opencv学习：图像轮廓识别及代码实现

news2025/1/15 19:41:50

图像轮廓

1.获取图像轮廓

`cv2.findContours()` 函数是 OpenCV 库中用于检测图像中轮廓的函数。它可以检测到图像中所有连通区域的边界，并返回这些轮廓的列表。从 OpenCV 3.4 版本开始，这个函数的返回值和参数有所变化，以下是详细的参数说明：

方法：

contours, hierarchy = cv2.findContours( img, mode, method )

参数说明

img：输入图像，必须是二值图像。图像中的轮廓将基于此图像进行检测。
mode：轮廓检索模式，用于指定要检索哪些轮廓。可用的模式有：
- cv2.RETR_EXTERNAL：只检索最外层的轮廓。
- cv2.RETR_LIST：检索所有轮廓，但不建立任何父子关系。
- cv2.RETR_CCOMP：检索所有轮廓，并将它们组织成两级层次结构。
- cv2.RETR_TREE：检索所有轮廓，并重建完整的层次结构。
method：轮廓近似方法，用于指定如何存储轮廓点。可用的方法有：
- cv2.CHAIN_APPROX_NONE：存储所有轮廓点。
- cv2.CHAIN_APPROX_SIMPLE：只存储轮廓的拐点，这可以减少轮廓点的数量。

返回值

contours：这是一个 Python 列表，其中包含了检测到的轮廓。每个轮廓都是一个形状为 (n, 1, 2) 的 numpy 数组，其中 n 是轮廓点的数量。
hierarchy：这是一个 numpy 数组，包含了轮廓的层次信息。层次信息可以用来了解轮廓之间的父子关系。

2.绘制图像轮廓

在OpenCV中，cv2.drawContours()函数用于在图像上绘制轮廓。这个函数非常强大，因为它允许你指定轮廓的颜色、线条粗细以及其他参数。下面是这个函数的详细参数说明：

方法：

cv2.drawContours(img, contours, contourIdx, color, thickness, lineType=None, hierarchy=None)

参数说明

img：目标图像，即你要在其上绘制轮廓的图像。这个图像应该是一个可以修改的图像数组。
contours：这是一个轮廓列表。轮廓可以是OpenCV中找到的任何轮廓，通常是一个形状为(N, 1, 2)的numpy数组，其中N是轮廓中的点数。
contourIdx：指定要绘制的轮廓的索引。如果传递的是-1，则绘制所有轮廓。
color：轮廓线的颜色。这应该是一个具有三个元素的元组，表示BGR颜色（例如，红色为(0, 0, 255)）。
thickness：线条的粗细。如果设置为正数，则线条的粗细为指定的像素数；如果设置为cv2.FILLED或-1，则轮廓将被填充。
lineType（可选）：线条的类型。默认是cv2.LINE_8，表示8连通性线。其他选项包括cv2.LINE_4（4连通性线）和cv2.LINE_AA（抗锯齿线）。
hierarchy（可选）：轮廓的层次结构。这是一个与contours数组相对应的数组，其中包含每个轮廓的层次信息。如果提供，可以用来绘制轮廓的父子关系。

实验代码

1.获取图像

import cv2

# 读取图像
phone = cv2.imread('cat.png')  # 读取名为'cat.png'的图像

# 将图像转换为灰度图像
phone_gray = cv2.cvtColor(phone, cv2.COLOR_BGR2GRAY)  # 将彩色图像转换为灰度图

# 应用阈值操作以创建二值图像
ret, phone_binary = cv2.threshold(phone_gray, 120, 255, cv2.THRESH_BINARY)  # 使用阈值120将灰度图转换为二值图
# cv2.imshow('1',phone_binary)  # 显示二值图像

2.查找轮廓

# 查找轮廓
_, contours, hierarchy = cv2.findContours(phone_binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)  # 在二值图中查找轮廓
# 打印轮廓数量和层次结构信息
print(hierarchy)  # 打印轮廓的层次结构信息
print(len(contours))  # 打印轮廓的数量

3.复制图像用于绘制轮廓

# 复制图像用于绘制轮廓
image_copy = phone.copy()
image_copy = cv2.drawContours(image=image_copy, contours=contours, contourIdx=-1, color=(0, 255, 0), thickness=3)  # 在图像上绘制所有轮廓
# cv2.imshow('contours',image_copy)  # 显示绘制了轮廓的图像
cv2.waitKey(0)  # 等待按键

4.计算轮廓面积和周长

# 计算第一个和第二个轮廓的面积
area_0 = cv2.contourArea(contours[0])
area_1 = cv2.contourArea(contours[1])
print(area_0, area_1)  # 打印面积

# 计算第一个轮廓的周长
length = cv2.arcLength(contours[0], closed=True)
print(length)  # 打印周长

5.查找轮廓

# 筛选面积大于10000的轮廓
a_list = []
for i in range(len(contours)):
    if cv2.contourArea(contours[i]) > 10000:
        a_list.append(contours[i])

# 找到第七个轮廓的最小包围圆
cnt = contours[6]
(x, y), r = cv2.minEnclosingCircle(cnt)
phone_circle = cv2.circle(phone, (int(x), int(y)), int(r), (0, 255, 0), 2)  # 在图像上绘制最小包围圆
cv2.imshow('phone_circle', phone_circle)  # 显示绘制了最小包围圆的图像

# 找到第七个轮廓的最小包围矩形
x, y, w, h = cv2.boundingRect((cnt))
phone_rectangle = cv2.rectangle(phone, (x, y), (x + w, y + h), (0, 255, 0), 2)  # 在图像上绘制最小包围矩形
cv2.imshow('phone_rectangle', phone_rectangle)  # 显示绘制了最小包围矩形的图像

6.轮廓近似

# 重新查找轮廓
image, contours, hierarchy = cv2.findContours(phone_binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)

# 对最后一个轮廓进行轮廓近似
epsilon = 0.001 * cv2.arcLength(contours[-1], True)
approx = cv2.approxPolyDP(contours[-1], epsilon, True)
phone_new = phone.copy()
image_contours = cv2.drawContours(phone_new, [approx], contourIdx=-1, color=(0, 255, 0), thickness=3)  # 在图像上绘制近似轮廓
cv2.imshow('image_contours', image_contours)  # 显示绘制了近似轮廓的图像

cv2.waitKey(0)