在图像 OpenCV 上滑动 window

Sliding window over an image OpenCV

我正在尝试定义扫描图像的 window,我想在每个 window 中找到平均 RGB 值并输出它们。

我已经设法得到整个图像的平均 RGB 值,如下所示:

img = cv2.imread('images/0021.jpg')

mean = cv2.mean(img)

print mean[0]
print mean[1]
print mean[2]

给出:

#Output
51.0028081597
63.1069849537
123.663025174

如何将这个平均函数应用于移动 window 并输出每个 window 的值?

编辑:

这是我现在拥有的:

img = cv2.imread('images/0021.jpg')

def new(img):
    rows,cols = img.shape
    final = np.zeros((rows, cols, 3, 3))
    for x in (0,1,2):
        for y in (0,1,2):
            img1 = np.vstack((img[x:],img[:x]))
            img1 = np.column_stack((img1[:,y:],img1[:,:y]))
            final[x::3,y::3] = np.swapaxes(img1.reshape(rows/3,3,cols/3,-1),1,2)
            b,g,r = cv2.split(final)
            rgb_img = cv2.merge([r,g,b])
            mean = cv2.mean(rgb_img)
            print mean[0]
            print mean[1]
            print mean[2]

但现在我的输出为零。

使用形状等于您的 window 的内核进行过滤,所有值都等于 1/window_areas。结果是您寻求的本地平均值(也称为 "box blur" 操作)。

我写了一个类似于给定链接的脚本。它基本上将您的 img 分成 3*3 个部分,然后计算每个部分的平均值(和标准差)。通过一些数组优化,我认为你可以使用它真正的 time/on 视频。

PS:除法应为整数除法

编辑:现在脚本给出了 9 个输出,每个输出代表其自身区域的平均值。

import numpy as np
import cv2

img=cv2.imread('aerial_me.jpg')
scale=3
y_len,x_len,_=img.shape

mean_values=[]
for y in range(scale):
for x in range(scale):
    cropped_image=img[(y*y_len)/scale:((y+1)*y_len)/scale,
                        (x*x_len)/scale:((x+1)*x_len)/scale]

    mean_val,std_dev=cv2.meanStdDev(cropped_image)
    mean_val=mean_val[:3]

    mean_values.append([mean_val])
mean_values=np.asarray(mean_values)
print mean_values.reshape(3,3,3)

输出是每个 window:

的 bgr 平均值
[[[  69.63661573   66.75843063   65.02066449]
  [ 118.39233345  114.72655391  116.14441964]
  [ 159.26887164  143.40760348  144.63208436]]

 [[  75.50831044  107.45708276  103.0781851 ]
  [ 108.46450034  141.52005495  139.84878949]
  [ 122.67583265  154.86071992  153.67907072]]

 [[  83.67678571  131.45284169  128.27706902]
  [  86.57919815  129.09968235  128.64439389]
  [  90.1102402   135.33173999  132.86622807]]]
[Finished in 0.5s]