今天我們將一起探究如何使用OpenCV和Python從圖像中提取感興趣區域（ROI）。

在之間的文章中，我們完成了圖像邊緣提取，例如從臺球桌中提取桌邊。使用了簡單的OpenCV函數即可完成這項任務，例如inRange、findContours、boundingRect、minAreaRect、minEnclosingCircle、circle、HoughLines、line等，都可以。

今天我們的任務是從包含患者大腦活動快照的圖像中提取所需的片段。之后可以將該提取的過程應用于其他程序中，例如診斷健康與否的機器學習模型。

因此，讓我們從查看輸入圖像開始。這是由神經科學領域的醫療儀器生成的典型報告，該儀器使用傳感器檢測來自患者大腦的信號并將其顯示為彩色地圖。通常，有四張圖片，所有圖片都描繪了某個特征并一起分析以進行診斷。

本練習的目標圖像包含四個大腦圖

從上面的圖像中，我們只想提取與四個地圖（頭部掃描）相對應的區域，而將其他所有內容都排除在外。因此，讓我們開始吧。

第一步是檢測我們要提取的片段的邊緣。這是一個多步驟過程，如下所述：

1. 使用“ cvtColor（）”將RGB圖像轉換為灰度
2. 通過應用模糊函數“ GaussianBlur（）”來消除灰度圖像中的噪聲
3. 最后將“ Canny（）”函數應用于模糊圖像以獲得邊緣

邊緣檢測過程的輸出如下所示：

使用Canny算法的邊緣檢測輸出

請注意，盡管已識別出腦圖片段，但仍有許多不需要的邊緣需要消除，并且某些邊緣之間有間隙需要封閉。

解決這個問題的一種常用方法是形態轉換，它涉及在圖像上使用一系列的擴張和腐蝕來去除不需要的邊緣和閉合間隙。

我們在多次迭代中使用OpenCV函數“ dilate（）”和“ erode（）”來獲得如下輸出。

使用OpenCV對邊緣進行了一些增強

如我們看到的那樣，邊緣現在已經完成并且比以前光滑得多。

現在，我們可以使用OpenCV函數“ findContours（）”提取該圖像中的輪廓，并僅選擇具有以下屬性的輪廓：

1. 幾何形狀是圓形或橢圓形
2. 面積大于某個閾值（在此示例中，值7000可以正常工作）。

對于第一部分，我們將使用OpenCV的“ boundingRect（）”檢測每個輪廓的邊界矩形，并檢查縱橫比（高寬比）是否接近1。

現在我們的任務已經完成，但還需要進行一些微調。

通常情況是在一個片段上檢測到多個重疊的輪廓，而我們只對一個感興趣。

使用非極大抑制可以解決此問題，即我們查看所有重疊的輪廓，然后選擇面積最大的輪廓作為最終候選輪廓。邏輯非常簡單，因此我們不需要任何內置的OpenCV或Python函數。

另一個重要的邏輯是分別識別四個部分，即左上，右上，左下和右下。

這也非常簡單，涉及識別圖像中心坐標以及每個檢測到的片段的質心。對段輪廓進行質心檢測需要在輪廓上應用OpenCV “ moments（）”函數，然后使用以下公式計算中心 X，Y坐標：

center_x，center_y =（int（M [“ m10”] / M [” m00”]），int（M [“ m01”] / M [“ m00”]））

將線段質心坐標與圖像中心坐標進行比較，可以將四個線段分別放置在各自的位置。

現在我們已經確定了四個部分，我們需要構建圖像蒙版，這將使我們能夠從原始圖像中提取所需的特征。

我們將使用OpenCV函數“ drawContours（）”，將顏色用作白色（R，G，B = 255,2555,255），將厚度用作FILLED（-1）在黑色背景上繪制所有四個線段輪廓。

用于提取我們的ROI的蒙版

在原始圖像上應用此蒙版可以在我們選擇的背景（例如黑色或白色）上為我們提供所需的分段。

對于黑色背景，我們創建一個黑色畫布，然后使用OpenCV函數“ bitwise_and（）”以及先前獲得的蒙版在其上進行繪制。

在黑色背景上提取的ROI

對于白色背景，我們首先創建一個白色畫布，然后通過使用OpenCV函數“ drawContours（）”繪制輪廓為黑色（R，G，B = 0,0,0）且厚度為FILLED的輪廓，如下所示創建顏色反轉的蒙版（-1）。

用于ROI提取的備用倒置掩模（圖像源作者）

然后，我們使用OpenCV “ add（）”函數將此反向蒙版添加到先前獲得的黑色背景中，并獲得相同的結果，但使用白色背景。

在白色背景上提取的ROI

到此為止，我們總結了幾種方法，可以輕松地從圖像中提取感興趣區域。應當注意，在具有變化的復雜度的其他圖像的情況下，上面使用的方法可以進行修改。