opencv填充轮廓之外的颜色

### 实现 OpenCV 中填充图像轮廓外部区域 对于使用 OpenCV 来处理并填充图像中轮廓外部的颜色,可以采用以下方法: 通过 `cv2.threshold` 函数设置合适的阈值来获取二值图[^1]。这一步骤有助于更精确地识别目标对象的边界。 利用 `cv2.RETR_EXTERNAL` 参数仅检索最外层的轮廓,从而确保只对外部轮廓进行操作而不是所有的嵌套轮廓[^4]。此参数的选择至关重要,因为它决定了后续绘制时作用于哪一层级的轮廓上。 接着调用 `cv2.drawContours()` 方法,在指定模式下(即传递 `-1` 作为厚度参数),该函数不仅能够描绘出轮廓本身而且还可以填充其内部区域;但是要填充的是轮廓之外的部分,则需采取逆向思维的方式——先创建一个全白背景的新掩膜(mask),再基于原图找到的所有外部轮廓在此mask上做减法运算,最终得到的就是被遮挡部分以外的空间。 最后将这个经过特殊处理后的掩膜应用到原始彩色图片上去完成实际的颜色替换工作。 ```python import numpy as np import cv2 # 加载灰度图像 img = cv2.imread('image.png',0) # 应用自适应阈值分割获得二值化图像 ret, thresh = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU) # 查找所有外部轮廓 contours, _ = cv2.findContours(thresh,cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) # 创建一个新的空白掩码用于保存结果 height,width = img.shape[:2] mask = np.ones((height,width), dtype=np.uint8)*255 # 在新建立的白色背景下绘制黑色的轮廓及其内侧 cv2.drawContours(mask, contours,-1,(0,0,0),thickness=cv2.FILLED) # 对原图执行位逻辑运算,“反转”显示未覆盖区域的效果 res = cv2.bitwise_and(img,img, mask= ~mask ) # 显示结果 cv2.imshow("filled external", res) cv2.waitKey(0) cv2.destroyAllWindows() ```

创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考

Python内容推荐

opencv python 图像轮廓/检测轮廓/绘制轮廓的方法

opencv python 图像轮廓/检测轮廓/绘制轮廓的方法

主要介绍了opencv python 图像轮廓/检测轮廓/绘制轮廓的方法,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一起学习学习吧

Python Opencv实现图像轮廓识别功能

Python Opencv实现图像轮廓识别功能

主要为大家详细介绍了Python Opencv实现图像轮廓识别功能,具有一定的参考价值,感兴趣的小伙伴们可以参考一下

python-opencv获取二值图像轮廓及中心点坐标的代码

python-opencv获取二值图像轮廓及中心点坐标的代码

今天小编就为大家分享一篇python-opencv获取二值图像轮廓及中心点坐标的代码,具有很好的参考价值,希望对大家有所帮助。一起跟随小编过来看看吧

Python通过OpenCV的findContours获取轮廓并切割实例

Python通过OpenCV的findContours获取轮廓并切割实例

主要介绍了Python通过OpenCV的findContours获取轮廓并切割实例,具有一定借鉴价值,需要的朋友可以参考下

Python电商价格监控爬虫含源码

Python电商价格监控爬虫含源码

这是一套电商商品价格监控课程设计项目,每天定时把关注商品的名称、价格、店铺、评分抓进本地SQLite,走势画成折线图,跌破期望价弹窗提醒,并支持导出pyecharts交互看板。采集对象是内置的本地模拟商城,页面结构与真实电商列表页一致,价格按日期确定性演化,断网也能完整演示,不依赖任何真实电商接口,采集部分仅用于学习交流。交付物包括完整源码(9个模块)、实验报告md/html/pdf三格式文档、答辩PPT和5张运行截图,实测通过后交付。 功能主线六项:一是商品列表采集,requests带请求头发请求、标准库HTMLParser解析商品卡片,字段连同sku入库;二是每日定时采集,APScheduler每天8点自动跑,价格记录按商品加日期唯一约束去重,同日重复只留首条;三是价格趋势图,选中商品画出31点折线,叠加期望价红色虚线并标注当前价;四是降价提醒,当日价严格小于期望价才弹窗,标明差价,同日同商品最多提醒一次;五是多商品比价,最新价与近30天均价双柱对比;六是交互看板导出,dashboard.html带echarts本地副本,拷到没网机器也能打开。 亮点是反爬对策有真实生效对象:模拟站1秒内超6次请求回503并带Retry-After,请求头、限速、指数退避重试闭环真实跑得通;价格由md5日期种子推导,同天抓几次结果一致,趋势可复现;后台线程只抓数据,控件只在主线程碰,队列通信界面不卡;首次启动自动建库并回填30天240条历史价格,开箱即有图可看。 适合Python课程设计、爬虫与数据可视化方向的大作业或毕业设计参考。用法:pip装好依赖后python main.py启动,先点启动商城再点立即采集,即可看到商品入库与趋势图,README里有按钮说明、常见问题和目录结构。

