### 使用 Python 进行图像 ROI 区域提取 #### 圆形 ROI 的提取 在 OpenCV 中，可以通过创建掩码来定义圆形的感兴趣区域 (ROI)，并通过按位运算将其应用到原始图像上。以下是具体实现方式： ```python import cv2 import numpy as np # 加载图像 image = cv2.imread('example.jpg') # 创建一个与输入图像大小相同的全零掩码 mask = np.zeros(image.shape[:2], dtype=np.uint8) # 定义圆心坐标和半径 center_coordinates = (100, 100) radius = 50 # 绘制白色圆形作为掩码 cv2.circle(mask, center_coordinates, radius, 255, thickness=-1) # 应用掩码到原始图像 masked_image = cv2.bitwise_and(image, image, mask=mask) # 显示结果 cv2.imshow('Masked Image', masked_image) cv2.waitKey(0) cv2.destroyAllWindows() ``` 上述代码通过 `cv2.circle` 函数绘制了一个白色的圆形掩码，并利用 `cv2.bitwise_and` 将其应用于原始图像[^1]。 --- #### 不规则形状 ROI 提取 对于不规则形状的 ROI，可以使用多边形轮廓的方式进行分割。以下是一个基于顶点坐标的例子： ```python import cv2 import numpy as np # 加载图像 image = cv2.imread('example.jpg') height, width = image.shape[:2] # 定义一个多边形的顶点列表 pts = np.array([[50, 50], [200, 50], [200, 200], [50, 200]], np.int32).reshape((-1, 1, 2)) # 创建一个空白掩码 mask = np.zeros((height, width), dtype=np.uint8) # 填充多边形区域为白色 cv2.fillPoly(mask, [pts], 255) # 应用掩码到原始图像 masked_image = cv2.bitwise_and(image, image, mask=mask) # 显示结果 cv2.imshow('Masked Image', masked_image) cv2.waitKey(0) cv2.destroyAllWindows() ``` 此代码片段展示了如何通过 `cv2.fillPoly` 来填充指定的多边形区域，并生成相应的掩码[^3]。 --- #### 自动检测并提取 ROI 如果目标是从图像中自动识别特定区域，则可结合边缘检测算法（如 Canny 边缘检测器）或轮廓查找函数完成任务。例如： ```python import cv2 import numpy as np # 加载灰度图像 gray = cv2.cvtColor(cv2.imread('example.jpg'), cv2.COLOR_BGR2GRAY) # 执行Canny边缘检测 edges = cv2.Canny(gray, threshold1=30, threshold2=100) # 查找轮廓 contours, _ = cv2.findContours(edges, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) # 遍历所有找到的轮廓 for contour in contours: # 计算包围框 x, y, w, h = cv2.boundingRect(contour) # 裁剪ROI区域 roi = gray[y:y+h, x:x+w] # 可视化裁剪后的区域 cv2.imshow(f'ROI {x},{y}', roi) cv2.waitKey(0) cv2.destroyAllWindows() ``` 这段代码实现了从二值化图像中提取多个独立的 ROI 并显示它们的功能[^4]。 --- #### 总结 以上介绍了三种不同的方法用于提取图像中的 ROI： 1. **圆形 ROI** 利用了掩码技术配合几何图形绘制工具； 2. **不规则形状 ROI** 结合了多边形填充操作； 3. **自动化 ROI 提取** 则依赖于计算机视觉基础算法（如边缘检测和轮廓分析）。 每种方法都有各自的适用场景，在实际开发过程中可以根据需求灵活选用。