0


OpenCV 图像轮廓检测

    本文是OpenCV图像视觉入门之路的第15篇文章,本文详细的介绍了图像轮廓检测的各种操作,例如:轮廓检索模式、轮廓逼近算子等操作。

    图像轮廓是具有相同颜色或灰度的连续点的曲线,轮廓在形状分析和物体的检测和识别中很有用。图像轮廓的作用:图形分析、物体的检测和识别。

    需要注意的是:为了检测的准确性,需要先对图像进行二值化或Canny操作; 画轮廓时会修改输入的图像,如果之后想继续使用原始图像,应该将原始图像存储到其他变量中。

1 查找轮廓

cv2.findContours(image, mode, method, contours, hierarchy, offset)

  • image 原图像
  • mode 查找轮廓的模式
  •     RETR_EXTERNAL= 0,表示只检测外围轮廓 。
    
  •     RETR_LIST = 1,检测的轮廓不建立等级关系,即检测所有轮廓。
    
  •     RETP_CCOMP = 2,每层最多两级,从小到大,从里到外。
    
  •     RETP_TREE = 3,按照树型存储轮廓,从小到大,从右到左。
    
  • method 轮廓近似方法,也叫ApproximationMode
  •     CHAIN_APPROX_NONE:保存所有轮廓上的点
    
  •     CHAIN_APPROX_SIMPLE:只保存角点。比如四边形,只保留四边形的四个角,存储信息少,比较常用
    
  • 返回 contours 和 hierarchy ,即轮廓和层级。
import cv2
import numpy as np
from numpy import unicode

d

if __name__ == '__main__':
    img = cv2.imread('D:/Jupyter_Notebooks/1.2.png') #, cv2.IMREAD_GRAYSCALE

    # 转变成单通道
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    # 二值化,第一个返回值是执行的结果和状态是否成功,第二个返回值才是真正的图片结果
    ret, binary = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY)
    # 轮廓查找,第一个返回值是轮廓,第二个是层级
    contours, hierarchy = cv2.findContours(binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
    # 绘制轮廓
    cv2.drawContours(img, contours, -1, (0, 0, 255), 1)  # 改变的是img这张图

    cv2.imshow('img', img)
    cv2.imshow('binary', binary)

    cv2.waitKey(0)
    cv2.destroyAllWindows()

2 绘制轮廓

  • cv2.drawContours(image, contours, contourIdx, color, thickness, lineType, hierarchy, maxLevel, offset)
  • image:要绘制的轮廓图像
  • contours:轮廓点
  • contourIdx:要绘制的轮廓的编号,-1 表示绘制所有轮廓
  • color:轮廓的颜色,如 (0, 0, 255) 表示红色
  • thickness:线宽,-1表示全部填充
import cv2
import numpy as np
from numpy import unicode

if __name__ == '__main__':
    img = cv2.imread('D:/Jupyter_Notebooks/1.2.png') #, cv2.IMREAD_GRAYSCALE

    img_copy = img.copy()
    gray = cv2.cvtColor(img_copy, cv2.COLOR_BGR2GRAY)

    # 阈值 结果
    thresh, binary = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY)
    # 轮廓 层级
    contours, hierarchy = cv2.findContours(binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
    # 绘制轮廓
    cv2.drawContours(img_copy, contours, -1, (0, 0, 255), 2)

    cv2.imshow('img', np.hstack((img, img_copy)))

    cv2.waitKey(0)
    cv2.destroyAllWindows()

3 轮廓的面积和周长

    轮廓面积是指每个轮廓中所有的像素点围成区域的面积,单位为像素。轮廓面积是轮廓重要的统计特性之一,通过轮廓面积的大小可以进一步分析每个轮廓隐含的信息,例如通过轮廓面积区分物体大小,进而可以识别不同的物体。在查找轮廓后,可能会有很多细小的轮廓,我们可以通过轮廓的面积进行过滤。
  • 面积 **contourArea() **cv2.contourArea(contour, oriented) contour:轮廓
  • 周长 **arcLength() **cv2.arcLength(curve, closed) curve:轮廓 closed:是否为闭合的轮廓
import cv2
import numpy as np
from numpy import unicode

if __name__ == '__main__':
    img = cv2.imread('D:/Jupyter_Notebooks/1.2.png') #, cv2.IMREAD_GRAYSCALE

    img_copy = img.copy()
    gray = cv2.cvtColor(img_copy, cv2.COLOR_BGR2GRAY)

    # 阈值 结果
    thresh, binary = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY)
    # 轮廓 层级
    contours, hierarchy = cv2.findContours(binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
    # 绘制轮廓
    cv2.drawContours(img_copy, contours, -1, (0, 0, 255), 2)
    # 轮廓面积
    area = cv2.contourArea(contours[1])
    print('area:', area)
    # 轮廓周长
    perimeter = cv2.arcLength(contours[1], closed=True)
    print('perimeter:', perimeter)

    cv2.imshow('img', np.hstack((img, img_copy)))

    cv2.waitKey(0)
    cv2.destroyAllWindows()

