06- OpenCV查找图像轮廓 (OpenCV基础) (机器视觉)

news2024/12/24 2:24:36

知识重点

  • 灰度图转换:  gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
  • 二值化: 返回两个东西，一个阈值， 一个是二值化的图:  thresh, binary = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY)
  • 查找轮廓: 返回两个结果，分别是轮廓和层级:  contours, hierarchy = cv2.findContours(binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE )
  • 描绘轮廓: cv2.drawContours(img_copy, contours, -1, (0, 0, 255), 2) 索引取-1时描绘所有轮廓.
  • 轮廓面积计算:  area = cv2.contourArea(contours[1])    # print('area: ', area)
  • 轮廓周长计算:  perimeter = cv2.arcLength(contours[1], closed = False)   # perimeter 周长
  • 多边形逼近:  approx = cv2.approxPolyDP(contours[0], 6, closed = True)
  • 凸包计算:  hull = cv2.convexHull(contours[0])  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。
  • 最小外接矩形:  rect = cv2.minAreaRect(contours[1])  
    • box = cv2.boxPoints(rect) 
    • box = np.round(box).astype('int64')   # 注意坐标必须是整数的, 所以需要转化一下
    • cv2.drawContours(img, [box], 0, (255, 0, 0), 2)

  • 最大外接矩形:  x, y, w, h = cv2.boundingRect(contours[1])  # 最大外接矩形参数, (x,y), (w, h)

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

  • 外接圆:  (a, b), radius = cv2.minEnclosingCircle(contours[1])  # , 返回圆的中心点和半径

    • cv2.circle(img, (int(a), int(b)), int(radius), (0, 255, 0), 2)

7. 图像轮廓

7.1 什么是图像轮廓

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。

轮廓的作用:

  • 用于图形分析

  • 物体的识别和检测

注意点:

  • 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，应该将原始图像储存到其他变量中。

7.2 查找轮廓

  • findContours(image, mode, method[, contours[, hierarchy[, offset]]])

    • 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, 较为常用

      • RETR_CCOMP = 2, 每层最多两级, 从小到大, 从里到外.

      • RETR_TREE = 3, 按照树型存储轮廓, 从大到小, 从右到左.

import cv2
import numpy as np

# 显示黑白，实际为彩图
img = cv2.imread('./contours1.jpeg')
# 先变成单通道的黑白图片
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 二值化，返回两个东西，一个阈值， 一个是二值化的图
thresh, binary = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY)

# 查找轮廓，新版本返回两个结果，分别是轮廓和层级
contours, hierarchy = cv2.findContours(binary,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)
# 画轮廓是会直接修改原图，如果保证原图不变，建议先拷贝
img_copy = img.copy()
cv2.drawContours(img_copy, contours, -1, (0, 0, 255), 2)  # 索引轮廓

cv2.imshow('img', img)
cv2.imshow('img_copy', img_copy)
cv2.waitKey(0)
cv2.destroyAllWindows()

  • 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4个角, 存储信息少, 比较常用

  • 返回 contours和hierachy 即轮廓和层级

7.3 绘制轮廓

  • 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

# 显示黑白，实际为彩图
img = cv2.imread('./contours1.jpeg')
# 先变成单通道的黑白图片
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 二值化，返回两个东西，一个阈值， 一个是二值化的图
thresh, binary = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY)

# 查找轮廓，新版本返回两个结果，分别是轮廓和层级
contours, hierarchy = cv2.findContours(binary,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)

# 画轮廓是会直接修改原图，如果保证原图不变，建议先拷贝
img_copy = img.copy()
cv2.drawContours(img_copy, contours, 1, (0, 0, 255), 2)  # 看1#的轮廓

cv2.imshow('img', img)
cv2.imshow('img_copy', img_copy)
cv2.waitKey(0)
cv2.destroyAllWindows()

7.4 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识别不同的物体。在查找到轮廓后, 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.

