import cv2 import numpy as np THRESHOLD = 0.0002, NEIGHBORHOODDIAMETER = 5 SIGMACOLOR =…
- User
import cv2
import numpy as np
THRESHOLD = 0.0002, NEIGHBORHOOD_DIAMETER = 5 SIGMA_COLOR = 0.35 SIGMA_SPACE = 0.35
class ImageService(object): """Service for image manipulations.""" @staticmethod def read_rgb_from_file(filepath: str) -> np.ndarray: """Reads image and converts it to rgb.""" image = cv2.imread(filepath) image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB) return image
@staticmethod def read_hsv_from_file(filepath: str) -> np.ndarray: """Reads image and converts it to hsv.""" image = cv2.imread(filepath) image = cv2.cvtColor(image, cv2.COLOR_BGR2HSV) return imageclass HistogramBackprojection(object): """Class for using Histogram Backprojection algorithms.""" def init( self, threshold: float = THRESHOLD, neighborhood_diameter: int = NEIGHBORHOOD_DIAMETER, sigma_color: float = SIGMA_COLOR, sigma_space: float = SIGMA_SPACE, ) -> None: self.threshold = threshold self.neighborhood_diameter = neighborhood_diameter self.sigma_color = sigma_color self.sigma_space = sigma_space
@staticmethod def get_backprojection_map( target_image_hsv: np.ndarray, train_image_hsv: np.ndarray ) -> np.ndarray: """Returns backprojection map values in probability.""" train_image_h, train_image_w = train_image_hsv.shape[:2] train_image_area = train_image_h * train_image_w train_imagehist = cv2.calcHist( [train_image_hsv], [0, 1], None, [180, 256], [0, 180, 0, 256]) backprojection_map = cv2.calcBackProject( [target_image_hsv], [0, 1], train_imagehist, [0, 180, 0, 256], scale=1 ) backprojection_map = backprojection_map.astype(np.float32) backprojection_map /= train_image_area return backprojection_map def get_image_mask( self, target_image_rgb: np.ndarray, backprojection_map: np.ndarray ) -> np.ndarray: """Returns image mask by backprojection map.""" mask = backprojection_map > self.threshold masked_image = np.copy(target_image_rgb) masked_image[mask == 0] = [0, 0, 0] return masked_image def get_image_bilaterial_mask( self, target_image_rgb: np.ndarray, backprojection_map: np.ndarray ) -> np.ndarray: """Returns image mask using bilateral filter by backprojection map.""" mask = cv2.bilateralFilter( backprojection_map, self.neighborhood_diameter, self.sigma_color, self.sigma_space ) mask = mask > self.threshold masked_image = np.copy(target_image_rgb) masked_image[mask == 0] = [0, 0, 0] return masked_imageclass Solver(object): def init(self, calibration_image_rgb: np.ndarray) -> None: self.calibration_image_rgb = calibration_image_rgb self.calibration_image_hsv = cv2.cvtColor( calibration_image_rgb, cv2.COLOR_BGR2HSV)
def solve(self, image_rgb: np.ndarray) -> np.ndarray: image_hsv = cv2.cvtColor(image_rgb, cv2.COLOR_BGR2HSV) backprojection_map = HistogramBackprojection.get_backprojection_map( image_hsv, self.calibration_image_hsv) hist_bp = HistogramBackprojection() skin_mask = hist_bp.get_image_bilaterial_mask( image_rgb, backprojection_map) return skin_maskimage = ImageService.read_rgb_from_file("1.jpg") solver = Solver("train.jpg") solver.solve(image)
На этот код я получаю ошибку: in init(self, calibration_image_rgb) 101 def init(self, calibration_image_rgb: np.ndarray) -> None: 102 self.calibration_image_rgb = calibration_image_rgb --> 103 self.calibration_image_hsv = cv2.cvtColor( 104 calibration_image_rgb, cv2.COLOR_BGR2HSV) 105
error: OpenCV(4.8.0) :-1: error: (-5:Bad argument) in function 'cvtColor'
Overload resolution failed:
- src is not a numpy array, neither a scalar
- Expected Ptrcv::UMat for argument 'src'
Что делать?!?!
- Assistant
Ошибка возникает в строке 103, в методе
__init__классаSolver. Ошибка говорит о том, что входное изображениеcalibration_image_rgbне является массивом numpy или скаляром.В приведённом коде,
calibration_image_rgbполучается из методаImageService.read_rgb_from_file, который должен возвращать массив numpy, но возможно ошибка происходит в этом методе.Проверьте, что файл "train.jpg" существует в том же каталоге, где находится скрипт, и что он является допустимым изображением. Проверьте также, что OpenCV установлен и импортирован корректно.
