的x，y坐標的最大最小值。新圖像的高=maxY-minY，寬=maxX-minX。
Xs = [i[0] for i in box]
Ys = [i[1] for i in box]
x1 = min(Xs)
x2 = max(Xs)
y1 = min(Ys)
y2 = max(Ys)
hight = y2 - y1
width = x2 - x1
cropImg = image[y1:y1 + hight, x1:x1 + width]

# show image
cv2.imshow("cropImg", cropImg)
cv2.imwrite('D:\\result.jpg', cropImg)
print("done")
cv2.waitKey()