OpenCV-Python官方教程-13-图像轮廓(轮廓绘制，轮廓特征(面积，周长，重心，边界框))、轮廓性质

最新推荐文章于 2023-12-28 14:45:52 发布
最新推荐文章于 2023-12-28 14:45:52 发布
阅读量4.5k 收藏 54
点赞数 3
分类专栏： OpenCV-Python官方教程 经典图像处理 Opencv 文章标签： 图像轮廓 轮廓拟合 轮廓性质
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Galen_xia/article/details/108633090
版权
  • 1.什么是轮廓？
    轮廓可以简单认为成将连续的点（连着边界）连在一起的曲线，具有相同的颜色或者灰度。轮廓在形状分析和物体的检测和识别中很有用。
    为了更加准确，要使用二值化图像。在寻找轮廓之前，要进行阈值化处理或者 Canny 边界检测。
  • 函数 cv2.fifindContours() 有三个参数，第一个是输入图像，第二个是轮廓检索模式，第三个是轮廓近似方法。
  • 函数 cv2.drawContours() 可以被用来绘制轮廓。它可以根据你提供的边界点绘制任何形状。它的第一个参数是原始图像，第二个参数是轮廓，一个 Python 列表。第三个参数是轮廓的索引（在绘制独立轮廓是很有用，当设置为 -1 时绘制所有轮廓）。接下来的参数是轮廓的颜色和厚度等。
import cv2
img = cv2.imread('opencv.jpg')
imggray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
ret,thresh = cv2.threshold(imggray,0,255,cv2.THRESH_OTSU)
#cv2.CHAIN_APPROX_NONE，所有的边界点都会被存储
#cv2.CHAIN_APPROX_SIMPLE只存储端点
contours,hierarchy = cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)
# -1代表绘制所有轮廓
img1 = cv2.drawContours(img,contours,-1,(0,0,0),3)
cv2.imshow('img1',img1)
cv2.waitKey(0)
cv2.destroyAllWindows()

在这里插入图片描述

  • 2.轮廓特征：

  • 2.1 矩

#轮廓重心
cnt = contours[0]
M = cv2.moments(cnt)
print(M)
cx = int(M['m10']/M['m00'])
cy = int(M['m01']/M['m00'])
print (cx,cy)

{‘m00’: 165073.0, ‘m10’: 35573231.5, ‘m01’: 31611479.5, ‘m20’: 10221375184.333332, ‘m11’: 6812273832.25, ‘m02’: 8071464432.333333, ‘m30’: 3304059528335.75, ‘m21’: 1957393347799.8333, ‘m12’: 1739400585167.8333, ‘m03’: 2318528158187.75, ‘mu20’: 2555343796.083332, ‘mu11’: 0.0, ‘mu02’: 2017866108.083333, ‘mu30’: 0.0009765625, ‘mu21’: 0.00018310546875, ‘mu12’: 0.0, ‘mu03’: 0.0, ‘nu20’: 0.0937771975630983, ‘nu11’: 0.0, ‘nu02’: 0.07405259087393658, ‘nu30’: 8.82083976632943e-17, ‘nu21’: 1.653907456186768e-17, ‘nu12’: 0.0, ‘nu03’: 0.0}
215 191

  • 2.2 轮廓面积
    轮廓的面积可以使用函数 cv2.contourArea() 计算得到，也可以使用矩（0 阶矩），M[‘m00’]。
#轮廓面积
area = cv2.contourArea(cnt)
print (area)

165073.0

  • 2.3 轮廓周长
    也被称为弧长。可以使用函数 cv2.arcLength() 计算得到。这个函数的第二参数可以用来指定对象的形状是闭合（True），还是打开的（一条曲线）。
#轮廓周长
perimeter = cv2.arcLength(cnt,True)
print (perimeter)