Если проблема не решается, убедитесь, что изображение "train.jpg" считывается корректно в методе
read_rgb_from_fileи правильно передаётся в конструкторSolver. Вы также можете попробовать изменить расширение файла на .png или .jpeg и проверить, будет ли изображение считываться корректно. Если ничего из этого не помогает, попробуйте использовать другую библиотеку для чтения изображений, например, pillow (from PIL import Image).Если проблема остаётся, пожалуйста, предоставьте полный трассировочный вывод ошибки, чтобы мы могли лучше понять проблему и помочь вам.
- User
Преобразование хафа усточиво к шуму с вероятностью зашумления пикселя = 0.9?
- Assistant
Преобразование Хафа, как и любой алгоритм обработки изображений, не является непререкаемо устойчивым к шуму. Шум в изображении может создать ложные линии в пространстве Хафа или снизить точность определения реальных линий.
Однако, в зависимости от уровня шума и параметров алгоритма, преобразование Хафа может иметь некоторую степень устойчивости к шуму. Вероятность ошибочного обнаружения линии в случае зашумления пикселя обычно зависит от нескольких факторов, включая уровень шума, яркость линии и настройки алгоритма.
Если вероятность зашумления пикселя составляет 0.9, то это очень высокий уровень вероятности. В таком случае, преобразование Хафа может столкнуться с повышенными ложными обнаружениями и ошибками в определении реальных линий.
Чтобы справиться с шумом при использовании преобразования Хафа, можно применить различные стратегии фильтрации шума, такие как сглаживание изображения, адаптивные пороги, фильтры низких частот и т. д. Также можно экспериментировать с параметрами алгоритма Хафа, такими как минимальная длина линии или минимальное количество голосов для обнаружения линии, чтобы подстроить их под условия шума в конкретной задаче.
В общем случае, для более точного определения уровня устойчивости преобразования Хафа к шуму с определенной вероятностью зашумления пикселя, рекомендуется провести эксперименты на конкретных данных с разными настройками и уровнями шума, чтобы получить статистически значимые результаты.
- User
Можешь написать приминение алгоритма хафа для обнаружения углов треуголника на черно-белом изображении?
- Assistant
Конечно! Вот пример применения алгоритма Хафа для обнаружения углов треугольника на черно-белом изображении:
import cv2 import numpy as np # Чтение изображения image = cv2.imread("triangle.png", 0) # Применение алгоритма Canny для обнаружения границ edges = cv2.Canny(image, 50, 150) # Применение преобразования Хафа для обнаружения прямых линий lines = cv2.HoughLines(edges, 1, np.pi/180, 100) # Обнаружение углов треугольника triangle_corners = [] if lines is not None: for line1 in lines: for line2 in lines: rho1, theta1 = line1[0] rho2, theta2 = line2[0] # Определение угла между двумя линиями angle = abs(theta1 - theta2) # Проверка, является ли угол близким к 60 градусам (угол треугольника) if abs(np.degrees(angle) - 60) < 10: # Расчет пересечения двух линий x = int((rho2*np.sin(theta1) - rho1*np.sin(theta2)) / np.sin(angle)) y = int((rho1*np.cos(theta2) - rho2*np.cos(theta1)) / np.sin(angle)) triangle_corners.append((x, y)) # Отображение обнаруженных углов for corner in triangle_corners: cv2.circle(image, corner, 5, (0, 0, 255), -1) # Отображение исходного изображения и результатов cv2.imshow("Original Image", image) cv2.waitKey(0) cv2.destroyAllWindows()В этом примере используется библиотека OpenCV для чтения изображения, применения алгоритма Canny для обнаружения границ и применения преобразования Хафа для обнаружения прямых линий. Затем углы между линиями проверяются, и если угол близок к 60 градусам (угол треугольника), то расчитывается пересечение линий, которые выступают в качестве углов треугольника. Наконец, углы отображаются на исходном изображении.
Обратите внимание, что в этом примере предполагается, что изображение содержит только один треугольник и нет других линий, которые могут быть интерпретированы как треугольник. Если на изображении присутствуют другие линии или шум, требуется дополнительная обработка для фильтрации или удаления ложных обнаружений.