Opencv中的MeanShift图像分割和视频背景分离（python实现）

1.MeanShift原理

（1）严格来说该方法并不是用来对图像进行分割的，而是在彩色层面的平滑滤波；
（2）它会中和色彩分布相近的颜色，平滑色彩细节，侵蚀掉那些面积较小的颜色区域；
（3）它以图像上任一点P为圆心，半径为sp,色彩幅值为sr进行不断的迭代；

pyrMeanShiftFiltering(src, sp, sr, dst=None, maxLevel=None, termcrit=None):
1

Src:输入的原始图像；
Sp:双精度半径，值越大，模糊程度越大；
Sr:色彩的幅值变化范围，变化范围越大，连成一片区域的也就是越大。
Dst:输出的图像；
maxLevel:默认值为1；
Termcrit:终止标准：何时停止meanshift迭代。

import os
import cv2
import numpy as np

img=cv2.imread('images/lenna.png')
img=cv2.resize(src=img,dsize=(450,450))
#图像分割
dst=cv2.pyrMeanShiftFiltering(src=img,sp=20,sr=30)
#图像分割(边缘的处理）
canny=cv2.Canny(image=dst,threshold1=30,threshold2=100)
#查找轮廓
conturs,hierarchy=cv2.findContours(image=canny,mode=cv2.RETR_EXTERNAL,method=cv2.CHAIN_APPROX_SIMPLE)
#画出轮廓
cv2.drawContours(image=img,contours=conturs,contourIdx=-1,color=(0,255,0),thickness=3)

cv2.imshow('img',img)
cv2.imshow('dst',dst)
cv2.imshow('canny',canny)
cv2.waitKey(0)
cv2.destroyAllWindows()

if __name__ == '__main__':
    print('Pycharm')

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24

Canny边缘检测算法：
https://mydreamambitious.blog.csdn.net/article/details/125116318
图像查找findHomography：
https://mydreamambitious.blog.csdn.net/article/details/125385752

---

2.视频前后景分离

（1）MOG2去除背景

在createBackgroundSubtractorMOG的基础上进行了改进；

混合高斯模型为基础的前景或者背景分割算法

createBackgroundSubtractorMOG2(history=None, varThreshold=None, detectShadows=None):
1

History：进行建模的需要多长的参考帧，默认值为200；
varThreshold：判断背景模型是否能很好地描述像素。
detectShadows：阴影检测；

import os
import cv2
import numpy as np

#打开摄像头
cap=cv2.VideoCapture('video/University_Traffic.mp4')
#创建前景分离对象
bgsegment=cv2.createBackgroundSubtractorMOG2()

while cap.isOpened():
    OK,frame=cap.read()
    if OK==False:
        break
    frame=cv2.resize(src=frame,dsize=(500,500))
    fgmask=bgsegment.apply(frame)
    cv2.imshow('img',fgmask)

    if cv2.waitKey(1)&0xFF==27:
        break

cap.release()
cv2.destroyAllWindows()

if __name__ == '__main__':
    print('Pycharm')
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

从视频帧中可以看到MOG2产生了很多的噪点，所以对此提出了改进的方法：
GMG去除背景的方法：
静态背景图估计和每个像素的贝叶斯分割抗噪性更强；