1628.0

  • 2.4 轮廓近似
    将轮廓形状近似到另外一种由更少点组成的轮廓形状，新轮廓的点的数目由我们设定的准确度来决定。使用的Douglas-Peucker算法。
    为了帮助理解，假设我们要在一幅图像中查找一个矩形，但是由于图像的种种原因，我们不能得到一个完美的矩形，而是一个“坏形状”（如下图所示）。现在你就可以使用这个函数来近似这个形状（）了。这个函数的第二个参数叫epsilon，它是从原始轮廓到近似轮廓的最大距离。它是一个准确度参数。选择一个好的 epsilon 对于得到满意结果非常重要。
#轮廓近似
img = cv2.imread('giao.jpg')
imggray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
ret,thresh = cv2.threshold(imggray,0,255,cv2.THRESH_OTSU)
contours,hierarchy = cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)
cnt = contours[0]
epsilon = 0.1*cv2.arcLength(cnt,True)
approx = cv2.approxPolyDP(cnt,epsilon,True)
cv2.polylines(img,[approx],True,(0,0,255),2)
cv2.imshow('img',img)
cv2.waitKey(0)
cv2.destroyAllWindows()

下边，第二幅图中的绿线是当 epsilon = 10% 时得到的近似轮廓，第三幅图是当 epsilon = 1% 时得到的近似轮廓。第三个参数设定弧线是否闭合。
在这里插入图片描述

  • 2.5 凸包
    凸包与轮廓近似相似，但不同，虽然有些情况下它们给出的结果是一样的。函数 cv2.convexHull() 可以用来检测一个曲线是否具有凸性缺陷，并能纠正缺陷。
#凸包img = cv2.imread('giao.jpg')
img2 = cv2.imread('giao.jpg')
imggray = cv2.cvtColor(img2,cv2.COLOR_BGR2GRAY)
ret,thresh = cv2.threshold(imggray,0,255,cv2.THRESH_OTSU)
contours,hierarchy = cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)
cnt = contours[0]
hull = cv2.convexHull(cnt)
cv2.polylines(img2,[hull],True,(0,0,255),2)
cv2.imshow('img',img2)
cv2.waitKey(0)
cv2.destroyAllWindows()

在这里插入图片描述
对此可以参考链接：https://segmentfault.com/a/1190000015663722

  • 2.6 凸性检测
#凸性检测
k = cv2.isContourConvex(cnt)
print (k)

False

  • 2.7 直边界矩形
#边界矩形，直边矩形
img3 = cv2.imread('str.jpg')
imggray = cv2.cvtColor(img3,cv2.COLOR_BGR2GRAY)
ret,thresh = cv2.threshold(imggray,0,255,cv2.THRESH_OTSU)
contours,hierarchy = cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)
cnt = contours[1]
#（x，y）为矩形左上角的坐标，（w，h）是矩形的宽和高。
x,y,w,h = cv2.boundingRect(cnt)
img4 = cv2.rectangle(img3,(x,y),(x+w,y+h),(0,255,0),2)
cv2.imshow('img',img4)
cv2.waitKey(0)
cv2.destroyAllWindows()

在这里插入图片描述

  • 2.8 最小外接矩形
    这个边界矩形是面积最小的，因为它考虑了对象的旋转。用到的函数为cv2.minAreaRect()。返回的是一个 Box2D 构，其中包含矩形左上角角点的坐标（x，y），矩形的宽和高（w，h），以及旋转角度。但是要绘制这个矩形需要矩形的 4 个角点，可以通过函数 cv2.boxPoints() 获得。
#最小外接矩形
import numpy as np
img3 = cv2.imread('str.jpg')
imggray = cv2.cvtColor(img3,cv2.COLOR_BGR2GRAY)
ret,thresh = cv2.threshold(imggray,0,255,cv2.THRESH_OTSU)
contours,hierarchy = cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)
cnt = contours[1]
rect = cv2.minAreaRect(cnt)
box = cv2.boxPoints(rect)
box = np.int0(box)
cv2.fillPoly(img3,[box],(0,0,255))
cv2.imshow('img',img3)
cv2.waitKey(0)
cv2.destroyAllWindows()

在这里插入图片描述

  • 2.9 最小外接圆
#最小外接圆
img3 = cv2.imread('str.jpg')
imggray = cv2.cvtColor(img3,cv2.COLOR_BGR2GRAY)
ret,thresh = cv2.threshold(imggray,0,255,cv2.THRESH_OTSU)
contours,hierarchy = cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)
cnt = contours[1]
(x,y),radius = cv2.minEnclosingCircle(cnt)
center = (int(x),int(y))
radius = int(radius)
img4 = cv2.circle(img3,center,radius,(0,255,0),2)
cv2.imshow('img',img4)
cv2.waitKey(0)
cv2.destroyAllWindows()