Vibe Coding 实战:60分钟搞定 Python 数据清洗与 FastAPI 记账接口(附完整源码与避坑指南)

Vibe Coding 实战:60分钟搞定 Python 数据清洗与 FastAPI 记账接口(附完整源码与避坑指南)

工程文件

基于opencv颜色识别 - 图像(普通轮廓)

基于opencv颜色识别 - 图像(普通轮廓)

正在学习opencv,自己写了一个简单的颜色识别程序,根据阈值筛选出颜色,再绘制该颜色的图像轮廓

基于openCV的识别特定颜色区域

基于openCV的识别特定颜色区域

通过编程识别特定的颜色区域,并进行圈定。

opencv实现轮廓高斯滤波平滑

opencv实现轮廓高斯滤波平滑

主要为大家详细介绍了opencv实现轮廓高斯滤波平滑,文中示例代码介绍的非常详细,具有一定的参考价值,感兴趣的小伙伴们可以参考一下

VS2010、opencv对多种颜色识别,找出其轮廓面积最大的一种颜色

VS2010、opencv对多种颜色识别,找出其轮廓面积最大的一种颜色

opencv在VS2010平台下运行,可以对多种颜色识别,找出颜色轮廓面积最大的颜色,也可根据颜色所对应的位置,输出其左右位置信息。在上传代码之前运行再运行了一遍,可以使用,希望对各位学习者有帮助~~

基于颜色识别的火焰检测算法的opencv实现

基于颜色识别的火焰检测算法的opencv实现

通过观察火焰图像在YCrCb空间的三通道的不同,得出约束条件,程序由opencv实现~

QT+opencv边缘检测,轮廓提取及轮廓跟踪

QT+opencv边缘检测,轮廓提取及轮廓跟踪

开发环境为QT5.8+opencv3.2,主要实现了边缘检测,轮廓提取及轮廓跟踪,边缘检测使用了Canny算子、Sobel算子、Laplacian算子,轮廓跟踪使用八邻域法。

opencv颜色识别

opencv颜色识别

vs2015+opencv3.1,摄像头实时识别彩色图像中的指定颜色。并且返回搜索颜色区域的质心坐标显示在控制台。可供opencv新手参考

对灰度图像进行边缘提取 ,种子填充,轮廓跟踪,轮廓提取

对灰度图像进行边缘提取 ,种子填充,轮廓跟踪,轮廓提取

图像处理运算,可以对灰度图像进行边缘提取 ,种子填充,轮廓跟踪,轮廓提取

图像边缘检测,提取及轮廓跟踪源码(边缘检测,Hough变换,轮廓提取,轮廓跟踪,种子填充)

图像边缘检测,提取及轮廓跟踪源码(边缘检测,Hough变换,轮廓提取,轮廓跟踪,种子填充)

图像边缘检测,提取及轮廓跟踪源码(边缘检测,Hough变换,轮廓提取,轮廓跟踪,种子填充)

基于opencv的颜色识别

基于opencv的颜色识别

使用VS2017和win10编译环境,文件夹里有三种颜色识别的方法,在vs2017中能直接打开运行。

opencv手部识别并标记轮廓

opencv手部识别并标记轮廓

利用opencv的一系列函数实现手部识别,形态学操作和特征提取

基于opencv 的四边形轮廓跟踪

基于opencv 的四边形轮廓跟踪

跟踪图像中的四边形轮廓,并且标记出来。跟踪图像中的四边形轮廓,并且标记出来。

提取二值图像中的最大轮廓OpenCV版

提取二值图像中的最大轮廓OpenCV版

使用OpenCV技术,用于提取图像中的最大轮廓

OpenCV计算机视觉学习(8)——图像轮廓处理(轮廓绘制,轮廓检索,轮廓填充,轮廓近似) - 战争热诚 - 博客园1

OpenCV计算机视觉学习(8)——图像轮廓处理(轮廓绘制,轮廓检索,轮廓填充,轮廓近似) - 战争热诚 - 博客园1

1. Re:深学习卷积神经络( 2. Re:深学习卷积神经络( 3. Re:OpenCV计算机视觉学习 4. Re:数据竞赛实战(5)—— 5. Re:数据竞赛

最新推荐最新推荐

recommend-type

可调高输入差分放大电路multisim仿真

通过Multisim仿真加入可调电阻Rg的改进电路,通过调整Rg可以灵活控制放大倍数,输出电压公式为uo=(1+Rf2/R3+2Rf2/Rg)(uI2-uI1)。通过仿真展示了不同Rg值对输出电压的影响,验证电路具有良好的可调性和高输入阻抗特性。 参考文章:https://blog.csdn.net/weixin_43348794/article/details/152171787?spm=1001.2014.3001.5502
recommend-type

