使用 Python 分离图片中的非白色部分
在图像处理的过程中，我们经常需要分析和处理图像中的特定部分。在这篇文章中，我们将学习如何使用 Python 来分离图片中非白色的部分。此项任务主要包括以下几个步骤：
整体流程
下面是我们实现此功能的基本步骤：
| 步骤 | 说明 |
|---|---|
| 1 | 导入必要的库 |
| 2 | 读取图像并转换为数组 |
| 3 | 创建一个白色的掩码 |
| 4 | 使用掩码分离非白色部分 |
| 5 | 保存或展示处理后的图像 |
接下来，我们将详细介绍每一个步骤。
1. 导入必要的库
在开始之前，我们需要安装并导入处理图像的库。常用的库包括 OpenCV 和 NumPy。可以通过以下命令安装 OpenCV：
pip install opencv-python numpy
然后，我们在代码中导入它们：
import cv2 # 导入OpenCV库用于图像处理
import numpy as np # 导入NumPy用于数组操作
2. 读取图像并转换为数组
这一步是为了读取我们要处理的图像并将其转换为 NumPy 数组，便于后续的操作。
# 读取图像
image = cv2.imread('your_image.jpg') # 读取图像文件
# 将图像从BGR格式转换为RGB格式
image_rgb = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
cv2.imread('your_image.jpg')：读取存储在本地的图像文件。cv2.cvtColor(image, cv2.COLOR_BGR2RGB)：OpenCV 默认使用 BGR 格式，所以我们需要转换为 RGB 格式。
3. 创建一个白色的掩码
为了找到非白色区域，我们需要创建一个掩码，掩膜用于定义哪些区域将被保留。
# 创建一个白色的掩码，保留高度和宽度与原图相同
mask = np.ones(image.shape, dtype=np.uint8) * 255 # 创建一个白色掩码
这会生成一个与原始图像同样大小的全白图像。
4. 使用掩码分离非白色部分
现在我们要找出非白色的部分，并将它保存在新的图像中。
# 设置非白色的条件，白色的阈值通常为220
lower_limit = np.array([220, 220, 220]) # RGB白色的下限
upper_limit = np.array([255, 255, 255]) # RGB白色的上限
# 通过掩膜进行过滤
non_white_area = cv2.inRange(image_rgb, lower_limit, upper_limit) # 生成白色区域的掩膜
result = cv2.bitwise_and(image_rgb, image_rgb, mask=~non_white_area) # 取反掩膜并提取非白色部分
cv2.inRange(image_rgb, lower_limit, upper_limit)：此函数会生成一个新的图像，只有在指定范围内的像素将被保留。cv2.bitwise_and(image_rgb, image_rgb, mask=~non_white_area)：通过与原图进行位与操作，来保留非白色区域。
5. 保存或展示处理后的图像
最后一步是将处理后的图像保存到文件或在窗口中展示。
# 保存处理后的图像
cv2.imwrite('non_white_area.jpg', cv2.cvtColor(result, cv2.COLOR_RGB2BGR)) # 将结果保存成文件
# 展示处理后的图像
cv2.imshow('Non White Area', result)
cv2.waitKey(0) # 等待键盘输入
cv2.destroyAllWindows() # 关闭图像窗口
这样，我们就完成了从原始图像中分离出非白色部分的任务。
状态图
接下来用状态图表示整个流程：
stateDiagram
[*] --> 导入必要的库
导入必要的库 --> 读取图像
读取图像 --> 创建白色掩码
创建白色掩码 --> 分离非白色部分
分离非白色部分 --> 保存或展示图像
保存或展示图像 --> [*]
旅行图
最后，我们用旅行图来展示整个任务的顺序关系：
journey
title 分离非白色部分的过程
section 导入库
导入库 : 5: 进入
安装库 : 4: 进入
section 读取并处理图像
读取图像 : 3: 进入
创建掩码 : 4: 进入
分离非白色部分 : 5: 进入
section 输出结果
保存图像 : 3: 进入
展示图像 : 4: 进入
结束语
通过以上步骤，我们成功使用 Python 和 OpenCV 库分离了图片中的非白色部分。这是图像处理中的一个常见任务，学习并实践这一过程将为你在计算机视觉领域的进一步探索打下坚实的基础。希望这篇文章能帮助你对图像处理有更深入的理解和应用。通过不断实践，你会发现 Python 在图像处理方面的强大能力。