在这里插入图片描述

  • 2.10 椭圆拟合
#椭圆拟合
img3 = cv2.imread('str.jpg')
imggray = cv2.cvtColor(img3,cv2.COLOR_BGR2GRAY)
ret,thresh = cv2.threshold(imggray,0,255,cv2.THRESH_OTSU)
contours,hierarchy = cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)
cnt = contours[1]
ellipse = cv2.fitEllipse(cnt)
im = cv2.ellipse(img3,ellipse,(0,255,0),2)
cv2.imshow('img',im)
cv2.waitKey(0)
cv2.destroyAllWindows()

在这里插入图片描述

  • 2.11 直线拟合
#直线拟合
img3 = cv2.imread('str.jpg')
rows,cols = img3.shape[:2]
imggray = cv2.cvtColor(img3,cv2.COLOR_BGR2GRAY)
ret,thresh = cv2.threshold(imggray,0,255,cv2.THRESH_OTSU)
contours,hierarchy = cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)
cnt = contours[1]
[vx,vy,x,y] = cv2.fitLine(cnt, cv2.DIST_L2,0,0.01,0.01)
lefty = int((-x*vy/vx) + y)
righty = int(((cols-x)*vy/vx)+y)
img = cv2.line(img3,(cols-1,righty),(0,lefty),(0,255,0),2)
cv2.imshow('img',img)
cv2.waitKey(0)
cv2.destroyAllWindows()

在这里插入图片描述

  • 3.轮廓性质
  • 3.1 宽高比
#宽高比
x,y,w,h = cv2.boundingRect(cnt)
aspect_ratio = float(w)/h
print (aspect_ratio)
  • 3.2 轮廓面积与边界矩形面积的比
area = cv2.contourArea(cnt)
x,y,w,h = cv2.boundingRect(cnt)
rect_area = w*h
extent = float(area)/rect_area
print (extent)
  • 3.3 轮廓面积与凸包面积的比
area = cv2.contourArea(cnt)
hull = cv2.convexHull(cnt)
hull_area = cv2.contourArea(hull)
solidity = float(area)/hull_area
print (solidity)
  • 3.4 与轮廓面积相等的圆形直径
area = cv2.contourArea(cnt)
equi_diameter = np.sqrt(4*area/np.pi)
print (equi_diameter)
  • 3.5 方向
(x,y),(MA,ma),angle = cv2.fitEllipse(cnt)
print ((x,y),(MA,ma),angle)
  • 3.6 轮廓的掩膜与像素点
img = cv2.imread('str.jpg',0)
mask = np.zeros(img.shape,np.uint8)
mask = cv2.drawContours(mask,[cnt],0,255,-1)
cv2.imshow('mask',mask)
cv2.waitKey(0)
cv2.destroyAllWindows()

在这里插入图片描述

  • 3.7 最大值和最小值及它们的位置
min_val,max_val,min_loc,max_loc = cv2.minMaxLoc(img,mask=mask)
print (min_val,max_val,min_loc,max_loc)
  • 3.8 平均颜色及平均灰度
mean_val = cv2.mean(img,mask=mask)
print (mean_val)
  • 3.9 极点
leftmost = tuple(cnt[cnt[:,:,0].argmin()][0])
rightmost = tuple(cnt[cnt[:,:,0].argmax()][0])
topmost = tuple(cnt[cnt[:,:,1].argmin()][0])
bottommost = tuple(cnt[cnt[:,:,1].argmax()][0])
print (leftmost,rightmost,topmost,bottommost)
  • 3.10 凸缺陷
    前面我们已经学习了轮廓的凸包，对象上的任何凹陷都被成为凸缺陷。OpenCV 中有一个函数 cv.convexityDefect() 可以帮助我们找到凸缺陷。如果要查找凸缺陷，在使用函数 cv2.convexHull 找凸包时，参数returnPoints 一定要是 False。它会返回一个数组，其中每一行包含的值是 [起点，终点，最远的点，到最远点的近似距离。
#凸缺陷
import cv2 
import numpy as np
img = cv2.imread('fb.jpg')
img_gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
ret,thresh = cv2.threshold(img_gray,0,255,cv2.THRESH_OTSU)
contours,hierarchy = cv2.findContours(thresh,2,1)
cnt = contours[6]
hull = cv2.convexHull(cnt,returnPoints=False)
defects = cv2.convexityDefects(cnt,hull)
for i in range(defects.shape[0]):
    s,e,f,d = defects[i,0]
    start = tuple(cnt[s][0])
    end = tuple(cnt[e][0])
    far = tuple(cnt[f][0])
    cv2.line(img,start,end,[0,255,0],2)
    cv2.circle(img,far,5,[0,0,255],-1)   
cv2.imshow('img',img)
cv2.waitKey(0)
cv2.destroyAllWindows()

