这篇教程OpenCV实现背景分离(证件照背景替换)写得很实用，希望能帮到您。
本文主要介绍了OpenCV实现背景分离(证件照背景替换)，具有一定的参考价值，感兴趣的可以了解一下
实现原理图像背景分离是常见的图像处理方法之一，属于图像分割范畴。如何较优地提取背景区域，难点在于两个： - 背景和前景的分割。针对该难点，通过人机交互等方法获取背景色作为参考值，结合差值均方根设定合理阈值，实现前景的提取，PS上称为蒙版；提取过程中，可能会遇到前景像素丢失的情况，对此可通过开闭运算或者提取外部轮廓线的方式，将前景内部填充完毕。
- 前景边缘轮廓区域的融合。如果不能很好地融合，就能看出明显的抠图痕迹，所以融合是很关键的一步。首先，对蒙版区（掩膜）进行均值滤波，其边缘区会生成介于0-255之间的缓存区；其次，通过比例分配的方式对缓存区的像素点上色，我固定的比例为前景0.3背景0.7，因为背景为单色区，背景比例高，可以使得缓存区颜色倾向于背景区，且实现较好地过渡；最后，蒙版为0的区域上背景色，蒙版为255的区域不变。
至此，图像实现了分割，完成背景分离。C++实现代码如下。
功能函数代码// 背景分离cv::Mat BackgroundSeparation(cv::Mat src, Inputparama input){ cv::Mat bgra, mask; // 转化为BGRA格式，带透明度，4通道 cvtColor(src, bgra, COLOR_BGR2BGRA); mask = cv::Mat::zeros(bgra.size(), CV_8UC1); int row = src.rows; int col = src.cols; // 异常数值修正 input.p.x = max(0, min(col, input.p.x)); input.p.y = max(0, min(row, input.p.y)); input.thresh = max(5, min(100, input.thresh)); input.transparency = max(0, min(255, input.transparency)); input.size = max(0, min(30, input.size)); // 确定背景色 uchar ref_b = src.at<Vec3b>(input.p.y, input.p.x)[0]; uchar ref_g = src.at<Vec3b>(input.p.y, input.p.x)[1]; uchar ref_r = src.at<Vec3b>(input.p.y, input.p.x)[2]; // 计算蒙版区域（掩膜） for (int i = 0; i < row; ++i) { uchar *m = mask.ptr<uchar>(i); uchar *b = src.ptr<uchar>(i); for (int j = 0; j < col; ++j) { if ((geiDiff(b[3*j],b[3*j+1],b[3*j+2],ref_b,ref_g,ref_r)) >input.thresh) { m[j] = 255; } } } // 寻找轮廓，作用是填充轮廓内黑洞 vector<vector<Point>> contour; vector<Vec4i> hierarchy; // RETR_TREE以网状结构提取所有轮廓，CHAIN_APPROX_NONE获取轮廓的每个像素 findContours(mask, contour, hierarchy, RETR_EXTERNAL, CHAIN_APPROX_NONE); drawContours(mask, contour, -1, Scalar(255), FILLED,4); // 闭运算 cv::Mat element = getStructuringElement(MORPH_ELLIPSE, Size(5, 5)); cv::morphologyEx(mask, mask, MORPH_CLOSE, element); // 掩膜滤波，是为了边缘虚化 cv::blur(mask, mask, Size(2 * input.size+1, 2 * input.size + 1)); // 改色 for (int i = 0; i < row; ++i) { uchar *r = bgra.ptr<uchar>(i); uchar *m = mask.ptr<uchar>(i); for (int j = 0; j < col; ++j) { // 蒙版为0的区域就是标准背景区 if (m[j] == 0) { r[4 * j] = uchar(input.color[0]); r[4 * j + 1] = uchar(input.color[1]); r[4 * j + 2] = uchar(input.color[2]); r[4 * j + 3] = uchar(input.transparency); } // 不为0且不为255的区域是轮廓区域（边缘区），需要虚化处理 else if (m[j] != 255) { // 边缘处按比例上色 int newb = (r[4 * j] * m[j] * 0.3 + input.color[0] * (255 - m[j])*0.7) / ((255 - m[j])*0.7+ m[j] * 0.3); int newg = (r[4 * j+1] * m[j] * 0.3 + input.color[1] * (255 - m[j])*0.7) / ((255 - m[j])*0.7 + m[j] * 0.3); int newr = (r[4 * j + 2] * m[j] * 0.3 + input.color[2] * (255 - m[j])*0.7) / ((255 - m[j])*0.7 + m[j] * 0.3); int newt = (r[4 * j + 3] * m[j] * 0.3 + input.transparency * (255 - m[j])*0.7) / ((255 - m[j])*0.7 + m[j] * 0.3); newb = max(0, min(255, newb)); newg = max(0, min(255, newg)); newr = max(0, min(255, newr)); newt = max(0, min(255, newt)); r[4 * j] = newb; r[4 * j + 1] = newg; r[4 * j + 2] = newr; r[4 * j + 3] = newt; } } } return bgra;}