科技部推动的技术要素市场化配置改革中,“溯源智推”模式的落地应用重点在哪里?.docx

科易网基于行业知识库+行业大数据+科技资源要素+AI模型,以AI,赋能技术转移、成果转化、技术经理人培训、知识产权管理、区域产业分析与布局、地方科技招商、创新创业大赛等场景,推出科技创新领域的AI工具、场景化服务和数智化解决方案,推动科技创新与产业创新智能化发展。
recommend-type

产业园区运营负责人如何精准匹配优质科技成果?.docx

科易网基于行业知识库+行业大数据+科技资源要素+AI模型,以AI,赋能技术转移、成果转化、技术经理人培训、知识产权管理、区域产业分析与布局、地方科技招商、创新创业大赛等场景,推出科技创新领域的AI工具、场景化服务和数智化解决方案,推动科技创新与产业创新智能化发展。
recommend-type

全球民主指数与政体变迁面板数据集1789起

基于V-Dem政党民主多样性项目整理的全球民主研究数据集,覆盖1789至2025年236年间198个国家与历史政治体的国家年度面板:39474行主表democracy_country_year.csv,每行一个国家一年的13项V-Dem民主指数(均为0至1标准化评分),并整合世界政体分类Regimes of the World、独立的选举民主词汇索引LIED,以及世界银行人口、人均GDP、区域与收入分组等关联字段。配套regime_changes.csv记录1185次政体类别更替事件,world_regime_summary.csv汇总全球与六大洲各年度各政体类型下的国家与人口分布。适用场景:民主化浪潮与回潮的长期时序分析、政体转型事件研究、民主指数与经济发展相关性建模、区域民主差异对比、政治制度教学演示等。可直接用pandas加载,无需清洗。数据采用CC BY-SA 4.0许可,注明V-Dem与作者来源后可自由使用与再分发,适合政治学研究者、国际关系学者、发展经济学研究者与数据新闻团队使用。
recommend-type

积分器电路(波形转换电路)multisim仿真

积分器通过反相放大结构实现输入信号的积分运算,输出与输入信号呈反相关系,并通过Multisim仿真验证了三种典型波形转换效果:方波转三角波、正弦波转余弦波、三角波转正弦波 参考文章:https://blog.csdn.net/weixin_43348794/article/details/152334455?spm=1001.2014.3001.5502
recommend-type

利用Python os.walk与正则表达式轻松统计未交文件

"这篇资源是关于使用Python编程语言中的os模块和正则表达式来实现文件检索和统计未提交文件的教程。它提供了一个简单的脚本,帮助班委快速检查哪些同学没有提交文件,同时也适用于文件对比场景。" 在Python编程中,os模块是一个非常重要的工具,它提供了许多与操作系统交互的函数。`os.walk()`是os模块中的一个功能,它用于迭代目录树,返回当前目录下所有子目录和文件的名称。这个函数对于遍历文件系统并处理文件和目录非常有用。 在这个案例中,脚本首先定义了一个对比数据列表,包含了预期应该存在的文件(或学生)的标识,比如学号和姓名。然后,使用正则表达式进行模式匹配,以检查实际的文件或目录名称是否包含这些标识。 正则表达式是一种强大的文本匹配工具,可以用来搜索、替换或者分割字符串。在这个脚本中,`re.findall()`函数被用来查找字符串中符合特定规则的部分。例如,`[\u4e00-\u9fa5]+`用于匹配中文字符,而`[0-9]+`则用于匹配数字。通过这些匹配,脚本可以找出文件夹或文件名中包含学号或姓名的部分。 脚本中定义的`minor_name()`函数分为两个部分,一是遍历目录(dirs)以检查文件夹名,二是遍历文件(files)以检查文件名。在每个循环里,都使用正则表达式来查找对比数据中存在的学号或姓名,并根据匹配结果更新对比数据列表,移除已经找到的条目。如果在遍历完成后,对比数据列表中仍有条目,那么这些条目的对应文件或学生就没有被找到。 这个脚本虽然简单,但具有很强的实用性,可以轻松地进行定制以适应不同的文件检索需求。只需要调整对比数据和正则表达式,就可以应用于其他场景,比如检查文件系统中缺失的特定类型文件,或者在多个文件夹之间进行差异比较。 通过学习和理解这个脚本,你可以了解到如何使用Python的os模块和正则表达式进行文件操作和文本匹配,这对于进行自动化任务和数据管理是非常有用的技能。同时,这也展示了Python在处理日常问题时的灵活性和便利性。
recommend-type

