Цветовая сегментация для чайников

[alexpolevoy]

Закажите непосредственно у Adobe.

[shumski]

Экшн всего из двух операций: color range + refine edge.

[ICELedyanoj]

Поделюсь своим методом обтравки. В своё время сильно помогало, когда клепали виньетки для школ и фотографии на документы. Снял видео. На видео грубый вариант обтравки первого попавшегося изображения, но в целом можно понять последовательность действий. Если приложить ещё немного фантазии и усилий, то метод вполне годится для массовой обтравки.
Видео
Видео почему-то иногда залипает (видимо хостинг у них слабоват) — просто отматывайте назад и оно подгружается.
В целом последовательность действий чем-то перекликается с методикой, описанной в статье.

[Vadimner]

В фотошопе выделение по цвету давно есть (Меню Select->Color Range). Статья то не про то как сделать в фотошопе, а про то как можно сделать такой инструмент, если делаешь «свой фотошоп».

[QDeathNick]

У вас справа ус отклеился после дилатации.

Видимо ваши перцы были не критичны к такому качеству, мне приходится быть довольно точным, автоматизировать не удаётся. Мне часто приходится травить изображения фидерных устройств, но к сожалению они сложны даже для ручной обработки, часто приходится "выдумывать" где протравить, так как фон почти не отличается от предмета. Вот примерно как и у вас.

[Gregivy]

В ссылке на морфологию вы забыли двоеточие после http.

[greenroach]

Спасибо, исправила.

[ser-mk]

В первом цикле, где ищется цвет, слишком много строк кода, есть же inRange
Надо отметить что очень статья очень банально рассказывает о довольно сложной теме.
Гораздо интереснее рассказать о GrabCut и Watershed алгоритмах, а так же о их возможных вариациях.

[greenroach]

Когда я начинала вникать в тему, мне как раз не хватало банальных примеров.
Возможно позже я напишу про другие алгоритмы.

[ser-mk]

не знаю в каком году вы начинали вникать, но по ссылке что я указывал, весь материал из статьи есть. И датировано это 3 годами ранее.

[kostus1974]

отличный пример. и предлагаю тему для следующей вашей статьи.
уверен, что у многих периодически возникает задача нормализации и очистки от мусора скана документа. ну, допустим, надо сравнивать два скана: один эталонный, и другой уже после подписания печатной копии, после повторного сканирования. понятно, что разные сканеры, разный немного размер изображений, какие-то нарушения геометрии и т.п. задача — найти отличия второго скана от эталона.
как вам тема? напишете? ;)

[lash05]

Юлия, какая примерно длительность обработки одного изображения?

[greenroach]

800-900мс

[shybovycha]

В последнее время также увлекся обработкой изображений, но с целью экономии времени пишу код на Python. А так как opencv для python очень тесно связан с numpy, то и всяческие операции с изображением (которое по сути является матрицей numpy) много удобнее производить именно в матричном виде. В вашем случае я бы

1. использовал threshold из opencv (пример могу привести позже, когда не с телефона сидеть буду) для отделения пикселей по значению нужного канала h/s/v и тут же для закрашивания их в какой-то цвет (я бы предпочел черный; почему — см. п.2)

   
   
2. не красил изображение, а сперва сформировал бы dilated/"улучшенную" маску, а потом плпросту наложил бы ее на изображение с помощью бинарных операторов opencv (and в данном случае)

Сейчас забавы ради пишу скрипт, склеивающий стек изображений с разной плоскостью фото (для (супер-)макро нужно), там использую это подход с большим успехом =)

[Meklon]

Мне больше HSL система координат нравится. Интуитивно понятнее.

[MShevchenko]

Во первых это не сегментация. Во вторых OpenCV очень так себе. Когда я работал в R&D по темам распознавания образов и стеганографии, все лучше (по качеству и скорости) было писать самому.
Именно из алгоритмов сегментации мне больше всего понравился этот http://cs.brown.edu/~pff/segment/

[ser-mk]

а чем не понравился OpenCV? Понятно что не все есть там, но базовые примитивы оттуда удобно использовать.

[MShevchenko]

Тут есть целых три проблемы.
Первая. Используя OpenCV разработчик большую часть воспринимает как набор BlackBox-ов.
Вторая. Адаптация большинства сторонних алгоритмов к использованию с OpenCV неоправданно высока. Как пример http://home.cse.ust.hk/~cstws/research/TensorVoting3D/ (собственно там TV3D).
И третья. Реализация слишком многих вещей в OpenCV вызывает недоумение по поводу их реализации. Не говоря уже об оптимизации их для реальных проектов. Например на ARM-ах без использования NEON-оа.

Фактически это приводит к тому что, начав проект с использования OpenCV вы ограничиваете себя неким набором посредственно имплементированных алгоритмов.