4 多边形逼近

** findContours** 后的轮廓信息 contours 可能过于复杂不平滑,可以用 approxPolyDP 函数对该多边形曲线做适当近似,这就是轮廓的多边形逼近。approxPolyDP 就是以多边形去逼近轮廓,采用的是 Douglas-Peucker(方法名中的DP)。 DP算法原理比较简单,核心就是不断找多边形最远的点加入,形成新的多边形,直到最短距离小于指定的精度。

  • **approxPolyDP()用法: **cv2.approxPolyDP(curve, epsilon, closed, approxCurve)
  • curve:要近似逼近的轮廓
  • epsilon:即DP算法使用的阈值
  • closed:轮廓是否闭合
import cv2
import numpy as np
from numpy import unicode

if __name__ == '__main__':
    img = cv2.imread('D:/Jupyter_Notebooks/1.3.png') #, cv2.IMREAD_GRAYSCALE

    img_ori = img.copy()
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

    # 二值化:阈值 结果
    ret, binary = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY)
    # 查找轮廓 轮廓 层级
    contours, hierarchy = cv2.findContours(binary, 0, cv2.CHAIN_APPROX_SIMPLE)
    # 绘制轮廓
    cv2.drawContours(img, contours, 1, (0, 0, 255), 2)
    # 多边形逼近
    approx = cv2.approxPolyDP(contours[1], 10, True)
    # 把多边形逼近的轮廓画出来
    cv2.drawContours(img, [approx], -1, (200, 255, 0), 2)

    cv2.imshow('hand', np.hstack((img_ori, img)))

    cv2.waitKey(0)
    cv2.destroyAllWindows()

RETR_EXTERNAL=0表示值检测外围轮廓

RETR_LIST=1检测的轮廓不建立等级关系,检测所有的轮廓

5 凸包

    多边形逼近是轮廓的高度近似,但有些时候,我们希望使用一个多边形的凸包来简化它。凸包和多边形逼近很类似,只不过它是物体最外层的凸多边形。凸包指的是完全包含原有轮廓,并且仅由轮廓上的点所构成的多边形。凸包上的每一处都是凸的,即在凸包内连接任意两点的直线都在凸包的内部。在凸包内,任意连续三个点的内角小于180°。
  • convexHull()用法:cv2.convexHull(points, hull, clockwise, returnPoints)
  • points:轮廓
  • clockwise:顺时针绘制
import cv2
import numpy as np
from numpy import unicode

if __name__ == '__main__':
    img = cv2.imread('D:/Jupyter_Notebooks/1.3.png') #, cv2.IMREAD_GRAYSCALE

    img_ori = img.copy()
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

    # 二值化:阈值 结果
    ret, binary = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY)
    # 查找轮廓 轮廓 层级
    contours, hierarchy = cv2.findContours(binary, 0, cv2.CHAIN_APPROX_SIMPLE)
    # 绘制轮廓
    cv2.drawContours(img, contours, 1, (0, 0, 255), 2)
    # 多边形逼近
    approx = cv2.approxPolyDP(contours[1], 10, True)
    # 把多边形逼近的轮廓画出来
    cv2.drawContours(img, [approx], -1, (0, 255, 0), 2)
    # 计算凸包
    hull = cv2.convexHull(contours[1])
    cv2.drawContours(img, [hull], -1, (255, 0, 0), 2)

    cv2.imshow('hand', np.hstack((img_ori, img)))

    cv2.waitKey(0)
    cv2.destroyAllWindows()

6 外接矩形

    外接矩形分为最小外接矩形和最大外接矩形。

下图中,红色部分为最小外接矩形,绿色部分为最大外接矩形:

**

minAreaRect()

用法:** 最小外接矩阵 cv2.minAreaRect(points)

  • points:轮廓
  • 返回元组,内容是一个旋转矩形(RotatedRect)的参数:矩形的起始坐标x,y,矩形的宽度和高度,矩形的旋转角度
boundingRect()

用法:最大外接矩阵 cv2.boundingRect(points)

  • points:轮廓
import cv2
import numpy as np
from numpy import unicode

if __name__ == '__main__':
    img = cv2.imread('D:/Jupyter_Notebooks/1.3.png') #, cv2.IMREAD_GRAYSCALE

    img_ori = img.copy()
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

    # 二值化:阈值 结果
    ret, binary = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY)
    # 查找轮廓 轮廓 层级
    contours, hierarchy, = cv2.findContours(binary, 0, cv2.CHAIN_APPROX_SIMPLE)

    # 最小外接矩形
    rect = cv2.minAreaRect(contours[1])
    box = cv2.boxPoints(rect)
    # 四舍五入
    box = np.round(box).astype('int64')
    # 绘制最小外接矩形
    cv2.drawContours(img, [box], 0, (255, 0, 0), 2)

    # 最大外接矩形
    x, y, w, h = cv2.boundingRect(contours[1])
    cv2.rectangle(img, (x, y), (x + w, y + h), (0, 0, 255), 2)

    cv2.imshow('hand', np.hstack((img_ori, img)))

    cv2.waitKey(0)
    cv2.destroyAllWindows()


本文转载自: https://blog.csdn.net/qq_37529913/article/details/129234277
版权归原作者 双子座断点 所有, 如有侵权,请联系我们删除。

“OpenCV 图像轮廓检测”的评论:

还没有评论