Вот подход, использующий простые методы обработки изображений
Получение двоичного изображения. Загрузка изображения, преобразование в оттенки серого, затем порог Оцу для получения двоичного изображения
Выполнение морфологических операций. Мы создаем ядро эллиптической формы, затем выполняем морфологическое закрытие, чтобы заполнить контуры
Изолируйте область интереса. Мы находим контуры и фильтруем, используя приближение контура + площадь контура. Как только мы изолируем контур, найдите минимальный окружающий круг, чтобы получить идеальный круг, затем нарисуйте его на пустой маске. Идея получить идеальный круг из состоит в том, как изменить маску, чтобы сделать идеальный круг
Изолировать ROI. Мы находим ограничивающую ROI прямоугольника на маске, затем обрезать, используя Numpy нарезку
Побитово - и получить результат. Наконец мы побитовые - и два извлеченных ROI
Вот визуализация каждого шага:
Входное изображение
Двоичное изображение
Morph close
Изолированная область интереса, выделенная зеленым и заполненный контур, нарисованный на пустой маске
Отдельные области интереса
Поразрядно и для результата (две версии, одна с черным фоном и одна с белым фоном, в зависимости от того, что Вы хотите)
Код
import cv2
import numpy as np
# Load image, create blank mask, grayscale, Otsu's threshold
image = cv2.imread('1.jpg')
original = image.copy()
mask = np.zeros(image.shape, dtype=np.uint8)
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)[1]
# Morph close
kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5,5))
close = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, kernel, iterations=5)
# Find contours and filter using contour area + contour approximation
# Determine perfect circle contour then draw onto blank mask
cnts = cv2.findContours(close, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
cnts = cnts[0] if len(cnts) == 2 else cnts[1]
for c in cnts:
peri = cv2.arcLength(c, True)
approx = cv2.approxPolyDP(c, 0.04 * peri, True)
area = cv2.contourArea(c)
if len(approx) > 4 and area > 10000 and area < 500000:
((x, y), r) = cv2.minEnclosingCircle(c)
cv2.circle(mask, (int(x), int(y)), int(r), (255, 255, 255), -1)
cv2.circle(image, (int(x), int(y)), int(r), (36, 255, 12), 3)
# Extract ROI
mask = cv2.cvtColor(mask, cv2.COLOR_BGR2GRAY)
x,y,w,h = cv2.boundingRect(mask)
mask_ROI = mask[y:y+h, x:x+w]
image_ROI = original[y:y+h, x:x+w]
# Bitwise-and for result
result = cv2.bitwise_and(image_ROI, image_ROI, mask=mask_ROI)
result[mask_ROI==0] = (255,255,255) # Color background white
cv2.imwrite('close.png', close)
cv2.imwrite('thresh.png', thresh)
cv2.imwrite('image.png', image)
cv2.imwrite('mask.png', mask)
cv2.imwrite('result.png', result)
cv2.waitKey()
Примечание: Другой подход для определения круговой области интереса использовать Hough Circle Transform, уже реализованную как cv2.HoughCircles()
, но есть много параметров, поэтому это может быть не самый практичный метод.