• Unidade 2
  • Capítulo 4 - Imagens e Matrizes
  • Atividades
  • 5 - Segmentação de Imagens p2

Segmentação de Imagens Parte 2

import cv2
import numpy as np

1. Segmentação de imagens preto e branco

A função cv2.inRange realiza a operação de limiarização. Veja na documentação do OpenCV mais detalhes sobre ela.

Para o caso de imagens preto e branco, a função cv2.inRange recebe como parâmetros a imagem de entrada, o valor mínimo e o valor máximo do intervalo de valores que serão considerados para a limiarização.

O resultado da função é uma imagem binária, onde os pixels que estão dentro do intervalo são brancos e os pixels que estão fora do intervalo são pretos.

Isso pode ser observado no exemplo abaixo.

rintin = cv2.imread('img/RinTinTin.jpg', cv2.IMREAD_GRAYSCALE)
mask = cv2.inRange(rintin, 0, 30)
cv2.imshow("rintin", rintin)
cv2.imshow("mask", mask)
cv2.waitKey()
cv2.destroyAllWindows()

2. Segmentação de imagens coloridas

2.1 Detecção de cores com HSV

Para imagens coloridas, o mais comum é trabalhar no espaço de cores HSV - Hue, Saturation, Value, onde o canal H (matiz) indica o valor da cor dentro dos círculos de cores básicas.

No OpenCV, o canal Hue é representado através da metade do ângulo em graus no círculo de cores. Assim os valores variam de 0 a 180, o que cabe numa representação de 8 bits.

A imagem abaixo mostra claramente como o canal H varia de acordo com a cor, seguindo o círculo de cores.

Fonte: Wikipedia

IMPORTANTE

  • O espaço de cores HSV é mais adequado para a detecção de cores em imagens, pois ele separa a informação de cor (H) da informação de luminosidade (V) e de saturação (S). Isso permite que a detecção de cores seja mais robusta a variações de iluminação.

  • No circulo acima, lembre-se de dividir o valor 'H' por '2' no momento que estiver determinando seu filtro na OpenCV.

  • S e V são valores percentuais de 0% até 100%, lembre-se de converter para valores de 0 - 255 no momento que estiver determinando seu filtro na OpenCV.

img_color = cv2.imread("img/hall_box_battery1.jpg")
img_color = cv2.resize(img_color, (0, 0), fx=0.5, fy=0.5) # reduz a imagem para metade do tamanho

img_hsv = cv2.cvtColor(img_color, cv2.COLOR_BGR2HSV)
cv2.imshow("img", img_color)
cv2.imshow("hsv", img_hsv)
cv2.waitKey()
cv2.destroyAllWindows()

Pergunta: O que aconteceu com a imagem em HSV? Por que as cores ficaram "estranhas"?

low = np.array([0, 50, 50])
high = np.array([10, 255, 255])
mask = cv2.inRange(img_hsv, low, high)

selecao = cv2.bitwise_and(img_color, img_color, mask=mask)

cv2.imshow("mask", mask)
cv2.imshow("selecao", selecao)
cv2.waitKey()
cv2.destroyAllWindows()

No exemplo acima, utilizamos novamente a função cv2.inRange() para criar uma máscara que seleciona apenas os pixels que pertencem a caixa vermelha.

Depois, utilizando a operação AND da OpenCV, aplicamos a máscara na imagem original, para que apenas os pixels que pertencem à caixa vermelha sejam exibidos.

Mas como os valores de HSV foram escolhidos?

Para o valor de H, pelo círculo HSV acima, podemos ver que o vermelho está entre 0 e 15, e entre 150 e 180, para essa imagem, escolhemos o intervalo entre 0 e 10.

No caso dos valores de Saturation e `Value``, escolhemos o intervalo entre 50 e 255, pois queremos que a cor seja bem saturada e brilhante, como podemos observar no retângulo HSV acima.

Exercício 1

Na imagem da caixa acima, img/hall_box_battery1.jpg, converta a imagem para HSV e filtre o rodapé branco da parede. Mostre a imagem com apenas o rodapé branco.

Exercício 2

Faça o mesmo que o exercício anterior, mas agora converta a imagem para tons de cinza. Foi mais fácil encontrar os limiares? Por quê?

Resposta 
O processo de converter imagens para tons de cinza e então fazer a segmentação é muito util quando queremos remover fundos brancos, por exemplo.

Prática 4.5

Crie um arquivo chamado creepers.py que contenha uma classe chamada ProcessImage com as seguintes especificações:

A classe ProcessImage deve possuir um método chamado run_image que:

  • Recebe uma imagem.
  • Salva a imagem recebida em uma variável da classe chamada self.bgr.
  • Converte a imagem para o espaço de cor HSV, salvando o resultado em um atributo da classe chamado self.hsv.
  • Filtra cada uma das cores dos creepers (verde, azul e vermelho) na imagem, salvando os resultados em atributos da classe chamados self.mask_green, self.mask_blue e self.mask_red.
  • Soma as máscaras de cor filtradas, salvando o resultado em um atributo da classe chamado self.mask.

A classe ProcessImage deve possuir um método chamado show_image que exibe a imagem original (self.bgr) e a máscara combinada (self.mask) em janelas separadas.

O arquivo creepers.py deve ter uma função chamada main que:

  • Cria um loop infinito que captura imagens da webcam.
  • Utiliza o método run_image para processar a imagem capturada.
  • Chama o método show_image para exibir a imagem processada.