OpenCv基础（四）
文章目录
六、形态学
-
指一系列处理图像形状特征的图像处理技术
-
基本思想是利用一种特殊的结构元（即卷积核）来测量或提取输入图像中相应的形状或特征，以便进一步进行图像分析和目标识别
-
形态学基本操作：
-
膨胀和腐蚀
-
开运算
-
闭运算
-
顶帽
-
黑帽
-
6.1 图像二值化
-
上述处理方法基本上是对二值图像进行处理；
-
threshold(src,thresh,maxval,type)二值化处理src：最好是灰度图thresh：阈值maxval：最大值，最大值不一定是255type：操作类型- 常见的操作类型：THRESH_BINARY、THRESH_BINARY_INV、THRESH_TRUNC、THRESH_TOZERO、THRESH_TOZERO_INV
import cv2
img = cv2.imread('../my_work/01.png')
# 灰度化
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
# 返回2个值，一个是阈值ret，一个是处理后的图片dst
ret,dst = cv2.threshold(gray,120,255,cv2.THRESH_BINARY)
cv2.imshow('dst',cv2.hconcat((gray,dst)))
cv2.waitKey()
cv2.destroyAllWindows()
adaptiveThreshold(src,maxValue,adaptiveMethod,thresholdType,blockSize,C,dst=None)自适应阈值二值化adaptiveMethod：计算阈值的方法cv2.ADPTIVE_THRESH_MEAN_C：阈值取自相邻区域的平均值cv2.ADPTIVE_THRESH_GAUSSIAN_C：阈值取自相邻区域的加权和，权重为一个高斯窗口
block size：领域大小C：一个常数，阈值等于平均值或加权平均值减去这个常数
- 此时的阈值是根据图像上的每一个小区域计算与其对应的阈值
import cv2
img = cv2.imread('../my_work/01.png')
# 灰度化
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
# 返回2个值，一个是阈值，一个是处理后的图片
dst = cv2.adaptiveThreshold(gray,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY,blockSize=3,C=1.5)
cv2.imshow('dst',cv2.hconcat((gray,dst)))
cv2.waitKey()
cv2.destroyAllWindows()
6.2 腐蚀操作
-
用卷积核扫描图像，但腐蚀操作的卷积核一般都是1，如果卷积核内所有像素点都是白色，那么锚点即为白色
-
erode(src,kernel[,dst[,anchor[,iterations[,borderType[,borderValue]]]]])iterations：腐蚀迭代次数，次数越多，腐蚀效果越明显
import cv2
import numpy as np
img = cv2.imread('../my_work/01.png')
# 灰度化
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
kernel = np.ones((3,3))
dst = cv2.erode(gray,kernel,iterations=2)
cv2.imshow('dst',cv2.hconcat((gray,dst)))
cv2.waitKey()
cv2.destroyAllWindows()
- 在上述操作中，卷积核要自己定义；
- OpenCv中有获取卷积核的API
getStructuringElement(shape,ksize[,anchor])shape：卷积核的形状，不是长宽，是卷积核中1形成的形状MORPH_RECT：卷积核中的1是矩形，常用MORPH_ELLIPSE：椭圆MORPH_CROSS：十字
ksize：卷积核尺寸
import cv2
img = cv2.imread('../my_work/01.png')
# 灰度化
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
kernel = cv2.getStructuringElement(cv2.MORPH_RECT,(3,3))
print(kernel)
dst = cv2.erode(gray,kernel,iterations=2)
cv2.imshow('dst',cv2.hconcat((gray,dst)))
cv2.waitKey()
cv2.destroyAllWindows()
6.3 膨胀操作
-
与腐蚀操作相反，基本原理是保证卷积核的锚点是非0值，周边无论是0还是非0值，都变成非0值
-
dilate(img,kernel,iterations)
import cv2
img = cv2.imread('../my_work/01.png')
# 灰度化
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
kernel = cv2.getStructuringElement(cv2.MORPH_RECT,(3,3))
print(kernel)
dst = cv2.dilate(gray,kernel,iterations=1)
cv2.imshow('dst',cv2.hconcat((gray,dst)))
cv2.waitKey()
cv2.destroyAllWindows()
6.4 开运算和闭运算
- 开运算=腐蚀之后+膨胀
- 闭运算=膨胀之后+腐蚀
morphologyEx(img,op,kernel...)op：MORPH_OPEN：表示形态学开运算MORPH_CLOSE：表示形态学闭运算MORPH_GRADIENT：表示形态学梯度
kernel：如果噪点比较多，会选择大一点的kernel
import cv2
img = cv2.imread('../my_work/02.png')