在这里插入图片描述

  • 3.11 Point Polygon Test
    求解图像中的一个点到一个对象轮廓的最短距离。如果点在轮廓的外部，返回值为负。如果在轮廓上，返回值为 0。如果在轮廓内部，返回值为正。此函数的第三个参数是measureDist如果设置为True，就会计算最短距离。如果是 False，只会判断这个点与轮廓之间的位置关系（返回值为
    +1，-1，0）。
# Point Polygon Test
dist = cv2.pointPolygonTest(cnt,(50,50),True)
print (dist)
  • 3.12 形状匹配
    函数 cv2.matchShape() 可以帮我们比较两个形状或轮廓的相似度。如果返回值越小，匹配越好。它是根据 Hu 矩来计算的。
# 形状匹配
import cv2
import numpy as np
img = cv2.imread('fb.jpg')
img_gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
ret,thresh = cv2.threshold(img_gray,0,255,cv2.THRESH_OTSU)
contours,hierarchy = cv2.findContours(thresh,2,1)
cnt1 = contours[6]
img2 = cv2.imread('2.jpg',0)
ret, thresh2 = cv2.threshold(img2, 127, 255,0)
contours,hierarchy = cv2.findContours(thresh,2,1)
cnt2 = contours[0]
ret1 = cv2.matchShapes(cnt1,cnt2,1,0.0)
ret2 = cv2.matchShapes(cnt1,cnt1,1,0.0)
print (ret1,ret2)