C++测试代码#include <opencv2/opencv.hpp>#include <iostream>#include <algorithm>#include <time.h>using namespace cv;using namespace std; // 输入参数struct Inputparama { int thresh = 30; // 背景识别阈值，该值越小，则识别非背景区面积越大，需有合适范围，目前为5-60 int transparency = 255; // 背景替换色透明度，255为实，0为透明 int size = 7; // 非背景区边缘虚化参数，该值越大，则边缘虚化程度越明显 cv::Point p = cv::Point(0, 0); // 背景色采样点，可通过人机交互获取，也可用默认(0,0)点颜色作为背景色 cv::Scalar color = cv::Scalar(255, 255, 255); // 背景色}; cv::Mat BackgroundSeparation(cv::Mat src, Inputparama input); // 计算差值均方根int geiDiff(uchar b,uchar g,uchar r,uchar tb,uchar tg,uchar tr){ return int(sqrt(((b - tb)*(b - tb) + (g - tg)*(g - tg) + (r - tr)*(r - tr))/3));} int main(){ cv::Mat src = imread("111.jpg"); Inputparama input; input.thresh = 100; input.transparency = 255; input.size = 6; input.color = cv::Scalar(0, 0, 255); clock_t s, e; s = clock(); cv::Mat result = BackgroundSeparation(src, input); e = clock(); double dif = e - s; cout << "time:" << dif << endl; imshow("original", src); imshow("result", result); imwrite("result1.png", result); waitKey(0); return 0;} // 背景分离cv::Mat BackgroundSeparation(cv::Mat src, Inputparama input){ cv::Mat bgra, mask; // 转化为BGRA格式，带透明度，4通道 cvtColor(src, bgra, COLOR_BGR2BGRA); mask = cv::Mat::zeros(bgra.size(), CV_8UC1); int row = src.rows; int col = src.cols; // 异常数值修正 input.p.x = max(0, min(col, input.p.x)); input.p.y = max(0, min(row, input.p.y)); input.thresh = max(5, min(100, input.thresh)); input.transparency = max(0, min(255, input.transparency)); input.size = max(0, min(30, input.size)); // 确定背景色 uchar ref_b = src.at<Vec3b>(input.p.y, input.p.x)[0]; uchar ref_g = src.at<Vec3b>(input.p.y, input.p.x)[1]; uchar ref_r = src.at<Vec3b>(input.p.y, input.p.x)[2]; // 计算蒙版区域（掩膜） for (int i = 0; i < row; ++i) { uchar *m = mask.ptr<uchar>(i); uchar *b = src.ptr<uchar>(i); for (int j = 0; j < col; ++j) { if ((geiDiff(b[3*j],b[3*j+1],b[3*j+2],ref_b,ref_g,ref_r)) >input.thresh) { m[j] = 255; } } } // 寻找轮廓，作用是填充轮廓内黑洞 vector<vector<Point>> contour; vector<Vec4i> hierarchy; // RETR_TREE以网状结构提取所有轮廓，CHAIN_APPROX_NONE获取轮廓的每个像素 findContours(mask, contour, hierarchy, RETR_EXTERNAL, CHAIN_APPROX_NONE); drawContours(mask, contour, -1, Scalar(255), FILLED,4); // 闭运算 cv::Mat element = getStructuringElement(MORPH_ELLIPSE, Size(5, 5)); cv::morphologyEx(mask, mask, MORPH_CLOSE, element); // 掩膜滤波，是为了边缘虚化 cv::blur(mask, mask, Size(2 * input.size+1, 2 * input.size + 1)); // 改色 for (int i = 0; i < row; ++i) { uchar *r = bgra.ptr<uchar>(i); uchar *m = mask.ptr<uchar>(i); for (int j = 0; j < col; ++j) { // 蒙版为0的区域就是标准背景区 if (m[j] == 0) { r[4 * j] = uchar(input.color[0]); r[4 * j + 1] = uchar(input.color[1]); r[4 * j + 2] = uchar(input.color[2]); r[4 * j + 3] = uchar(input.transparency); } // 不为0且不为255的区域是轮廓区域（边缘区），需要虚化处理 else if (m[j] != 255) { // 边缘处按比例上色 int newb = (r[4 * j] * m[j] * 0.3 + input.color[0] * (255 - m[j])*0.7) / ((255 - m[j])*0.7+ m[j] * 0.3); int newg = (r[4 * j+1] * m[j] * 0.3 + input.color[1] * (255 - m[j])*0.7) / ((255 - m[j])*0.7 + m[j] * 0.3); int newr = (r[4 * j + 2] * m[j] * 0.3 + input.color[2] * (255 - m[j])*0.7) / ((255 - m[j])*0.7 + m[j] * 0.3); int newt = (r[4 * j + 3] * m[j] * 0.3 + input.transparency * (255 - m[j])*0.7) / ((255 - m[j])*0.7 + m[j] * 0.3); newb = max(0, min(255, newb)); newg = max(0, min(255, newg)); newr = max(0, min(255, newr)); newt = max(0, min(255, newt)); r[4 * j] = newb; r[4 * j + 1] = newg; r[4 * j + 2] = newr; r[4 * j + 3] = newt; } } } return bgra;}测试效果 
图1 原图和红底色效果图对比 
图2 原图和蓝底色效果图对比 
图3 原图和透明底色效果图对比 如源码所示，函数输入参数共有5项，其说明如下： - thresh为背景识别阈值，该值范围为5-100，用来区分背景区和前景区，合理设置，不然可能出现前景区大片面积丢失的情况。
- p为背景色采样点，可通过人机交互的方式人为选中背景区颜色，默认为图像原点的颜色。
- color为重绘背景色。
- transparency为重绘背景色的透明度，255为实色，0为全透明。
- size为边缘虚化参数，控制均值滤波的窗口尺寸，范围为0-30。
我对比了百度搜索证件照一键改色网站的效果，基本一致，它们处理一次4块钱，我们这是免费的，授人以鱼不如授人以渔对吧，学到就是赚到。当然人家的功能肯定更强大，估计集成了深度学习一类的框架，我们还需要调参。美中不足的地方就由兄弟们一起改进了。 细心的biliy发现了我贴图的问题，如图1图2图3所示，领口处被当做背景色了，这样当然不行，接下来开始改进功能。 1）首先分析原因，之所以领口被当做背景色，是因为领口为白色，同背景色一致，且连接图像边缘处，进行轮廓分析时，错将这个领口识别为轮廓外，如图4所示。 
图4 识别失败 2）正如图4所示，仅仅用闭运算是无法有效补偿的，如果将窗口尺寸加大还可能使其他位置过度填充，接下来考虑如何只填充这类大洞。先将处理图像的宽高各扩展50个pixel，这样做的好处是令轮廓的识别更精准和清晰，并且避免了头顶处因贴近图像边缘，而导致的过度膨胀现象。 cv::Mat tmask = cv::Mat::zeros(row + 50, col + 50, CV_8UC1);mask.copyTo(tmask(cv::Range(25, 25 + mask.rows), cv::Range(25, 25 + mask.cols))); 3）之后进行黑帽运算，即闭运算减原图，得到图5。 
图5 黑帽运算 4）用Clear_MicroConnected_Area函数清除小面积连通区，得到图6。 （该函数介绍见：https://www.jb51.net/article/221904.htm） 
图6 清除小面积连通区 5）黑帽运算结果加至原轮廓图，并截取实际图像尺寸。 // 黑帽运算获取同背景色类似的区域，识别后填充cv::Mat hat;cv::Mat element = getStructuringElement(MORPH_ELLIPSE, Size(31, 31));cv::morphologyEx(tmask, hat, MORPH_BLACKHAT, element);hat.setTo(255, hat > 0);cv::Mat hatd;// 清除小面积区域Clear_MicroConnected_Areas(hat, hatd, 450);tmask = tmask + hatd;// 截取实际尺寸mask = tmask(cv::Range(25, 25 + mask.rows), cv::Range(25, 25 + mask.cols)).clone(); 6）至此，就得到完整的轮廓了，如图7所示，完整代码见后方。 