# 灰度化
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
kernel = cv2.getStructuringElement(cv2.MORPH_RECT,(3,3))
# 开运算
dst = cv2.morphologyEx(gray,cv2.MORPH_OPEN,kernel,iterations=2)
# 闭运算
dst2 = cv2.morphologyEx(gray,cv2.MORPH_CLOSE,kernel)
cv2.imshow('dst',cv2.hconcat((gray,dst)))
cv2.imshow('dst2',cv2.hconcat((gray,dst2)))
cv2.waitKey()
cv2.destroyAllWindows()
6.5 形态学梯度
-
形态学梯度=膨胀-腐蚀
-
腐蚀之后原图边缘变小了，梯度就可以得到腐蚀掉的部分，即边缘
-
morphologyEx(img,op,kernel...)op：MORPH_GRADIENT：表示形态学梯度
import cv2
img = cv2.imread('../my_work/01.png')
# 灰度化
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
kernel = cv2.getStructuringElement(cv2.MORPH_RECT,(3,3))
dst = cv2.morphologyEx(gray,cv2.MORPH_GRADIENT,kernel,iterations=2)
cv2.imshow('dst',cv2.hconcat((gray,dst)))
cv2.waitKey()
cv2.destroyAllWindows()
6.6 顶帽与黑帽
-
顶帽=原图-开运算
- 开运算效果是去除图像外的噪点，顶帽得到了去掉的噪点
-
黑帽=闭运算-原图
- 闭运算可以将图形内部的噪点去掉，黑帽就是得到图像内部的噪点
import cv2
img = cv2.imread('../my_work/02.png')
# 灰度化
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
kernel = cv2.getStructuringElement(cv2.MORPH_RECT,(3,3))
# 顶帽
dst = cv2.morphologyEx(gray,cv2.MORPH_TOPHAT,kernel,iterations=1)
# 黑帽
dst2 = cv2.morphologyEx(gray,cv2.MORPH_BLACKHAT,kernel,iterations=1)
cv2.imshow('dst',cv2.hconcat((gray,dst)))
cv2.imshow('dst2',cv2.hconcat((gray,dst2)))
cv2.waitKey()
cv2.destroyAllWindows()
七、图像轮廓
-
轮廓：具有相同颜色或灰度的曲线或直线
-
轮廓的作用：图形分析、物体的识别和检测
- 注意：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，如果之后要继续用原始图像，应将原始图像预存在其他变量
7.1 查找轮廓
findContours(image,mode,method[,contours[,hierarchy[,offset]]])mode：查找轮廓模式RETR_EXTERNAL = 0 ：表示只检测外围轮廓RETR_EXTERNAL = 1 ：检测的轮廓不建立等级关系，表示检测所有轮廓RETR_EXTERNAL = 2 ：每层最多两级，从小到大，从里到外RETR_EXTERNAL = 3 ：按照树型存储轮廓，从小到大，从右向左
mothod：轮廓近似方法，也叫ApproximationModeCHAIN_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hierarchy，即轮廓和层级
import cv2
img = cv2.imread('../my_work/02.png')
# 灰度化
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
# 二值化
ret,binary = cv2.threshold(gray,150,255,cv2.THRESH_BINARY)
# 返回轮廓与层级
contours,hierarchy = cv2.findContours(binary,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)
# 打印轮廓,contours是元组
print(type(contours))
print(contours)
cv2.waitKey()
cv2.destroyAllWindows()
7.2 绘制轮廓
drawContours(image,contours,contourldx,color[,thickness[,lineType[,hierarchy[,maxLevel[,offset]]]]])image：要绘制在哪个图像上contours：轮廓点contourldx：要绘制的轮廓的编号，-1表示绘制所有轮廓color：轮廓的颜色（0，0，255）表示红色thickness：线宽，-1表示全部填充
import cv2
import numpy as np
img = cv2.imread('../my_work/01.png')
# 灰度化
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
# 二值化
ret,binary = cv2.threshold(gray,150,255,cv2.THRESH_BINARY)
# 返回轮廓与层级
contours,hierarchy = cv2.findContours(binary,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)
img_copy = img.copy()
# 绘制轮廓
cv2.drawContours(img_copy,contours,-1,(0,0,255),2)
cv2.imshow('dst',img_copy)
