OpenCV图像标注实战：边界框与KNN颜色分割详解

图像标注在计算机视觉领域占据核心地位，该技术旨在赋予计算机从数字图像或视频中获取高阶理解的能力，使其能够像人类一样观察并解读视觉信息。这些标注，常被称为图片标签，是构建大多数计算机视觉模型的关键环节。本文将重点介绍如何利用OpenCV库来创建这些必要的标注数据，并探讨相关实现细节。

目录

• 图像注解
• 对图像注释的需求
• 图像注解的类型
• 用OpenCV实现图像注解

机器学习模型的性能直接取决于标注数据的质量。为了深入理解这一过程，我们需要先厘清图像标注的基本概念。

图像注解

图像注解是指对数据集中的图像进行分类和标记，以便训练机器学习模型。当人工完成标注后，这些带有标签的图片将被输入到机器学习或深度学习模型中，由模型自动执行后续的标注任务，从而减少对人工干预的依赖。

因此，图片标注用于明确系统需要识别的具体特征。监督学习正是基于这些已标记的数据来训练机器学习模型的过程。

图片标注确立了模型试图模仿的标准，因此标签中的任何错误都会被模型复制并放大。准确无误的图片标注为训练神经网络奠定了坚实基础，这使得标注成为计算机视觉工作流程中最关键的一环。

图片标注可以通过手工完成，也可以借助自动标注工具实现。自动标注技术通常基于预先训练好的算法，能够较为准确地对照片进行初步标注。然而，对于构建片段掩码等复杂的标注工作，自动技术往往仍需人工介入以生成高质量结果。

如果您正在寻找数据科学中使用的Python库的完整列表，请参阅相关资源。

对图片注释的需求

对图片进行标注是构建功能数据集的必要条件，因为它使训练模型能够识别图片的相关特征（如类别），进而利用这些模型在新鲜、未见过的新图片中准确识别出相同的类别。

图像标注生成了训练数据，有监督的人工智能模型从中学习。标注图像的方式直接预测了人工智能在查看和学习图像后的行为模式。因此，训练中若存在糟糕的注释，往往会导致模型做出错误的预测。

在面对独特挑战和新领域的人工智能应用时，注释数据显得尤为重要。对于图像分类和分割等典型任务，通常存在预训练模型，它们可以通过迁移学习以最小的输入量定制到特定的用例中。

另一方面，从头开始训练一个全面的模型，通常需要大量的注释数据，并将其划分为训练集、验证集和测试集。这既难以产生，又非常耗时。相比之下，无监督算法不需要注释数据，可以直接在原始数据上进行训练。

图像注解的类型

目前主要有三种盛行的图片注释方法，您为用例选择的方法将由项目的复杂性决定。每种方法使用的高质量图片数据越多，人工智能的预测就越准确。

分类法

分类是最简单、最快速的图片注释方法，因为它只需为一张图片分配一个标签。例如，您可以希望对一组杂货店货架的照片进行分类，以确定哪些照片含有苏打水，哪些不含有。

这种方法非常适合捕捉抽象信息，比如上面的例子，或者一天中的时间，如果图片中有汽车，或者从一开始就过滤掉不符合标准的照片。虽然分类法在提供单一的、高层次的标签方面是最快的，但它也是我们强调的三个类别中最模糊的，因为它不能确定物品在图像中的具体位置。

物体检测

注释者使用对象检测给图片中的特定事物贴上标签。因此，如果一张图片被标记为有冰激凌，这就更进一步说明了冰激凌在图片中的位置，或者如果特别是搜索可可冰激凌的位置。物体检测可以通过各种方法来完成，包括以下技术。

• 边界框。注释者使用矩形和正方形来定义目标物体在二维中的位置。这是最经常使用的图片注释方法之一。立方体，也被称为三维边界框，被注释者用来指定目标对象的位置和深度。
• 多边形分割。注释者采用复杂的多边形来指定不对称的目标项目的位置，而这些目标项目并不简单地适合在一个盒子里。
• 线条。注释器检测图片中的基本边界线和曲线，用线条和样条来区分部分。例如，注释器可以为自驾车图片注释项目命名高速公路上的众多车道。