图7 完整轮廓图
完整改进代码#include <opencv2/opencv.hpp>#include <iostream>#include <algorithm>#include <time.h>using namespace cv;using namespace std; // 输入参数struct Inputparama { int thresh = 30; // 背景识别阈值，该值越小，则识别非背景区面积越大，需有合适范围，目前为5-60 int transparency = 255; // 背景替换色透明度，255为实，0为透明 int size = 7; // 非背景区边缘虚化参数，该值越大，则边缘虚化程度越明显 cv::Point p = cv::Point(0, 0); // 背景色采样点，可通过人机交互获取，也可用默认(0,0)点颜色作为背景色 cv::Scalar color = cv::Scalar(255, 255, 255); // 背景色}; cv::Mat BackgroundSeparation(cv::Mat src, Inputparama input);void Clear_MicroConnected_Areas(cv::Mat src, cv::Mat &dst, double min_area); // 计算差值均方根int geiDiff(uchar b,uchar g,uchar r,uchar tb,uchar tg,uchar tr){ return int(sqrt(((b - tb)*(b - tb) + (g - tg)*(g - tg) + (r - tr)*(r - tr))/3));} int main(){ cv::Mat src = imread("111.jpg"); Inputparama input; input.thresh = 100; input.transparency = 255; input.size = 6; input.color = cv::Scalar(0, 0, 255); clock_t s, e; s = clock(); cv::Mat result = BackgroundSeparation(src, input); e = clock(); double dif = e - s; cout << "time:" << dif << endl; imshow("original", src); imshow("result", result); imwrite("result1.png", result); waitKey(0); return 0;} // 背景分离cv::Mat BackgroundSeparation(cv::Mat src, Inputparama input){ cv::Mat bgra, mask; // 转化为BGRA格式，带透明度，4通道 cvtColor(src, bgra, COLOR_BGR2BGRA); mask = cv::Mat::zeros(bgra.size(), CV_8UC1); int row = src.rows; int col = src.cols; // 异常数值修正 input.p.x = max(0, min(col, input.p.x)); input.p.y = max(0, min(row, input.p.y)); input.thresh = max(5, min(200, input.thresh)); input.transparency = max(0, min(255, input.transparency)); input.size = max(0, min(30, input.size)); // 确定背景色 uchar ref_b = src.at<Vec3b>(input.p.y, input.p.x)[0]; uchar ref_g = src.at<Vec3b>(input.p.y, input.p.x)[1]; uchar ref_r = src.at<Vec3b>(input.p.y, input.p.x)[2]; // 计算蒙版区域（掩膜） for (int i = 0; i < row; ++i) { uchar *m = mask.ptr<uchar>(i); uchar *b = src.ptr<uchar>(i); for (int j = 0; j < col; ++j) { if ((geiDiff(b[3*j],b[3*j+1],b[3*j+2],ref_b,ref_g,ref_r)) >input.thresh) { m[j] = 255; } } } cv::Mat tmask = cv::Mat::zeros(row + 50, col + 50, CV_8UC1); mask.copyTo(tmask(cv::Range(25, 25 + mask.rows), cv::Range(25, 25 + mask.cols))); // 寻找轮廓，作用是填充轮廓内黑洞 vector<vector<Point>> contour; vector<Vec4i> hierarchy; // RETR_TREE以网状结构提取所有轮廓，CHAIN_APPROX_NONE获取轮廓的每个像素 findContours(tmask, contour, hierarchy, RETR_EXTERNAL, CHAIN_APPROX_NONE); drawContours(tmask, contour, -1, Scalar(255), FILLED,16); // 黑帽运算获取同背景色类似的区域，识别后填充 cv::Mat hat; cv::Mat element = getStructuringElement(MORPH_ELLIPSE, Size(31, 