cv2.waitKey()
cv2.destroyAllWindows()
7.3 轮廓的面积与周长
- 轮廓面积是指每个轮廓所有像素点围成区域的面积，单位为像素
contourArea(contour)：轮廓面积contour：为某个轮廓，例如contours[0]、contours[1]………
arcLength(curve,closed)：轮廓周长curve:即轮廓closed:是否是闭合的轮廓
import cv2
img = cv2.imread('../my_work/01.png')
# 灰度化
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
# 二值化
ret,binary = cv2.threshold(gray,150,255,cv2.THRESH_BINARY)
# 返回轮廓与层级
contours,hierarchy = cv2.findContours(binary,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)
img_copy = img.copy()
cv2.drawContours(img_copy,contours,-1,(0,0,255),2)
# 计算面积
area = cv2.contourArea(contours[0])
print(area)
# 计算周长
perimeter = cv2.arcLength(contours[0],closed=True)
print(perimeter)
cv2.imshow('dst',img_copy)
cv2.waitKey()
cv2.destroyAllWindows()
7.4 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近似 -
approxPolyDP函数就是用多边形去逼近轮廓，采用DP算法- DP算法原理：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精度
approxPolyDP(curve,epsilon,closed[,approxCurve])curve：要近似的轮廓，例如contours[0]、contours[1]………epsilon：即DP算法使用的阈值closed：轮廓是否闭合
-
凸包是指简单的将原有轮廓完全包含
-
convexHull(points[,hull[,clockwise[,returnPoints]]])points：即轮廓clockwise：顺时针绘制
import cv2
img = cv2.imread('../my_work/01.png')
# 灰度化
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
# 二值化
ret,binary = cv2.threshold(gray,150,255,cv2.THRESH_BINARY)
# 返回轮廓与层级
contours,hierarchy = cv2.findContours(binary,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)
img_copy = img.copy()
# 绘制轮廓
cv2.drawContours(img_copy,contours,-1,(0,0,255),2)
# 多边形近似轮廓
approx = cv2.approxPolyDP(contours[0],20,True)
cv2.drawContours(img_copy,[approx],0,(0,255,0),2)
# 凸包
hull = cv2.convexHull(contours[0])
cv2.drawContours(img_copy,[hull],0,(255,0,0),2)
cv2.imshow('dst',img_copy)
cv2.waitKey()
cv2.destroyAllWindows()
7.5 外接矩形
- 外接矩形分为最小外接矩形与最大外接矩形
minAreaRect(points)，最小外接矩形points即为轮廓- 返回一个一个Rotated Rect旋转的矩形，矩形的中心点，矩形的长宽，矩阵的旋转角度
- 利用
cv2.boxPoints()计算旋转矩阵的4个坐标点（x,y)，(w,h)
boundingRect(points)，最大外接矩形- 返回（x,y)，(w,h)
import cv2
import numpy as np
img = cv2.imread('../my_work/01.png')
# 灰度化
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
# 二值化
ret,binary = cv2.threshold(gray,150,255,cv2.THRESH_BINARY)
# 返回轮廓与层级
contours,hierarchy = cv2.findContours(binary,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)
img_copy = img.copy()
# rect是一个Rotated Rect旋转的矩形，矩形的中心点，矩形的长宽，矩阵的旋转角度
rect = cv2.minAreaRect(contours[0])
print(rect)
# 其实就是帮我们把旋转矩阵的4个坐标点计算出来
box = cv2.boxPoints(rect)
box =np.round(box).astype(int) # 四舍五入
print(box)
# 绘制最小外接矩形
cv2.drawContours(img_copy,[box],0,(0,255,0),2)
# 最大外接矩形，返回（x,y）,(w,h)
x,y,w,h = cv2.boundingRect(contours[0])
cv2.rectangle(img_copy,(x,y),(x+w,y+h),(0,0,255),2)
cv2.imshow('dst',img_copy)
cv2.waitKey()
cv2.destroyAllWindows()
414
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
