使用 OpenCV 和自适应阈值检测和掩盖图像中的花朵-tensorflow-IT问答社区-解决你的IT疑问

使用 OpenCV 和自适应阈值检测和掩盖图像中的花朵

Trashman 2月前

您还可以在 SageMaker JumpStart 上使用 Llama3 模型，如下所示：from sagemaker.jumpstart.model import JumpStartModelmodel = JumpStartModel(model_id = \'meta-textgeneration-llama-3-70b-instruct...

您还可以在 SageMaker JumpStart 上使用 Llama3 模型，如下所示：

from sagemaker.jumpstart.model import JumpStartModel

model = JumpStartModel(model_id = "meta-textgeneration-llama-3-70b-instruct")
predictor = model.deploy(accept_eula=False)

response = predictor.predict({"inputs": "this is where you place your prompt", "parameters": {"max_new_tokens":128, "do_sample":"true"}})

但是，如何改善延迟和/或吞吐量（Sagemaker MultiDataModel）？

帖子版权声明 1、本帖标题：使用 OpenCV 和自适应阈值检测和掩盖图像中的花朵
本站网址：http://xjnalaquan.com/
2、本网站的资源部分来源于网络，如有侵权，请联系站长进行删除处理。
3、会员发帖仅代表会员个人观点，并不代表本站赞同其观点和对其真实性负责。
4、本站一律禁止以任何方式发布或转载任何违法的相关信息，访客发现请向站长举报
5、站长邮箱：yeweds@126.com 除非注明，本帖由Trashman在本站《tensorflow》版块原创发布，转载请注明出处！

最新回复 (0)

最新倒序只看楼主

farwayer 2月前 0 只看Ta

引用 2楼
我正在做一个项目，需要使用 OpenCV 和自适应阈值检测和掩盖图像中的花朵。尽管我付出了努力，但结果并不一致。有些花朵被很好地掩盖了，但

我正在做一个项目，需要使用 OpenCV 和自适应阈值检测和掩盖图像中的花朵。尽管我付出了努力，但结果并不一致。有些花朵被很好地掩盖了，但其他花朵要么被部分掩盖，要么根本检测不到。我在 TensorFlow 中使用 Oxford Flowers 102 数据集来完成这项任务。下面是我使用的代码：
```
(train_dataset, test_dataset, validation_dataset), ds_info = tfds.load('oxford_flowers102', split=['test', 'train','validation'], with_info=True, as_supervised=True)

def normalize_img(image, label):
    image = tf.image.resize(image, (256, 256))
    return tf.cast(image, tf.float32) / 255.0, label

train_dataset = train_dataset.map(normalize_img, num_parallel_calls=tf.data.experimental.AUTOTUNE)
train_dataset = train_dataset.cache()
train_dataset = train_dataset.shuffle(ds_info.splits['train'].num_examples)
train_dataset = train_dataset.batch(32)
train_dataset = train_dataset.prefetch(tf.data.experimental.AUTOTUNE)

def detect_flowers_and_mask(image):
    image_np = (image.numpy() * 255).astype(np.uint8)
    gray_image = cv2.cvtColor(image_np, cv2.COLOR_RGB2GRAY)  
    binary_image = cv2.adaptiveThreshold(gray_image, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY_INV, 11, 2) 
    contours, _ = cv2.findContours(binary_image, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

    if contours:
        max_contour = max(contours, key=cv2.contourArea)
        mask = np.zeros_like(gray_image, dtype=np.uint8)
        cv2.drawContours(mask, [max_contour], -1, (255, 255, 255), thickness=cv2.FILLED)
        masked_image = cv2.bitwise_and(image_np, image_np, mask=mask)
    else:
        masked_image = image_np

    return masked_image

plt.figure(figsize=(15, 15)) 
for i, (image_batch, label_batch) in enumerate(train_dataset.take(20)):
    for image, label in zip(image_batch, label_batch):
        masked_image = detect_flowers_and_mask(image)
        plt.subplot(4, 5, i+1)
        plt.imshow(masked_image)
        plt.title(ds_info.features['label'].int2str(label.numpy()))  
        plt.axis("off")
plt.tight_layout()
plt.show()
```
Hardik Uchdadiya 2月前 0 只看Ta

引用 3楼

您可以尝试在黑色背景上设置阈值，然后反转。在背景颜色范围上使用 cv2.inRange()，或者简单地在某些非常低或黑色的值上设置阈值。我认为自适应阈值在这里不合适。