31)); cv::morphologyEx(tmask, hat, MORPH_BLACKHAT, element); hat.setTo(255, hat > 0); cv::Mat hatd; Clear_MicroConnected_Areas(hat, hatd, 450); tmask = tmask + hatd; mask = tmask(cv::Range(25, 25 + mask.rows), cv::Range(25, 25 + mask.cols)).clone(); // 掩膜滤波，是为了边缘虚化 cv::blur(mask, mask, Size(2 * input.size+1, 2 * input.size + 1)); // 改色 for (int i = 0; i < row; ++i) { uchar *r = bgra.ptr<uchar>(i); uchar *m = mask.ptr<uchar>(i); for (int j = 0; j < col; ++j) { // 蒙版为0的区域就是标准背景区 if (m[j] == 0) { r[4 * j] = uchar(input.color[0]); r[4 * j + 1] = uchar(input.color[1]); r[4 * j + 2] = uchar(input.color[2]); r[4 * j + 3] = uchar(input.transparency); } // 不为0且不为255的区域是轮廓区域（边缘区），需要虚化处理 else if (m[j] != 255) { // 边缘处按比例上色 int newb = (r[4 * j] * m[j] * 0.3 + input.color[0] * (255 - m[j])*0.7) / ((255 - m[j])*0.7+ m[j] * 0.3); int newg = (r[4 * j+1] * m[j] * 0.3 + input.color[1] * (255 - m[j])*0.7) / ((255 - m[j])*0.7 + m[j] * 0.3); int newr = (r[4 * j + 2] * m[j] * 0.3 + input.color[2] * (255 - m[j])*0.7) / ((255 - m[j])*0.7 + m[j] * 0.3); int newt = (r[4 * j + 3] * m[j] * 0.3 + input.transparency * (255 - m[j])*0.7) / ((255 - m[j])*0.7 + m[j] * 0.3); newb = max(0, min(255, newb)); newg = max(0, min(255, newg)); newr = max(0, min(255, newr)); newt = max(0, min(255, newt)); r[4 * j] = newb; r[4 * j + 1] = newg; r[4 * j + 2] = newr; r[4 * j + 3] = newt; } } } return bgra;} void Clear_MicroConnected_Areas(cv::Mat src, cv::Mat &dst, double min_area){ // 备份复制 dst = src.clone(); std::vector<std::vector<cv::Point> > contours; // 创建轮廓容器 std::vector<cv::Vec4i> hierarchy; // 寻找轮廓的函数 // 第四个参数CV_RETR_EXTERNAL，表示寻找最外围轮廓 // 第五个参数CV_CHAIN_APPROX_NONE，表示保存物体边界上所有连续的轮廓点到contours向量内 cv::findContours(src, contours, hierarchy, cv::RETR_EXTERNAL, cv::CHAIN_APPROX_NONE, cv::Point()); if (!contours.empty() && !hierarchy.empty()) { std::vector<std::vector<cv::Point> >::const_iterator itc = contours.begin(); // 遍历所有轮廓 while (itc != contours.end()) { // 定位当前轮廓所在位置 cv::Rect rect = cv::boundingRect(cv::Mat(*itc)); // contourArea函数计算连通区面积 double area = contourArea(*itc); // 若面积小于设置的阈值 if (area < min_area) { // 遍历轮廓所在位置所有像素点 for (int i = rect.y; i < rect.y + rect.height; i++) { uchar *output_data = dst.ptr<uchar>(i); for (int j = rect.x; j < rect.x + rect.width; j++) { // 将连通区的值置0 if (output_data[j] == 255) { output_data[j] = 0; } } } } itc++; } }}改进效果 
图8 原图与红底对比图 
图9 原图与蓝底对比图 
图10 原图与透明底对比图 到此这篇关于OpenCV实现背景分离(证件照背景替换)的文章就介绍到这了,更多相关OpenCV 背景分离内容请搜索51zixue.net以前的文章或继续浏览下面的相关文章希望大家以后多多支持51zixue.net！
OpenCV清除小面积连通域的实现方法
Python 经典贪心算法之Prim算法案例详解 |
