数据预处理之图像去空白

图像去空白

介绍

图像去空白是指在图像处理中去除图像中的空白区域的过程。空白区域通常是指图像中的白色或其他颜色，其不包含有用的信息。去空白的目的是为了节省存储空间、提高图像处理速度、改善图像质量等。

去空白的方法有很多，其中一些常见的方法包括边缘检测、阈值处理、图像剪切和形态学处理。每种方法都有其特定的优势和局限性，因此通常需要结合使用多种方法，以便获得最佳效果。

举个例子，假设有一张图片，其中有一个大的白色区域，我们可以使用阈值处理的方法将其转换为黑白图像，然后使用形态学处理的方法去除其中的白色像素，最终得到一张只包含有用信息的图像。

方法

下面是几种常见的图像去空白方法：

1. 边缘检测：通过检测图像中的边缘来去除空白区域。例如，使用 Canny 边缘检测算法或膨胀腐蚀算法。
2. 阈值处理：通过设置图像中像素值的阈值来去除空白区域。例如，使用二值化算法。
3. 图像剪切：通过计算图像中非空白像素的边界，并仅保留其中的图像。
4. 形态学处理：通过使用形态学操作，例如腐蚀和膨胀，来去除空白区域。

这些方法的选择取决于图像的质量、内容和需求。通常，多种方法需要结合使用，以便获得最佳效果。

边缘检测

边缘检测是一种常见的图像去空白方法。该方法通过检测图像中的边缘，从而确定图像的有效区域。

步骤如下：

1. 对图像进行预处理，将其转换为灰度图像。
2. 使用滤波器对图像进行模糊处理，以减少图像中的噪声。
3. 使用边缘检测算法，如Canny算法、Sobel算法等，在图像上检测边缘。
4. 对检测到的边缘进行处理，以确定有效区域。
5. 将有效区域从图像中剪切出来，得到一张去空白后的图像。

注意：边缘检测方法不一定适用于所有图像，因此需要对不同的图像进行试验，以确定最佳的边缘检测算法和参数。

import cv2
import numpy as np# 读取图像
img = cv2.imread("input.jpg")# 转换为灰度图像
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 使用Canny边缘检测算法
edges = cv2.Canny(gray, 50, 150)# 寻找轮廓
contours, hierarchy = cv2.findContours(edges, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)# 确定有效区域
x, y, w, h = cv2.boundingRect(contours[0])# 将有效区域从图像中剪切出来
cropped = img[y:y + h, x:x + w]# 保存去空白后的图像
cv2.imwrite("output.jpg", cropped)

阈值处理

import cv2
import numpy as np# 读取图像
img = cv2.imread("input.jpg")# 转换为灰度图像
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 阈值处理
_, thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)# 寻找轮廓
contours, hierarchy = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)# 确定有效区域
x, y, w, h = cv2.boundingRect(contours[0])# 将有效区域从图像中剪切出来
cropped = img[y:y + h, x:x + w]# 保存去空白后的图像
cv2.imwrite("output.jpg", cropped)

形态学图像剪切

目前来说最有用

import numpy as np
import cv2img = cv2.imread('data/3.jpg')
img = img[:-5,:-5] 
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
gray = 255*(gray < 128).astype(np.uint8)
gray = cv2.morphologyEx(gray, cv2.MORPH_OPEN, np.ones((2, 2), dtype=np.uint8))
coords = cv2.findNonZero(gray)
x, y, w, h = cv2.boundingRect(coords)
rect = img[y:y+h, x:x+w] 
cv2.imwrite("Output.jpg", rect)