  • contourArea(contour)

  • arcLength(curve, closed)

    • curve即轮廓

    • closed是否是闭合的轮廓

import cv2
import numpy as np

# 显示黑白，实际为彩图
img = cv2.imread('./contours1.jpeg')

# 先变成单通道的黑白图片
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 二值化，返回两个东西，一个阈值， 一个是二值化的图
thresh, binary = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY)
# 查找轮廓，新版本返回两个结果，分别是轮廓和层级
contours, hierarchy = cv2.findContours(binary,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)

# 画轮廓是会直接修改原图，如果保证原图不变，建议先拷贝
img_copy = img.copy()
cv2.drawContours(img_copy, contours, 1, (0, 0, 255), 2)  # 索引轮廓

# 计算轮廓面积
area = cv2.contourArea(contours[1])
print('area: ', area)     # area:  74798.0
# 计算轮廓周长
perimeter = cv2.arcLength(contours[1], closed = False)
print('perimeter: ',perimeter)     # perimeter:  821.656

cv2.imshow('img', img)
cv2.imshow('img_copy', img_copy)
cv2.waitKey(0)
cv2.destroyAllWindows()

7.5 多边形逼近与凸包

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.apporxPolyDP就是以多边形去逼近轮廓，采用的是Douglas-Peucker算法（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(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

# 显示黑白，实际为彩图
img = cv2.imread('./hand.png')
# print(img.shape)
# 先变成单通道的黑白图片
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 二值化，返回两个东西，一个阈值， 一个是二值化的图
thresh, binary = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY)
# 查找轮廓，新版本返回两个结果，分别是轮廓和层级
contours, hierarchy = cv2.findContours(binary,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)

# 画轮廓是会直接修改原图，如果保证原图不变，建议先拷贝
img_copy = img.copy()
cv2.drawContours(img_copy, contours, 0, (0, 0, 255), 2)  # 索引轮廓

# 使用多边形逼近，近似模拟多边形的轮廓
approx = cv2.approxPolyDP(contours[0], 6, closed = True)
# approx 本质是一个类型的轮廓
# 画出多边形逼近的轮廓
cv2.drawContours(img_copy, [approx], 0, (0, 255, 0), 2) 

cv2.imshow('img_copy', img_copy)
cv2.waitKey(0)
cv2.destroyAllWindows()

逼近多边形是轮廓的高度近似，但是有时候，我们希望使用一个多边形的凸包来简化它。凸包跟逼近多边形很像，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(points[, hull[, clockwise[, returnPoints]]])

    • points 即轮廓

    • colckwise 顺时针绘制

import cv2
import numpy as np

img = cv2.imread('./hand.png')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 二值化
therth, binary = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY)
# 查找轮廓
contours, hierarchy = cv2.findContours(binary,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)
# 绘制轮廓
cv2.drawContours(img, contours, 0, (0, 0, 255), 2)

# 计算凸包
hull = cv2.convexHull(contours[0])
# 画出凸包
cv2.drawContours(img, [hull], 0, (255, 0, 0), 2)

cv2.imshow('img', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

7.6 外接矩形及外接圆

外接矩形分为最小外接矩形和最大外接矩形.

下图中红色矩形是最小外接矩形, 绿色矩形为最大外接矩形.

  • minAreaRect(points) 最小外接矩阵

    • points 即为轮廓

    • 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, 矩形的选择角度.

  • boundingRect(points) 最大外接矩阵

    • points 即为轮廓a

  • cv2.minEnclosingCircle(points) 最小外接圆

import cv2
import numpy as np

img =cv2.imread('./hello.jpeg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 二值化
thersh, binary = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY)
contours, hierarchy = cv2.findContours(binary,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)

# rect是一个Rotated Rect 旋转的矩形, 矩形的起始坐标(x,y), 矩形的长宽, 矩形旋转角度
rect = cv2.minAreaRect(contours[1])
# 其实就是帮我们把旋转矩阵的4个坐标点计算出来了.
# 注意坐标必须是整数的, 所以需要转化一下
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, 返回最大外接矩形的参数, (x,y), (w, h)
x, y, w, h = cv2.boundingRect(contours[1])
cv2.rectangle(img, (x, y), (x + w, y + h), (0, 0, 255), 2)

# 外接圆, 返回圆的中心点和半径
(a, b), radius = cv2.minEnclosingCircle(contours[1])
# 画出圆
cv2.circle(img, (int(a), int(b)), int(radius), (0, 255, 0), 2)

cv2.imshow('img', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/360772.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