Vue组件通信12种模式实战封神榜:含3种已废弃陷阱、4种微前端兼容方案、2种跨Tab状态同步黑盒机制(Pinia插件源码级逆向分析)

# Vue组件通信:一场响应式契约的深度重构 在现代前端工程中,组件通信早已不是“父传子、子传父”的语法练习,而是一场贯穿编译期类型推导、运行时依赖追踪、虚拟 DOM 调度与跨上下文生命周期治理的系统性实践。当你在 `<script setup>` 中写下 `const props = defineProps<{ msg: string }>()`,你调用的不是一个函数,而是一条横跨 TypeScript 编译器、Volar 语言服务、Vue 运行时响应式内核与 Devtools 调试协议的精密流水线;当你点击按钮触发 `emit('submit')`,背后是 `instance.emit`
recommend-type

TC387这个编号在系统设计中到底指代什么?最小系统需要哪些核心模块?

### TC387 最小系统配置或设计 对于TC387最小系统配置或设计,在信息技术领域内,通常涉及特定的应用场景和技术标准。然而,具体到TC387这一标识符,并未直接关联广泛认可的标准或协议[^1]。 为了构建一个假设性的最小系统配置案例,可以考虑以下几个方面: #### 1. 网络流量分类与优先级设置 在网络通信环境中,DSCP/ToS字段用于标记不同类型的网络数据包以实现服务质量(QoS)控制。通过映射这些字段至传输类别(TC),能够确保关键业务获得更高优先处理级别。例如,可以通过如下方式定义简单的映射关系: ```python dscp_to_tc_mapping = {
recommend-type

流量计脉冲采集与检定技术研究

"流量计脉冲采集 论文" 流量计脉冲采集是计量领域中的关键技术,特别是在石油贸易交接中,流量计作为连续运行的精密设备,其准确性至关重要。流量计的检定是确保其计量精度的重要环节,通常每六个月进行一次,通过体积管进行检定,以确定流量计系数。这个系数受到标准体积值、流量计脉冲数、温度和压力的影响。标准体积值是已知的,而温度和压力读数若准确,则不会影响流量计系数,因此,关键在于流量计脉冲数的精确度。 脉冲插入技术是一种提升流量计分辨率的方法,尤其在使用小容积体积管进行检定时更为重要。该技术通过处理流量计发出的脉冲信号,提高测量精度。双计时脉冲插入法是一种典型的实现方式,通过这种方法,可以实现更高的计数分辨率。例如,如果需要分辨到千分之一脉冲,计时时钟频率需为流量计脉冲频率的1000倍。以每升10个脉冲的传感器系数和900m³/h的检定流量为例,对应的计时时钟频率应为2.15MHz。 然而,当前流量计检定数据采集存在一些问题。传统方法是使用计数器收集脉冲,压力表和温度计分别测量压力和温度,这会导致脉冲计数±1个的误差以及人为读数误差。另一种常见方法是采用PLC(可编程逻辑控制器)系统,虽然能自动化采集,但PLC的I/O响应速度较慢,高速计数模块的频率响应限制在几十K,无法实现双计时脉冲插入,同样存在脉冲采集误差和压力、温度数据的滞后问题。 为解决这些问题,现代流量计检定数据采集系统可能会采用工业控制计算机内置高速数据采集卡,配合高精度压力和温度传感器,以实现更快的响应速度和更高的数据采集精度。此外,结合实时操作系统和专用的数据处理算法,可以进一步减少脉冲计数误差,提高整个检定过程的准确性和可靠性。 流量计脉冲采集技术是确保流量计量准确性的核心,而脉冲插入技术和先进的数据采集系统是提升这一技术的关键。随着技术的进步,未来流量计检定将更加精确,为石油等行业的贸易交接提供更可靠的计量基础。
recommend-type

【Vue底层原理与工程化跃迁终极指南】:20年前端架构师亲授的19个高危盲区、5大性能断崖点、3套企业级落地范式(附源码级诊断工具链)

# Vue底层原理全景图:从响应式引擎到虚拟DOM的原子级拆解 在现代前端开发中,Vue早已不是那个“写个模板就能跑”的轻量框架。当你在项目里写下 `ref()`、`v-for`、`<Teleport>` 或 `defineOptions` 时,你调用的不是一个函数、一个指令或一个语法糖——而是在与一套精密运转的**声明式运行时系统**对话。这套系统以响应式为心脏、以虚拟 DOM 为神经、以编译器协同为大脑,三者之间没有主从关系,只有持续不断的闭环反馈:`effect → trigger → schedule → render → patch → commit`。它不靠魔法,也不靠黑盒;它的