Python OpenCV 影像分割與分類

隨著科技的進步，影像處理技術也不斷演進，影像分割與分類成為了許多應用的基礎技術。這篇文章將介紹如何使用 Python 和 OpenCV 實現影像分割與分類，並提供 2025 最新的語法和最佳實踐。

什麼是影像分割與分類

影像分割與分類是將影像中的物件分割出來並將其歸類為不同類別的過程。這項技術在自動駕駛、物件識別和圖像處理等領域中有著廣泛的應用。

影像分割與分類的過程可以分為以下三個步驟：

1. 影像分割：將影像中的物件分割出來。
2. 影像分類：將分割出來的物件歸類為不同的類別，例如：人、動物、植物等。
3. 影像處理：對分割出來的物件進行進一步處理，例如：對比度調整、銳利化和模糊化等。

使用 Python 和 OpenCV 實現影像分割與分類

Python 是一種流行的程式語言，結合 OpenCV 這個強大的計算機視覺庫，可以輕鬆實現影像分割和分類。

影像分割

影像分割的目標是將影像中的物件分離開來。以下是使用 Python 和 OpenCV 實現影像分割的範例：

import cv2

# 讀取影像
img = cv2.imread('image.jpg')

# 將影像轉換為灰階
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 使用 Otsu's 二值化將影像分割
ret, thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)

# 顯示分割後的影像
cv2.imshow('thresh', thresh)
cv2.waitKey(0)
cv2.destroyAllWindows()

這段程式碼利用 Otsu’s 二值化方法有效地將影像分割，並顯示結果。

影像分類

影像分類將分割出來的物件歸類為不同的類別。以下是影像分類的示例：

import cv2

# 讀取影像
img = cv2.imread('image.jpg')

# 將影像轉換為灰階
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 使用 Otsu's 二值化將影像分割
ret, thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)

# 將分割出來的物件歸類為不同的類別
num_labels, labels = cv2.connectedComponents(thresh)

# 顯示分類後的影像
cv2.imshow('labels', labels)
cv2.waitKey(0)
cv2.destroyAllWindows()

這段程式碼使用 `connectedComponents` 方法將分割的物件進行分類，並在影像中顯示分類結果。

影像處理

對分割出來的物件進行進一步的影像處理，可以使用以下的程式碼：

import cv2

# 讀取影像
img = cv2.imread('image.jpg')

# 對比度調整
img_contrast = cv2.equalizeHist(cv2.cvtColor(img, cv2.COLOR_BGR2GRAY))

# 銳利化
kernel = -1 * np.array([[0, -1, 0], [-1, 5,-1], [0, -1, 0]])
img_sharp = cv2.filter2D(img_contrast, -1, kernel)

# 模糊化
img_blur = cv2.GaussianBlur(img_sharp, (5, 5), 0)

# 顯示處理後的影像
cv2.imshow('img_blur', img_blur)
cv2.waitKey(0)
cv2.destroyAllWindows()

這段程式碼展示了如何對影像進行對比度調整、銳利化和模糊化處理，並顯示處理後的影像。

結論

本文介紹了如何使用 Python 和 OpenCV 來實現影像分割、分類和處理。透過這些技術，您可以在多種應用中提升影像分析的效果。

Q&A（常見問題解答）

Q1: Python 和 OpenCV 的安裝步驟是什麼？

A: 您可以使用以下命令安裝 OpenCV：

pip install opencv-python

Q2: 影像分割和影像分類的區別是什麼？

A: 影像分割是將影像中的物件獨立出來，而影像分類則是將這些獨立的物件進行分類。

Q3: 如何提高影像分割的準確度？

A: 您可以調整二值化的參數，或使用更高級的分割演算法，如深度學習模型來提高準確度。

—