如何检测图像中的圣诞树，用 Python 来帮你来实现

本文数据代码获取方式，公众号：程序员大飞，后台回复关键字：圣诞树

大家好，我是 zeroing，昨天是圣诞节，不知道大家过开心不，反正我是挺开心的，晚上室友都出去了自己一个人在宿舍，为所欲为~ 真的是爽歪歪~

本篇文章将用 Python 来实现图片中的圣诞树的识别、标记，可理解为计算机视觉中的物体检测，先声明一下哈这里没有用到神经网络，都是传统方法

先看一下效果，以下是原图

下面是最终检测出来的效果图：

图中的圣诞树的外轮廓都用红线给标记出来了，效果看起来还不错吧~，下面是算法实现的整体思路，分为三个部分

1，提取图片特征点(根据图像明亮度，色调，饱和度)

上面展示的6张图像中，因为彩灯原因，圣诞树在整个图片中呈现出偏亮、色调偏暖，与背景偏冷、偏青色形成对比；

根据上面提到的思路先对圣诞树上特征点进行提取，这里对图像分别以亮度、色调、饱和度三个角度对图像做了条件筛选，筛选出图像中目标特征点集，筛选标准如下

• 1，做亮度筛选时，先将RGB 转化为灰度图，提取灰度值大于220的区域（原图标准 0-255）
• 2，把图像将RGB(0-255) 转化为 HSV(0-1)颜色空间，提取 HSV 中 hue (色调通道)值小于 0.2 或大于 0.95 的区域，小于 0.2 是为了提取图片中偏黄色，红色的特征点，大于 0.95 对应圣诞树边缘的紫红域
• 3，图像 HSV 颜色空间中，提取 saturation(饱和度) 和 value(值) 大于 0.7 的部分 ；

这里简单介绍一下 HSV ，HSV 为图片的一种颜色空间，与 RGB 三通道相似，RGB 分别表示红、绿、蓝三种通道；而 HSV 则代表 hue(色调)，saturation(饱和度), value (亮度)；

• 色调H：用角度度量，取值范围为0°～360°，从红色开始按逆时针方向计算，红色为0°，绿色为120°,蓝色为240°。它们的补色是：黄色为60°，青色为180°,品红为300°；(本文将0-300度转化为 0-1.0 范围数值)
• 饱和度S：取值范围为0.0～1.0；
• 亮度V：取值范围为0.0(黑色)～1.0(白色)。

根据上面三个筛选条件，对图像进行处理，最终得到一个黑白相间的二值化图像，这里用 numpy 中的 和 方法来聚合上面的三种条件；

从上图可以看到，图片中的黑点即提取到的特征点(圣诞树)，基本大致轮廓已经出来了，但会有少许噪点，见图二、图四，建筑中的灯光、地平线特征也被提取出来了，但这些不是我们所需要的，所以需要下面的一个步骤：聚类，来剔除这些噪点

2，用 DBSCAN 算法对特征点进行聚类

上一步得到特征点之后，下面就对特征点集进行聚类，关于点集聚类，这里用基于空间密度的 DNSCAN 算法，这个算法已经被封装到 scikit-learn包中，使用时直接调用即可，但因为涉及一些参数设置问题，使用时需要注意两个参数：

• ，算法中的一个参数，表示类与类样本间的最大距离，对于不同数据集和距离函数这个参数需要设置不同的值；这里设置的是 图片对角线长度的0.04倍，这样的话既能适应大分辨率图片，也能适用于小分辨率的图片
• ，假设以某一点为中心，周围的样本数量(包括样本本身) ； 值太小时，最终类别会太多，值太大时，最终类别太少；本文设置为 10 ；

特征点分类后，最终将圣诞树特征点部分全部标为红色，效果如下：

描边扩张后效果：

可以看到图 2，3，4 中的特征点分别分为两类，用不同的颜色进行标记；后面再做一次条件筛选：只取图片中特征点数量最多的类(圣诞树)，就可以把图像中的噪点去除

3，对目标特征点集计算凸包，在原图上绘制

最后这一步就简单多了，有了特征点集，利用 包 中的 ConvexHull 方法计算 凸包 ，之后再利用 将凸包在原图上进行绘制

小结

文章中的一些技术点是值得借鉴，例如前面提到的用色调、饱和度作为阈值条件来筛选特征点，及后面的 DBSCAN 聚类算法的使用；这些 Idea 不仅局限在圣诞树上，也可以用于检测其它的一些物体上面来，但需要多思考，多实践

最后在这里提一下为什么聚类算法这里用 DBSCAN，而不是经典的 KMeans；因为 KMeans 分类时需要设置类别数量(类别数量是我们提前没有办法确定的)，并且在分类时仅以欧式距离作为参考，最终分类结果并不理想，参照下图

KMeans 算法

DBSCAN 算法

文章中用到核心代码

启动脚本

好了，以上就是本篇文章的全部内容，如果觉得内容不错，求赞、求分享、求留言；最后感谢大家的阅读！