微软应用商店错误代码0x80072EFD怎么办？（已解决）

微软应用商店错误代码0x80072EFD怎么办？（已解决）

有用户在使用Win11电脑系统的时候，想要在应用商店里面去进行软件的下载。但是在下载的过程中，开启应用商店却无法进行软件下载，出现了错误代码0x80072EFD。那么这个问题怎么去进行解决呢？一起来看看以下的解决方法分享吧。 微软应…
阅读更多...
基于图数据库 NebulaGraph 实现的欺诈检测方案及代码示例

基于图数据库 NebulaGraph 实现的欺诈检测方案及代码示例

本文是一个基于 NebulaGraph 图算法、图数据库、机器学习、GNN 的 Fraud Detection 方法综述。在阅读本文了解欺诈检测的基本实现方法之余，也可以在我给大家准备的 Playground 上跑下数据。 下面进入本次图数据库的欺诈检测实践： 建立反欺诈图谱 欺诈…
阅读更多...
洛谷P5735 【深基7.例1】距离函数 C语言/C++

洛谷P5735 【深基7.例1】距离函数 C语言/C++

【深基7.例1】距离函数 题目描述 给出平面坐标上不在一条直线上三个点坐标 (x1,y1),(x2,y2),(x3,y3)(x_1,y_1),(x_2,y_2),(x_3,y_3)(x1​,y1​),(x2​,y2​),(x3​,y3​)，坐标值是实数，且绝对值不超过 100.00，求围成的三角形周长。保留两位…
阅读更多...
C/C++每日一练(20230221)

C/C++每日一练(20230221)

目录 1. 格雷编码 2. 矩阵问题 3. 搜索旋转排序数组 II 1. 格雷编码 格雷编码是一个二进制数字系统，在该系统中，两个连续的数值仅有一个位数的差异。 给定一个代表编码总位数的非负整数 n，打印其格雷编码序列。即使有多个不同答案&#…
阅读更多...
浅析跨境电商行业为何发展如此迅猛？

浅析跨境电商行业为何发展如此迅猛？

跨境电商这几年成长的突飞猛进，在我国民众内的知名度堪比国内电商。这里对两者进行一个简单的介绍，国内电商是指消费者在电商平台上挑选商品，然后跟商家下单喜欢的商品，商家进行发货，消费者通过快递得到商品&#xff0…
阅读更多...
Java流程控制

Java流程控制

目录 前言 一、用户交互Scanner及其进阶使用 输入的数据为字符串类型 输入的数据为整型或者浮点型 练习 二、顺序结构 三、选择结构 if单选泽结构 if双选择结构 if多选择结构 嵌套的if结构 switch多选择结构 四、循环结构 while循环 Do...while循环 For循环 练习 利用for循环…
阅读更多...
2.20 crm day01 配置路由router less使用 axios二次封装

2.20 crm day01 配置路由router less使用 axios二次封装

需求： 目录 1.配置路由 2.less使用 vue2使用以下版本 3.axios二次封装 1.配置路由 1.1.1 官方链接：安装 | Vue Router npm i vue-router3.6.5 注意：vue2项目不能用vue-router四版本以上 1.2.1.创建router/index.js 在该文件中 //1.引…
阅读更多...
C++ int、long、long int、long long、uint64_t字节长度

C++ int、long、long int、long long、uint64_t字节长度

前言 我们在进行编程时，对于int、long、long long经常使用，但是对于这些类型占用的字节长度可能不会太确定，尤其是在32位平台、64位平台，会有差异，这些知识点为基础知识，容易忽略的基础知识，本…
阅读更多...
从0开始写Vue项目-Vue页面主体布局和登录、注册页面

从0开始写Vue项目-Vue页面主体布局和登录、注册页面

1.从0开始写Vue项目-环境和项目搭建_慕言要努力的博客-CSDN博客 2. 从0开始写Vue项目-Vue2集成Element-ui和后台主体框架搭建_慕言要努力的博客-CSDN博客 一、主体布局 关于主体布局，我们刚开始肯定是做的死数据的，当我们后面整合SpringBoot的时候就会…
阅读更多...
JAVA开发（运行JAR包怎么指定虚拟机内存大小）

JAVA开发（运行JAR包怎么指定虚拟机内存大小）

我们都使用过 java -jar xxx.jar包去运行jar包。但是有时候要指定jar包运行时内存，该怎么做，而且设置多大怎么衡量，很多人从来没有了解过。 背景： 我们开发java程序，可能涉及到开发环境，测试环境&#x…
阅读更多...
【C++的OpenCV】第二课-CMake创建OpenCV项目