这种方法仍然不是最精确的，因为物体检测允许在使用方框或线条时出现重叠。它所提供的是项目的大致位置，同时仍然是一个相当快速的注释程序。

语义分割

语义分割克服了物体识别中的重叠问题，保证了图像的每个组成部分只属于一个类别。这种方法通常在像素层面上进行，需要注释者为每个像素分配类别（如行人、汽车或标志）。这有助于教导人工智能模型如何检测和分类某些项目，即使它们被遮挡。例如，如果一个购物车遮住了图像的一部分，可以用语义分割来定义可可冰淇淋的样子，直到像素级别，让模型知道它实际上仍然是可可冰淇淋。

用OpenCV实现图像注解

在这篇文章中，我们将使用边界框和颜色分割方法进行图像注释。

在边界框中，方法将是在物体周围手动绘制不同的边界形状，并在其中添加一些文字说明。

在颜色分割中，我们将使用KNN算法来分割查询图像中物体的颜色。颜色将根据 "K "值被分割，"K "是最近的邻居的数量，图像上被分割的部分可以被视为注释的部分。

包围盒方法

导入必要的库

import cv2 
import numpy as np
import matplotlib.pyplot as plt

读取查询图像

input_img=cv2.imread('annotation_image.jpg',cv2.IMREAD_COLOR)

查询图像

在本文中，我们使用的是彩色图像，所以我们需要使用 "cv2.IMREAD_COLOR"。因为它指示加载一个彩色图片。任何图片的透明度都会被忽略。这是默认设置。我们也可以为这个标志传递整数值1。

在对象上画一条线

image_line=input_img.copy()
cv2.line(image_line, (900,150), (1100,150), (0,255,255), thickness=5,lineType=cv2.LINE_AA)
plt.figure(figsize=(10,10))
plt.imshow(image_line[:,:,::-1])
plt.show()

cv2.line需要输入直线的起点和终点的坐标，以及直线的厚度、透明度和颜色。

印度分析杂志

在物体周围画一个圆

image_circle=input_img.copy()
cv2.circle(image_circle, (1030,340),200, (0,255,255), thickness=5,lineType=cv2.LINE_AA)
plt.figure(figsize=(10,10))
plt.imshow(image_circle[:,:,::-1])
plt.show()

cv2.circle'接收半径和圆的坐标作为输入。其余部分与前面讨论的直线函数相同。

印度分析》杂志

在物体周围画一个矩形

image_rect=input_img.copy()
cv2.rectangle(image_rect, (900,150),(1100,530), (0,0,255), thickness=5,lineType=cv2.LINE_AA)
plt.figure(figsize=(10,10))
plt.imshow(image_rect[:,:,::-1])
plt.show()

它需要左上角的坐标和右下角的坐标来绘制矩形。

印度分析》杂志

KNN方法进行分割

导入必要的库

import cv2 
import numpy as np
import matplotlib.pyplot as plt

读取和预处理

img = cv2.cvtColor(input_img,cv2.COLOR_BGR2RGB)
image_reshape = img.reshape((-1,3))
image_2d = np.float32(image_reshape)

改变颜色的顺序，因为在OpenCV中，图像的颜色是以蓝、绿、红（BGR）来读取的。要求是红、绿、蓝（RGB）。

应用KNN

criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 100, 1.0)
K = 4
attempts=10
ret,label,center=cv2.kmeans(twoDimage,K,None,criteria,attempts,cv2.KMEANS_PP_CENTERS)
center = np.uint8(center)
res = center[label.flatten()]
result_image = res.reshape((img.shape))

由于图像是一个高分辨率的图像，所以有很多数据点需要处理，如果迭代次数多，就会耗费时间。我们将迭代次数限制为100次，并且将ε值设置为最高值。k近邻被设置为4，尝试次数为10。

plt.figure(figsize=(10,10))
plt.imshow(result_image[:,:,::-1])
plt.show()

印度分析杂志

该算法对颜色进行了很好的分割。可以看到蓝色、白色、灰色和棕色被分开。人们可以对图像进行屏蔽，并进一步调整算法。

结论

处理数据最耗时的方面之一是数据收集和注释。然而，它是训练算法的基础，必须在可行的情况下以最大的精度执行。适当的注释经常会在后期创建模型的过程中节省大量的时间。通过这篇文章，我们已经了解了不同类型的注释和它们的实现。

参考文献

• 上述代码的链接
• 阅读更多关于注释的信息

The postImage annotation techniques with implementation in OpenCVappeared first onAnalytics India Magazine.

到此这篇关于在OpenCV中实现的图像标注技术的文章就介绍到这了,更多相关OpenCV图像标注内容请搜索本站以前的文章或继续浏览下面的相关文章希望大家以后多多支持本站！