0.3493676665950478 0.0
在这里插入图片描述

骚火棍
关注
专栏目录
OpenCV-Python实战（10）——详解 OpenCV 轮廓检测
盼小辉丶的博客
10-20 2万+
在计算机视觉领域，轮廓通常指图像中对象边界的一系列点。因此，轮廓通常描述了对象边界的关键信息，包含了有关对象形状的主要信息，该信息可用于形状分析与对象检测和识别。在本文中，将首次通过简单示例了解轮廓的基本概念，然后通过实际示例来了解如何检测和压缩轮廓，最后利用介绍如何利用图像矩描述检测到的轮廓属性。
opencv-python图像处理 ---图像轮廓检测与代码实现
勤劳鸟儿
01-09 6189
一·、轮廓检测 边缘检测虽然能够检测边缘，但是其边缘并不是连续的，图像轮廓用于检测一个整体，来用于后续进行其他处理。opencv提供了两个函数来完成这些操作： findContours():该函数可以查找轮廓 drawContours():绘制轮廓 轮廓与边缘的区别在于：轮廓是一条完整、连续的边缘。轮廓上的像素点表示实际图像中的连续曲线–即物体的外形轮廓。 函数的具体用法： contours, hierarchy = cv2.findContours(img, mode=, method=) 传入参数说
图像处理(6) : 特征提取
QtHalcon
05-16 7361
​图像的特征描述了图像的某种属性，当通过分割、形态学处理得到一些区域后，这些区域就构成了一个集合。常用的特征类型有边缘、角、区域和脊背。 如何从这些集合中选择出需要的区域，这就需要使用特征作为判断和选择的依据。例如，使用区域的面积作为特征，可以快速提取出面积差异明显的对象;使用灰度值作为特征，可以提取出灰度差异大的图像等。 一、形状特征 在场景中选择物体的特征是图像测量或者识别的重要基础。区域的形状特征是非常常用的特征，在模式匹配中，常使用形状特征作为匹配的依据。下面就介...
python-OpenCV图像轮廓边缘检测
sinat_53821602的博客
06-17 483
数字图像是什么？ 目录 数字图像是什么？
Python+OpenCV图像处理（十六）—— 轮廓发现
aiyizou6070的博客
09-08 779
简介：轮廓发现是基于图像边缘提取的基础寻找对象轮廓的方法，所以边缘提取的阈值选定会影响最终轮廓发现结果。 代码如下： import cv2 as cv import numpy as np def contours_demo(image): dst = cv.GaussianBlur(image, (3, 3), 0) #高斯模糊去噪 gray = cv....
OpenCV-Python(21):轮廓特征及周长、面积凸包检测和形状近似
最新发布
图灵追幕者博客录
12-28 2861
本文我们将主要学习基于轮廓来提取一些经常使用的对象特征。 边界矩形的宽高比： 3.2 Extent
OpenCV学习笔记（Python）———— 画轮廓
LiRongLu_的博客
03-27 3813
OpenCV学习（Python）———— 画图像轮廓
python与opencv轮廓识别内外边界_Python使用Opencv实现边缘检测以及轮廓检测的实现...
weixin_29007243的博客
02-09 3966
边缘检测canny边缘检测器是一种被广泛使用的算法，并被认为是边缘检测最优的算法，该方法使用了比高斯差分算法更复杂的技巧，如多向灰度梯度和滞后阈值化。canny边缘检测器算法基本步骤：平滑图像：通过使用合适的模糊半径执行高斯模糊来减少图像内的噪声。计算图像的梯度：这里计算图像的梯度，并将梯度分类为垂直、水平和斜对角。这一步的输出用于在下一步中计算真正的边缘。非最大值抑制：利用上一步计算出来的梯度方...
Opencv基于Python图像轮廓——轮廓绘制及其特征
DIPDWC的博客
12-20 1万+
轮廓入门目标1. 什么是轮廓2. 如何绘制轮廓3. 轮廓近似方法 目标 在本篇文章中，我们将学习到以下内容： 了解轮廓是什么 学习查找轮廓，绘制轮廓等 你将学到以下函数：cv.findContours()，cv.drawContours() 1. 什么是轮廓 轮廓可以简单地解释为连接具有相同颜色或强度的所有连续点（沿边界）的曲线，轮廓是用于形状分析以及对象检测和识别的有用工具。 为了获得更高的准确性，请使用二进制图像。因此，在找到轮廓之前，请应用阈值或canny边缘检测。 从OpenCV 3.2开始，
Opencv（Python） 教程-轮廓（3）轮廓的性质
jjddss的专栏
06-21 3568
Opencv（Python） 教程-轮廓（3）轮廓的性质边界矩形的宽高比在上一小节中，我们提到利用下面函数能够得到轮廓的直边界矩形 x,y,w,h = cv2.boundingRect(cnt) 对于某一轮廓要求取其边界矩形的宽高比，则可通过下面代码实现x,y,w,h = cv2.boundingRect(cnt) aspect_ratio = float(w)/h #注意要转化成浮点型轮廓面积
OpenCV-python轮廓提取与模板匹配（csdn）————程序.pdf
12-03