【C++的OpenCV】第二课-CMake创建OpenCV项目

文章目录一、CMake是什么？1.1 基本概念1.2 CMake的优势二、使用Cmake构建一个OpenCV程序2.1 步骤（a）编写一个简单的OpenCV示例代码（b）创建一个Cmake文件（c）生成可执行文件（d&#xf…
阅读更多...
初步介绍CUDA中的统一内存

初步介绍CUDA中的统一内存

初步介绍CUDA中的统一内存 更多精彩内容: https://www.nvidia.cn/gtc-global/?ncidref-dev-876561 文章目录初步介绍CUDA中的统一内存为此，我向您介绍了统一内存，它可以非常轻松地分配和访问可由系统中任何处理器、CPU 或 GPU 上运行的代码使用的数据。…
阅读更多...
存储拆分后，如何解决唯一主键问题？

存储拆分后，如何解决唯一主键问题？

在单库单表时，业务 ID 可以依赖数据库的自增主键实现，现在我们把存储拆分到了多处，如果还是用数据库的自增主键，就会出现主键重复的情况。 所以我们不得不面对的一个选择，就是ID生成器，使用一个唯一的字符…
阅读更多...
c++提高篇——stack容器

c++提高篇——stack容器

一、stack容器的基本概念 stack是一种先进后出(FILO)的数据结构，它只有一个出口。栈中只有顶端的元素才可以被外界使用。因此该容器不能有遍历行为。基本的结构如下： stack容器有些像手枪子弹的弹夹，其数据的出入栈可以以弹夹为参考。 二、…
阅读更多...
redis-cluster集群搭建

redis-cluster集群搭建

安装redis所需环境 yum install -y gcc-c yum install -y wget 创建文件夹 cd / mkdir redis/redis-cluster/7001 cd redis/redis-cluster mkdir 7002 7003 7004 7005 7006 7007 7008下载redis压缩包并解压安装 wget https://download.redis.io/redis-stable.tar.gz tar -…
阅读更多...
从0开始写Vue项目-SpringBoot整合Mybatis-plus实现登录、注册功能

从0开始写Vue项目-SpringBoot整合Mybatis-plus实现登录、注册功能

1.从0开始写Vue项目-环境和项目搭建_慕言要努力的博客-CSDN博客 2. 从0开始写Vue项目-Vue2集成Element-ui和后台主体框架搭建_慕言要努力的博客-CSDN博客 3. 从0开始写Vue项目-Vue页面主体布局和登录、注册页面_慕言要努力的博客-CSDN博客 一、前言 在之前我们以及搭建好了基…
阅读更多...
线上问题诊断指南

线上问题诊断指南

内容概要 诊断工具介绍工具可用情况偶现或已现问题诊断思路 硬件资源观测 top top可以看整个系统cpu、内存的使用情况，以及在各个进程上的情况，如下： $ top top - 13:14:07 up 2 days, 6:38, 0 users, load average: 1.65, 0.59, 0.27…
阅读更多...
知识库：在医疗行业的知识管理有着怎样的意义与实际影响？

知识库：在医疗行业的知识管理有着怎样的意义与实际影响？

知识库中还可存在一个通常被称作典型方法库的特殊部分。如果对于某些问题的解决途径是肯定和必然的，就可以把其作为一部分相当肯定的问题解决途径直接存储在典型方法库中。这种宏观的存储将构成知识库的另一部分。在使用这部分时，机器推理将只限于选用典…
阅读更多...
Android 基础知识4-2.10 GridLayout（网格布局）详解

Android 基础知识4-2.10 GridLayout（网格布局）详解

一、GridLayout（网格布局）概述 GridLayout 布局是 Android 4.0 以后引入的新布局，和 TableLayout(表格布局) 有点类似，不过它功能更多，也更加好用，最大的特点是放置的组件自动占据网格的整个区域,每个组件的…
阅读更多...
【Linux】动静态库的制作

【Linux】动静态库的制作

​🌠 作者：阿亮joy. 🎆专栏：《学会Linux》 🎇 座右铭：每个优秀的人都有一段沉默的时光，那段时光是付出了很多努力却得不到结果的日子，我们把它叫做扎根 目录👉动静库和静…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023