如何解决查找尺寸小于 x 的某些颜色的色块 x = 像素数
在此示例中，您可以看到分段和显示分段具有蓝色 (0,155,255) 颜色的所有位置的蒙版。 有一些蓝色噪声，表现为绿色和红色区域之间以及绿色和橙色区域之间的蓝色小条纹。 如果分割的区域小于 50 像素，我想删除蓝色分割，并将其替换为蓝色区域周围的颜色，而不混合任何颜色。最终结果应该只包含 6 种原始颜色。
理想情况下，我想对图像中的所有 6 种颜色执行此过程。
我该怎么做，有没有内置函数可以做到这一点？
解决方法
我会根据每种颜色在（阈值）蒙版上应用 findContours，并收集分段表示。然后像使用蓝色遮罩一样分别渲染每种颜色。
例如过滤：area = cv2.contourArea(cnt) 标记小区域。
即 - 迭代轮廓并比较区域 收集：
对于每个选定的小区域，您可以检查周围，哪些颜色是相邻的。可以这样做，例如通过从轮廓中采样某个点（它是一个坐标列表）并在各个方向扫描并比较颜色直到找到不同的颜色。这可以通过找到极值点并从那里开始来帮助，见下文：
#... produce masked image for each color,put in masks = [] ...
#... colors = [] ... per each mask/segmented region etc.
for m in masks:
bw = cv2.cvtColor(m,cv2.COLOR_BGR2GRAY)
ret,thresh = cv2.threshold(bw,127,255,0) # or whatever appropriate params
contours,hierarchy = cv2.findContours(thresh,1,2)
streaks = []
for c in contours:
if cv2.contourArea(c) < minSize:
streaks.append(c)
# or process directly,maybe a function here,or could simplify the contour:
# reduce the number of points:
# epsilon = 0.1*cv2.arcLength(cnt,True)
# approx = cv2.approxPolyDP(cnt,epsilon,True)
for x,y in c: # or on the approx or with skipping ... or one point may be enough
# check with offset... Scan in some direction until black/different color or pointPolygonTest() is False etc.
'''
可以找到可以提高扫描效率的极值点 - c 是一个轮廓：
leftmost = tuple(c[c[:,:,].argmin()][0]
rightmost = tuple(c[c[:,].argmax()][0]
所以有轮廓的最左边的坐标，扫描应该向左和最右边 - 向右等。当小区域靠近图像边界时有边界情况，然后搜索应该迭代方向。
然后您可以将这些小区域的颜色更改为相邻的区域 - 在表示中（某个类或元组）或直接在图像中使用 cv2.fillPoly(...)。 fillPoly 可用于重建分割的图像。
可能有几个不同颜色的相邻区域，所以如果选择哪种颜色很重要，则需要更多的规格，例如比较这些相邻区域的面积并选择较大/较小的区域，随机等。
,寻找合适的算法来填充小轮廓，物体周围的颜色似乎太复杂了所以我想出了（在托多的帮助下）这个：
import os
import numpy as np
from PIL import Image
import time
import cv2
from joblib import Parallel,delayed
root = 'Mask/'
files = os.listdir(root)
def despeckling(file):
#for file in files: -> if you don't want to use multiple threads to compute this.
imgpath = os.path.join(root,file)
img1 = Image.open(imgpath) #opening file
img1 = img1.convert("RGB") #convert to rgb
pixels1 = img1.load()
# blue 2 green
newimgarray0 = np.asarray(img1)
for y in range(img1.size[1]): #returning an binary img with...
for x in range(img1.size[0]):
if pixels1 [x,y] != (0,155): #the color you want to isolate,and ...
pixels1[x,y] = (0,0) #the background color (black)
img1arr = np.asarray(img1)
grayarr1 = cv2.cvtColor(img1arr,cv2.COLOR_RGB2GRAY) # you have to convert to grayscale as cv2.find contours can't process anything else
contours1,hierachy = cv2.findContours(grayarr1,cv2.RETR_LIST,cv2.CHAIN_APPROX_NONE) # returning the contours with out any extrapolation (cv2.CHAIN_APPROX_NONE),disregarding hierachy (RETR_LIST)
shapes1 = [] # empty array to store the Contours in
for contour1 in contours1:
if cv2.contourArea(contour1) < 1000: # specifying the minimum contour area( here it is 1000)
shapes1.append(contour1) # storing the contours in the shapes1
newimgarray1 = cv2.fillPoly(newimgarray0,shapes1,color=(0,174,0)) # filling the contours,which are deemed to smal (<1000) with next color inline
newimg1 = Image.fromarray((newimgarray1))
#repeat for all colors until no small patch is left.
newdir = 'despeckled/'
newimg1.save(os.path.join(newdir,file))
run = Parallel(n_jobs=-1) (delayed(despeckling)(file) for file in files) #parallisation of the process
因为我有 6 种颜色，这就是我要经历的顺序
蓝色 -> 绿色、绿色 -> 橙色、橙色 -> 红色、红色 -> 紫色、紫色 -> 蓝色、蓝色 -> 绿色、绿色 -> 橙色、橙色 -> 红色、红色 -> 紫色
这样我就可以确保所有的小补丁现在都属于一个更大的补丁。
肯定有更好的方法来做到这一点，但这对我来说是最简单的，因为我还是个菜鸟。 :D
版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 dio@foxmail.com 举报，一经查实，本站将立刻删除。
