輪廓概述

輪廓可以簡(jiǎn)單認(rèn)為成將連續(xù)的點(diǎn)（連著邊界）連在一起的曲線，具有相同的顏色或者灰度。輪廓在形狀分析和物體的檢測(cè)和識(shí)別中很有用。

為了更加準(zhǔn)確，要使用二值化圖像。在尋找輪廓之前，要進(jìn)行閾值化處理或者 Canny 邊界檢測(cè)。

查找輪廓的函數(shù)會(huì)修改原始圖像。如果你在找到輪廓之后還想使用原始圖像的話，你應(yīng)該將原始圖像存儲(chǔ)到其他變量中。

在 OpenCV 中，查找輪廓就像在黑色背景中超白色物體,要找的物體應(yīng)該是白色而背景應(yīng)該是黑色。

輪廓檢測(cè)的作用：

1.可以檢測(cè)圖圖像或者視頻中物體的輪廓

2.計(jì)算多邊形邊界，形狀逼近和計(jì)算感興趣區(qū)域

先看一個(gè)較為簡(jiǎn)單的輪廓檢測(cè)：

import cv2

import numpy as np

# 創(chuàng)建一個(gè)200*200的黑色空白圖像

img = np.zeros((200, 200), dtype=np.uint8)

# 利用numpy數(shù)組在切片上賦值的功能放置一個(gè)白色方塊

img[50:150, 50:150] = 255

# 對(duì)圖像進(jìn)行二值化操作

# threshold(src, thresh, maxval, type, dst=None)

# src是輸入數(shù)組，thresh是閾值的具體值，maxval是type取THRESH_BINARY或者THRESH_BINARY_INV時(shí)的最大值

# type有5種類型,這里取0： THRESH_BINARY ，當(dāng)前點(diǎn)值大于閾值時(shí)，取maxval，也就是前一個(gè)參數(shù)，否則設(shè)為0

# 該函數(shù)第一個(gè)返回值是閾值的值，第二個(gè)是閾值化后的圖像

ret, thresh = cv2.threshold(img, 127, 255, 0)

# findContours()有三個(gè)參數(shù)：輸入圖像，層次類型和輪廓逼近方法

# 該函數(shù)會(huì)修改原圖像，建議使用img.copy()作為輸入

# 由函數(shù)返回的層次樹很重要，cv2.RETR_TREE會(huì)得到圖像中輪廓的整體層次結(jié)構(gòu)，以此來建立輪廓之間的‘關(guān)系'。

# 如果只想得到最外面的輪廓，可以使用cv2.RETE_EXTERNAL。這樣可以消除輪廓中其他的輪廓，也就是最大的集合

# 該函數(shù)有三個(gè)返回值：修改后的圖像，圖像的輪廓，它們的層次

image, contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)

color = cv2.cvtColor(img, cv2.COLOR_GRAY2BGR)

img = cv2.drawContours(color, contours, -1, (0, 255, 0), 2)

cv2.imshow("contours", color)

cv2.waitKey()

cv2.destroyAllWindows()

上面是找到一個(gè)正方形的輪廓，下面看如何找到不規(guī)則的多邊形輪廓：

import cv2

import numpy as np

# pyrDown():brief Blurs an image and downsamples it.

# 將圖像高斯平滑，然后進(jìn)行降采樣

img = cv2.pyrDown(cv2.imread("hammer.jpg", cv2.IMREAD_UNCHANGED))

# 依然是二值化操作

ret, thresh = cv2.threshold(cv2.cvtColor(img.copy(), cv2.COLOR_BGR2GRAY), 127, 255, cv2.THRESH_BINARY)

# 計(jì)算圖像的輪廓

image, contours, hier = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

for c in contours:

# find bounding box coordinates

# 先計(jì)算出一個(gè)簡(jiǎn)單的邊界狂，也就是一個(gè)矩形啦

# 就是將輪廓信息轉(zhuǎn)換為(x,y)坐標(biāo)，并加上矩形的高度和寬度

x, y, w, h = cv2.boundingRect(c)

# 畫出該矩形

cv2.rectangle(img, (x, y), (x + w, y + h), (0, 255, 0), 2)

# find minimum area

# 然后計(jì)算包圍目標(biāo)的最小矩形區(qū)域

# 這里先計(jì)算出最小矩形區(qū)域，然后計(jì)算區(qū)域的頂點(diǎn)，此時(shí)頂點(diǎn)坐標(biāo)是浮點(diǎn)型，但是像素坐標(biāo)是整數(shù)

# 需要將浮點(diǎn)型轉(zhuǎn)換成矩形

rect = cv2.minAreaRect(c)

box = cv2.boxPoints(rect)

box = np.int0(box)

# draw contours

# 畫出最小矩形

# drawContours()也會(huì)修改源圖像

# 第二個(gè)參數(shù)保存輪廓的數(shù)組，也就是保存著很多輪廓

# 第三個(gè)參數(shù)是要繪制的輪廓數(shù)組的索引：-1是繪制所有的輪廓，否則只繪制[box]中指定的輪廓

# 顏色和thickness(密度,就是粗細(xì))放在最后兩個(gè)參數(shù)

cv2.drawContours(img, [box], 0, (0, 0, 255), 3)

# calculate center and radius of minimum enclosing circle

# 最后檢查的邊界輪廓為最小閉圓

# minEnclosingCircle()會(huì)返回一個(gè)二元數(shù)組，第一個(gè)是圓心坐標(biāo)組成的元祖，第二個(gè)元素是元的半徑

(x, y), radius = cv2.minEnclosingCircle(c)