总结起来，OpenCV-Python提供的这些工具和方法在图像分析和处理中发挥着关键作用，无论是轮廓提取用于识别物体形状，还是模板匹配用于定位图像特征，它们都是计算机视觉领域不可或缺的一部分。通过熟练掌握这些技术...
python探测图像中边框_边缘检测，框出物体的轮廓(使用opencv-python)
weixin_39842682的博客
12-08 3949
边缘检测、边缘探测、轮廓绘制、多边形、区域分割、edge_detection、object_segmentation，使用opencv-python的函数cv2.findContours()，框出物体的轮廓(关键词↑)图片处理效果预览↑(就是封面图片)，从左到右依次是：原图阈值图(第一行)、Canny边缘提取(第二行)蓝色矩形、绿色最小矩形、红色最小圆形蓝色等高线轮廓、绿色贴合轮廓、红色包围轮廓核...
Machine Learning——CV系列（一）——Python+OpenCV核心操作（3）——边缘与轮廓
wa1tzy的博客
07-05 1479
文章目录四、边缘与轮廓4.1 图像梯度（见梯度算子）4.2 Canny边缘提取算法4.2.1 原理与流程4.2.2 非极大值抑制4.2.3 双阈值边缘连接处理4.2.4 代码4.3 轮廓4.3.0 轮廓与边缘区别4.3.1 轮廓查找与绘制4.3.2 面积、周长和重心4.3.3 轮廓近似4.3.4 凸包和凸性检测4.3.5 边界检测4.3.5.1 方向性判断4.3.6 轮廓性质4.3.6.1 边界矩形的宽高比4.3.6.2 轮廓面积与边界矩形面积的比4.3.6.3 轮廓面积与凸包面积的比4.3.6.4 与轮廓
python opencv 轮廓检测,使用python在opencv中检查轮廓区域
weixin_30306285的博客
02-09 232
I try to use checkContour() function in new python api (cv2) and it do works if I create contours to be checked using findContours e.g.contours, hierarchy = cv2.findContours(imgGray, cv2.RETR_LIST, cv...
Python-OpenCV-绘制图像轮廓
weixin_56823282的博客
06-29 326
图像轮廓 图像轮廓是指将边缘连接起来形成的一个整体。 计算函数： 1.查找图像轮廓的函数：cv2.findContours（） 2.绘制图像轮廓的函数：cv2.drawContours（） 图像轮廓是图像中非常重要的一个特征信息，通过对图像轮廓的操作，我们能够获取目标图像的大小、位置、方向等信息。 实例操作 一、原图： 二、代码 三、结果图 ...
《查找绘制轮廓，计算轮廓面积-python_opencv》
weixin_45837741的博客
09-21 1470
【代码】《查找绘制轮廓，计算轮廓面积-python_opencv》
OpenCV - 轮廓特征（Python实现）
C橘子
06-18 5915
矩 图像的矩可以帮助我们计算图像的质心，面积等。 import cv2 import numpy as np img = cv2.imread('image.png',0) ret,thresh = cv2.threshold(img,127,255,0) im,contours,hierarchy = cv2.findContours(thresh, 1, 2) cnt = contours...
用python画目标的外轮廓线（含python代码）
向上生长的程序媛的博客
11-04 2239
图1 原图像 假如你有一张如图1的影像，你想把这三个目标的轮廓画出来，那么可以用以下代码实现。 import numpy as np import matplotlib.pyplot as plt import matplotlib.patches as mpathes from skimage import io import cv2 image= io.imread('1.png')#rgb三通道影像 image2 = np.zeros((image.shape[0],image.sha...
基于python+opencv的图片质量检测(清晰度+亮度+色偏)
热门推荐
Galen_xia的博客
08-17 1万+
1.清晰度检测： 利用拉普拉斯算子计算图片的二阶导数，反映图片的边缘信息，同样事物的图片，清晰度高的，相对应的经过拉普拉斯算子滤波后的图片的方差也就越大。 import cv2 #利用拉普拉斯 def getImageVar(imgPath): image = cv2.imread(imgPath) img2gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) imageVar = cv2.Laplacian(img2gray, cv2.C
opencv图像轮廓提取
08-29
