固定摄像头求变化物体的算法V7_摄像头画面变动识别算法-优快云博客

本文链接：https://blog.youkuaiyun.com/phker/article/details/117074779

固定摄像头求变化物体的算法, 前面做了好多个版本, 其中速度最快的还是对应位置的像素直接对减法比较快.
但是也有一些问题存在. 好在都能接受.

  
from PIL import Image
import numpy as np
from matplotlib import pyplot as plt
# import scipy.signal as signal
import cv2 
 

a = Image.open('F:\\project\\MyAI\\计算两张图的新增部分\\43771start.jpg')
b = Image.open('F:\\project\\MyAI\\计算两张图的新增部分\\43771close.jpg')

# opencv自带的减法, 效果不太好.
# img1 = cv2.cvtColor(np.asarray(a),cv2.COLOR_RGB2BGR)
# img2 = cv2.cvtColor(np.asarray(b),cv2.COLOR_RGB2BGR) 
# img_out = cv2.subtract(src1=img2,src2=img1)  # 测试结果效果不怎么好,
# cv2.imshow("subtract",img_out)

 
plt.figure()
plt.title("原始图")
plt.imshow(b)

#1. 第一步中值滤波 去掉噪声. 为后面的减法做铺垫. 可以去掉斑斑点点的小像素. 后面的参数3 是模糊的范围大小, 太大的话图像会很模糊 .
a = cv2.medianBlur(np.array(a),3) # 中值滤波去掉噪声
b = cv2.medianBlur(np.array(b),3) # 中值滤波去掉噪声

#2.第二步调整亮度, 调整到128附近, 也就是50%的亮度(最大值255).  太亮或者太暗都不利于AI识别
hsva = cv2.cvtColor(a, cv2.COLOR_RGB2HSV)
hsvb = cv2.cvtColor(b, cv2.COLOR_RGB2HSV)

avga =  np.average(hsva[:,:,2])
avgb =  np.average(hsvb[:,:,2])

print("a图片的亮度平均值",avga)
print("b图片的亮度平均值",avgb)

diffa = 128 - avga
diffb = 128 - avgb

hsva[:,:,2] = cv2.add(hsva[:,:,2], diffa)  # 亮度值都向 中间值128靠近, 太亮或者太暗都不利于AI识别
hsvb[:,:,2] = cv2.add(hsvb[:,:,2], diffb)  # 亮度值都向 中间值128靠近, 太亮或者太暗都不利于AI识别

mida = cv2.cvtColor(hsva, cv2.COLOR_HSV2RGB)
midb = cv2.cvtColor(hsvb, cv2.COLOR_HSV2RGB)
# cv2.imshow(mida)
# cv2.imshow(midb)

plt.figure()
plt.title("调整亮度后的a图")
plt.imshow(mida)

plt.figure()
plt.title("调整亮度后的b图")
plt.imshow(midb)
 
# cv2.imshow("mida",mida)
# cv2.imshow("midb",midb)

#第三步准备对消掉色彩相同的像素. 数据类型一定要先从uint8 转成 int32 否则出现负数会变成255
npa =  mida.astype(np.int32) 
npb =  midb.astype(np.int32) 

#第四步,同一个位置的像素对减. 一样的像素,对减后就变成了0.  或者+1或者-1   背景都在0的上下浮动.  而那些变化比较大的则变得比0 要远.  
# 然后求绝对值, 这样可以准备过滤掉那些变化比较小的位置.
diff = np.abs( npb - npa ) 

# 过滤变化比较小的部分.
diff[diff<60] = 0


diff = diff.sum(axis=2) # 从RGB 3通道 变成1通道的黑白图. 
diff[diff>0] = 1  #这一步把非0的都改成了1
# print(npb.shape)


#     # 去除噪点,如果周围一圈都没有相邻的其它点, 那么就当做噪点这一步就不需要了, 性能贼慢. 前面中值滤波就够了.
# xs,ys = np.where(npb>0)
# for x in xs:
#   for y in ys: 
#     aroundPoints = GetSudokuIndex(x,y)
#     hasp = False # 周围是否有其它非0点.
#     for xi,yi in aroundPoints:
#       if npb[xi,yi] > 0:
#         hasp = True
#         break

#     if hasp == False:
#       npb[xi,yi] = 0
#     # 去除噪点,如果周围一圈都没有相邻的其它点, 那么就当做噪点
 
#第五步  利用图像形态学，开运算 是先腐蚀再膨胀，用来消除背景中的噪点
#下面是一些图像处理中形态学的知识
    # 开运算：先腐蚀再膨胀，用来消除小物体
    # 闭运算：先膨胀再腐蚀，用于排除小型黑洞
    # 形态学梯度：就是膨胀图与俯视图之差，用于保留物体的边缘轮廓。
    # 顶帽：原图像与开运算图之差，用于分离比邻近点亮一些的斑块。
    # 黑帽：闭运算与原图像之差，用于分离比邻近点暗一些的斑块。
    # 膨胀: 把非0的区域变大

diff= diff.astype(np.uint8)
element = cv2.getStructuringElement(cv2.MORPH_ELLIPSE,(10,10))
diff = cv2.morphologyEx(diff, cv2.MORPH_OPEN, element)
# diff = cv2.morphologyEx(diff, cv2.MORPH_CLOSE, element)

element = cv2.getStructuringElement(cv2.MORPH_RECT,(200,200))
diff = cv2.morphologyEx(diff, cv2.MORPH_DILATE, element) #再膨胀一些，方便截图

#原图中背景改成0 , 变化的部分保留.
npb[diff == 0]=0 

plt.figure()
plt.title("diff")
plt.imshow(npb)

plt.show()


# 调整亮度的算法
# value = 100
# #Increase or decrease brightness by this value
# hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
# hsv[:,:,2] = cv2.add(hsv[:,:,2], value)
# img_out = cv2.cvtColor(hsv, cv2.COLOR_HSV2BGR)