Создайте простую систему поиска изображений в OpenCV и Flask

Недавно я начал играть с OpenCV, библиотекой Computer Vision с открытым исходным кодом для обработки изображений. К счастью, есть доступные привязки Python. Больше повезло, что такие ребята, как Адриан, оказали большую услугу, выпустив и книгу, и блог на аналогичную тему.

Так что же это такое? Ну, это просто, или я говорю, самая простая демонстрация использования OpenCV для загрузки изображения и поиска цвета, связанного с этим изображением, и демонстрации идей в веб-приложении на основе Flask. Это не современное приложение, и в настоящее время оно не работает так, как я намереваюсь, но эй, это только начало, а не конец. Я не мог найти лучшего оправдания, кроме как превратить мои базовые знания о пикселях в продукт (Google! Осторожно!!)

Я не буду вдаваться в подробности как OpenCV, так и Flask, и я расскажу, что на самом деле делает приложение.

Приложение состоит из двух частей: веб-приложения, которое используется для хранения изображений из Интернета и отображения обработанных изображений и их доминирующих цветов, и сценария командной строки, который запускается на загруженном изображении и извлекает цветовые коды. Веб-изображение выглядит следующим образом:

Вы ищете изображения по цветовому коду, и он возвращает результат, как показано ниже:

И вид одиночного изображения выглядит так:

Давайте обсудим основную часть системы, то есть сценарий командной строки, выполняющий основную работу.

def process_image(image_name):
    color_count = {}
    print('Processing the image {}'.format(image_name))
    path="website/static/uploaded_images/" + image_name

    image = cv2.imread(path)

    for i in range(image.shape[0]):
        for j in range(image.shape[1]):
            (b, g, r) = image[i, j]
            h_value = rgb2hex(r, g, b)

            if h_value in color_count:
                color_count[h_value] += 1
            else:
                color_count[h_value] = 1
    return color_count

После импорта компьютерного зрения мы считываем изображение с диска, вызывая cv2.imread(). Данные доступны в виде массива numpy, поэтому для поиска таких деталей, как ширина, высота и канал, используется метод формы. Кстати, OpenCV хранит данные изображения в формате BGR вместо цветового пространства RGB. Как только данные получены в формате BGR, мы используем собственный метод rgb2hex для преобразования цвета RGB в HEX. Затем функция возвращает список словарей, состоящий из цветового кода в шестнадцатеричном формате и его частоты, которые мы будем использовать для определения процентного содержания цвета в изображении. Я также сделал демо который можно увидеть ниже.

Вывод

Итак, это был базовый учебник по обработке изображений в OpenCV. Это не зрелый продукт, так как он не может рассказать вам об уникальных цветах на картинке. Он просто сообщает вам информацию на основе цветов пикселей, а не выполняет цветовую сегментацию и кластеризацию на основе алгоритма ML.

Надеюсь, в ближайшие недели я продолжу обсуждение OpenCV по более сложным темам.
Как всегда, код доступен на Гитхаб.

Эта статья была первоначально опубликована здесь.