### 回答1： OpenCV提供了一个函数cv::findContours()，可以用于从二值图像中提取轮廓。 具体步骤如下： 1. 将彩色图像转化为灰度图像。 2. 对灰度图像进行二值化处理，得到二值图像。 3. 使用cv::findContours()函数提取轮廓。 4. 绘制轮廓。 下面是一个示例代码： ```python import cv2 import numpy as np # 读入图像 img = cv2.imread('image.jpg') # 转化为灰度图像 gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 二值化处理 ret, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY) # 提取轮廓 contours, hierarchy = cv2.findContours(binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE) # 绘制轮廓 cv2.drawContours(img, contours, -1, (0, 0, 255), 2) # 显示图像 cv2.imshow("image", img) cv2.waitKey(0) cv2.destroyAllWindows() ``` 其中，cv2.findContours()函数的参数说明如下： - 第一个参数：二值图像。 - 第二个参数：轮廓检索模式。有以下四种模式： - cv2.RETR_EXTERNAL：只检测外轮廓。 - cv2.RETR_LIST：检测所有轮廓，不建立轮廓之间的层级关系。 - cv2.RETR_CCOMP：检测所有轮廓，并将轮廓分为两级，即外层轮廓和内层轮廓。 - cv2.RETR_TREE：检测所有轮廓，并建立轮廓之间的层级关系。 - 第三个参数：轮廓逼近方法。有以下三种方法： - cv2.CHAIN_APPROX_NONE：存储所有的轮廓点。 - cv2.CHAIN_APPROX_SIMPLE：压缩水平、垂直、对角线方向上的像素点，只保留端点。 - cv2.CHAIN_APPROX_TC89_L1、cv2.CHAIN_APPROX_TC89_KCOS：使用Teh-Chin链逼近算法。 返回值： - contours：检测到的轮廓，每个轮廓是一个Numpy数组。 - hierarchy：检测到的轮廓之间的层级关系，每个轮廓有四个值：[next, previous, child, parent]。其中，next表示下一个轮廓的索引，previous表示前一个轮廓的索引，child表示第一个子轮廓的索引，parent表示父轮廓的索引。如果当前轮廓没有子轮廓，则child=-1；如果当前轮廓没有父轮廓，则parent=-1。 ### 回答2： 在OpenCV中，图像轮廓提取是一种常用的图像处理技术，它可以帮助我们找到图像中对象的边界。轮廓提取可以用于许多应用，如形状识别、物体检测和图像分割等。 在OpenCV中，图像轮廓提取的主要步骤如下： 1. 将图像转换为灰度图像，这有助于减少噪声并简化处理。 2. 对图像进行阈值处理，将图像转换为二值图像。这样可以将对象与背景分离。 3. 对二值图像进行形态学操作，如腐蚀和膨胀，可以去除噪声并平滑边界。 4. 使用cv2.findContours()函数找到图像中的轮廓。该函数将返回一个包含所有轮廓的列表。 5. 可选地，可以使用cv2.drawContours()函数在原始图像上绘制轮廓。这可以帮助我们可视化轮廓提取的结果。 在进行图像轮廓提取时，还可以使用一些参数来调整轮廓提取的效果。例如，可以通过调整阈值值和形态学操作来控制轮廓的数量和精度。 总的来说，OpenCV提供了简单且强大的图像轮廓提取工具，它可以帮助我们提取图像中的对象边界，进而实现各种应用。学习和掌握轮廓提取技术对于图像处理和计算机视觉相关领域的研究和应用非常重要。 ### 回答3： OpenCV是一个强大的计算机视觉库，具有丰富的图像处理功能，其中包括图像轮廓提取。 图像轮廓是指图像中连接相同颜色或强度的连续曲线的图像特征。在OpenCV中，图像轮廓提取是通过以下几个步骤实现的： 首先，我们需要将图像转换为灰度图像。这是因为灰度图像只有一个通道，更容易处理。可以使用cvtColor()函数将彩色图像转换为灰度图像。 然后，我们可以使用阈值函数将图像二值化。通过设定适当的阈值，我们可以将图像分为目标和背景两部分。可以使用threshold()函数设置阈值，并根据需要选择不同的阈值类型。 接下来，使用findContours()函数可以检测图像中的轮廓。该函数将按大小排序返回一系列轮廓，并存储为一系列点的集合。可以选择提取所有的轮廓，或者只提取特定大小的轮廓。还可以使用其他参数来调整轮廓的检测精度和准确性。 提取轮廓后，可以使用drawContours()函数将轮廓绘制在原始图像上。该函数可以选择绘制所有的轮廓或单独绘制其中的一个轮廓。 如果需要进一步处理轮廓，可以使用一些附加函数，如计算轮廓的面积、周长、边界框等。还可以对轮廓进行操作，例如填充、裁剪或平滑处理。 最后，通过使用imshow()函数可以将处理后的图像显示出来。 总之，OpenCV提供了一套完整且易于使用的函数，可以方便地从图像中提取轮廓。通过适当的处理和调整参数，我们可以根据实际需求获取准确的轮廓信息。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值