如何使用OpenCV從圖像中刪除特定的標簽/貼紙/對象？

Question

我有數百幅珠寶產品圖片。 其中一些帶有“暢銷書”標簽。 標簽的位置因圖像而異。 我想遍歷所有圖像，如果圖像具有此標簽，則將其刪除。 生成的圖像將在移除的對象的像素上渲染背景。

帶有標簽/貼紙/對象的圖像示例：

標簽/貼紙/要刪除的對象：

import numpy as np
import cv2 as cv

img = plt.imread('./images/001.jpg')
sticker = plt.imread('./images/tag.png',1)
diff_im = cv2.absdiff(img, sticker)

我希望結果圖像如下所示：

Answer 1

使用cv.matchTemplate 。 文檔中提供了一個示例。

找到對象后，只需繪制一個負厚度的矩形以將其填充為白色即可。

Answer 2

這是一種使用改進的模板匹配方法的方法。 這是整體策略：

• 加載模板，轉換為灰度，執行Canny邊緣檢測
• 加載原始圖像，轉換為灰度
• 連續重新縮放圖像，使用邊緣應用模板匹配，並跟蹤相關系數（值越大表示匹配越好）
• 查找最適合邊界框的坐標，然后刪除不需要的投資回報率

首先，我們加載模板並執行Canny邊緣檢測。 應用與邊緣匹配的模板而不是原始圖像，可以消除顏色變化差異，並提供更可靠的結果。 從模板圖像中提取邊緣：

接下來，我們不斷縮小圖像，並將模板匹配應用於調整大小后的圖像。 我使用舊答案在每次調整大小時都保持寬高比。 這是策略的可視化

我們調整圖像大小的原因是因為使用cv2.matchTemplate標准模板匹配將不可靠，並且如果模板和圖像的尺寸不匹配，則可能會給出誤報。 為了克服這個尺寸問題，我們使用以下修改的方法：

• 以各種較小的比例連續調整輸入圖像的大小
• 使用cv2.matchTemplate應用模板匹配並跟蹤最大相關系數
• 相關系數最大的比率/比例將具有最佳匹配的ROI

獲得投資回報率后，我們可以使用以下方法在矩形中填充白色，從而“刪除”徽標

cv2.rectangle(final, (start_x, start_y), (end_x, end_y), (255,255,255), -1)

import cv2
import numpy as np

# Resizes a image and maintains aspect ratio
def maintain_aspect_ratio_resize(image, width=None, height=None, inter=cv2.INTER_AREA):
    # Grab the image size and initialize dimensions
    dim = None
    (h, w) = image.shape[:2]

    # Return original image if no need to resize
    if width is None and height is None:
        return image

    # We are resizing height if width is none
    if width is None:
        # Calculate the ratio of the height and construct the dimensions
        r = height / float(h)
        dim = (int(w * r), height)
    # We are resizing width if height is none
    else:
        # Calculate the ratio of the 0idth and construct the dimensions
        r = width / float(w)
        dim = (width, int(h * r))

    # Return the resized image
    return cv2.resize(image, dim, interpolation=inter)

# Load template, convert to grayscale, perform canny edge detection
template = cv2.imread('template.PNG')
template = cv2.cvtColor(template, cv2.COLOR_BGR2GRAY)
template = cv2.Canny(template, 50, 200)
(tH, tW) = template.shape[:2]
cv2.imshow("template", template)

# Load original image, convert to grayscale
original_image = cv2.imread('1.jpg')
final = original_image.copy()
gray = cv2.cvtColor(original_image, cv2.COLOR_BGR2GRAY)
found = None

# Dynamically rescale image for better template matching
for scale in np.linspace(0.2, 1.0, 20)[::-1]:

    # Resize image to scale and keep track of ratio
    resized = maintain_aspect_ratio_resize(gray, width=int(gray.shape[1] * scale))
    r = gray.shape[1] / float(resized.shape[1])

    # Stop if template image size is larger than resized image
    if resized.shape[0] < tH or resized.shape[1] < tW:
        break

    # Detect edges in resized image and apply template matching
    canny = cv2.Canny(resized, 50, 200)
    detected = cv2.matchTemplate(canny, template, cv2.TM_CCOEFF)
    (_, max_val, _, max_loc) = cv2.minMaxLoc(detected)

    # Uncomment this section for visualization
    '''
    clone = np.dstack([canny, canny, canny])
    cv2.rectangle(clone, (max_loc[0], max_loc[1]), (max_loc[0] + tW, max_loc[1] + tH), (0,255,0), 2)
    cv2.imshow('visualize', clone)
    cv2.waitKey(0)
    '''

    # Keep track of correlation value
    # Higher correlation means better match
    if found is None or max_val > found[0]:
        found = (max_val, max_loc, r)

# Compute coordinates of bounding box
(_, max_loc, r) = found
(start_x, start_y) = (int(max_loc[0] * r), int(max_loc[1] * r))
(end_x, end_y) = (int((max_loc[0] + tW) * r), int((max_loc[1] + tH) * r))

# Draw bounding box on ROI to remove
cv2.rectangle(original_image, (start_x, start_y), (end_x, end_y), (0,255,0), 2)
cv2.imshow('detected', original_image)

# Erase unwanted ROI (Fill ROI with white)
cv2.rectangle(final, (start_x, start_y), (end_x, end_y), (255,255,255), -1)
cv2.imshow('final', final)
cv2.waitKey(0)