# cast to integers

center = (int(x), int(y))

radius = int(radius)

# draw the circle

img = cv2.circle(img, center, radius, (255, 0, 0), 3)

# 繪制輪廓

cv2.drawContours(img, contours, -1, (255, 0, 0), 1)

cv2.imshow("contours", img)

cv2.waitKey()

cv2.destroyAllWindows()

凸輪廓與Douglas-Peucker算法

import cv2

import numpy as np

img = cv2.pyrDown(cv2.imread("hammer.jpg", cv2.IMREAD_UNCHANGED))

ret, thresh = cv2.threshold(cv2.cvtColor(img.copy(), cv2.COLOR_BGR2GRAY), 127, 255, cv2.THRESH_BINARY)

# 創(chuàng)建與源圖像一樣大小的矩陣

black = cv2.cvtColor(np.zeros((img.shape[1], img.shape[0]), dtype=np.uint8), cv2.COLOR_GRAY2BGR)

image, contours, hier = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

for cnt in contours:

# 得到輪廓的周長(zhǎng)作為參考

epsilon = 0.01 * cv2.arcLength(cnt,True)

# approxPolyDP()用來計(jì)算近似的多邊形框。有三個(gè)參數(shù)

# cnt為輪廓，epsilon為ε——表示源輪廓與近似多邊形的最大差值，越小越接近

# 第三個(gè)是布爾標(biāo)記，用來表示這個(gè)多邊形是否閉合

approx = cv2.approxPolyDP(cnt,epsilon,True)

# convexHull()可以從輪廓獲取凸形狀

hull = cv2.convexHull(cnt)

# 源圖像輪廓-綠色

cv2.drawContours(black, [cnt], -1, (0, 255, 0), 2)

# 近似多邊形-藍(lán)色

cv2.drawContours(black, [approx], -1, (255, 0, 0), 2)

# 凸包-紅色

cv2.drawContours(black, [hull], -1, (0, 0, 255), 2)

cv2.imshow("hull", black)

cv2.waitKey()

cv2.destroyAllWindows()

本來也有疑問，有了一個(gè)精確的輪廓，為什么還需要一個(gè)近似的多邊形？

書中給出答案，近似多邊形是由一組直線構(gòu)成，這樣可以便于后續(xù)的操作和處理。

想來也是，直線構(gòu)成的區(qū)域總是比無限個(gè)曲率的曲線構(gòu)成的區(qū)域方便處理。

直線和圓檢測(cè)

直線檢測(cè)可以通過HoughLinesP函數(shù)完成，HoughLinesP是標(biāo)準(zhǔn)Hough變換經(jīng)過優(yōu)化，使用概率Hough變換。

import cv2

import numpy as np

img = cv2.imread('lines.jpg')

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

edges = cv2.Canny(gray,50,120)

# 最小直線長(zhǎng)度，小于該長(zhǎng)度會(huì)被消除

minLineLength = 20

# 最大線段間隙，一條直線的間隙長(zhǎng)度大于這個(gè)值會(huì)被認(rèn)為是兩條直線

maxLineGap = 5

# HoughLinesP()會(huì)接受一個(gè)由Canny邊緣檢測(cè)濾波器處理過的單通道二值圖像

# 不一定需要Canny濾波器，但是輸入是去噪且只有邊緣的圖像，效果會(huì)很好

# 第一個(gè)參數(shù)是輸入圖像

# 第二、第三個(gè)參數(shù)是線段的幾何表示rho和theta，一般取1和np.pi/180

# 第四個(gè)參數(shù)是閾值，低于該閾值的直線會(huì)被忽略

# 第五第六已經(jīng)解釋

lines = cv2.HoughLinesP(edges,1,np.pi/180,20,minLineLength,maxLineGap)

for x1,y1,x2,y2 in lines[0]:

cv2.line(img,(x1,y1),(x2,y2),(0,255,0),2)

cv2.imshow("edges", edges)

cv2.imshow("lines", img)

cv2.waitKey()

cv2.destroyAllWindows()

圓檢測(cè)可以通過HoughCircles函數(shù)檢測(cè)。

import cv2

import numpy as np

planets = cv2.imread('planet_glow.jpg')

gray_img = cv2.cvtColor(planets, cv2.COLOR_BGR2GRAY)

img = cv2.medianBlur(gray_img, 5)

cimg = cv2.cvtColor(img, cv2.COLOR_GRAY2BGR)

# 與直線檢測(cè)類似，需要圓心距的最小距離和圓的最小以及最大半徑

circles = cv2.HoughCircles(img,cv2.HOUGH_GRADIENT,1,120,param1=100,param2=30,minRadius=0,maxRadius=0)

circles = np.uint16(np.around(circles))

for i in circles[0,:]:

# draw the outer circle

cv2.circle(planets,(i[0],i[1]),i[2],(0,255,0),2)

# draw the center of the circle

cv2.circle(planets,(i[0],i[1]),2,(0,0,255),3)

cv2.imwrite("planets_circles.jpg", planets)

cv2.imshow("HoughCirlces", planets)

cv2.waitKey()

cv2.destroyAllWindows()

有一個(gè)問題，該方法檢測(cè)出來的第二行的第一個(gè)星球的圓檢測(cè)與書中不一樣。

以上就是本文的全部?jī)?nèi)容，希望對(duì)大家的學(xué)習(xí)有所幫助，也希望大家多多支持腳本之家。

總結(jié)

以上是生活随笔為你收集整理的python opencv轮廓检测_OpenCV 轮廓检测的实现方法的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。