OpenCV--图形轮廓

图像轮廓

import cv2
import numpy as np

"""
图形轮廓--具有相同颜色或灰度的连续点的曲线
用于图形分析和物体的识别和检测
注意:为了检测的准确性,必须对图像进行二值化或canny操作
画轮廓时会修改原图像,记得存储
"""

img = cv2.imread('./img/cat.jpeg')

查找轮廓

"""
查找轮廓
"""
# 先变成单通道的黑白图片
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 二值化
thresh, binary = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY)

# 查找轮廓 cv2.RETR_TREE查找轮廓的模式,一般用这个(树形)
# CHAIN_APPROX_SIMPLE 只保存角点,CHAIN_APPROX_NONE 保存轮廓所有的点
# contours里面放的是list,list里面放的ndarray,每个ndarray表示一个contours
# contours, hierarchy:轮廓和层级
contours, hierarchy = cv2.findContours(binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)

绘制轮廓

"""
绘制轮廓
画轮廓时会修改原图像,记得存储
轮廓编号要根据实际情况改
"""
# 画轮廓直接使用原始彩色图像
# contours轮廓点, -1:轮廓编号,-1表示绘制所有轮廓
# (0, 0, 255)颜色, 2线宽如果是-1,表示全部填充
img_copy = img.copy()
cv2.drawContours(img_copy, contours, -1, (0, 0, 255), 2)
cv2.imshow('img_copy', img_copy)

计算轮廓的面积和周长

"""
计算轮廓的面积和周长
"""
# 面积 第一个轮廓的面积
area = cv2.contourArea(contours[1])
# 周长 closed=True是否封闭
perimeter = cv2.arcLength(contours[1], closed=True)

多边形逼近与凸包

"""
多边形逼近:findContours找到的轮廓信息可能过于复杂且不平滑,对轮廓做近似处理
"""
# approx本质上是一个轮廓数据  20为DP(Douglas——Peucker)算法的阈值
approx = cv2.approxPolyDP(contours[0], 20, closed=True)
# 绘制逼近的轮廓
# 注意:[approx]传的是列表
# 轮廓编号要根据实际情况改
cv2.drawContours(img_copy, [approx], 0, (0, 255, 0), 2)

"""
凸包:与多边形逼近,只不过是物体最外层的凸多边形,包含原有轮廓,但仅由轮廓上的点构成的多边形--一种简化
"""
# 计算凸包
hull = cv2.convexHull(contours[0])
# 画出凸包 轮廓编号要根据实际情况改
cv2.drawContours(img_copy, [hull], 0, (255, 0, 0), 2)

外接矩形

"""
外接矩形--轮廓的最小和最大外接矩形
"""
# 最小外接矩形
# 返回的是一个旋转的矩形,包括:矩形的起始坐标(x, y),矩形的长宽,矩形旋转的角度
# 轮廓编号要根据实际情况改
rect = cv2.minAreaRect(contours[1])
# 画出外接矩形 boxPoints专门绘制旋转矩形
# 返回的是矩形四个点的坐标
box = cv2.boxPoints(rect)
# 绘制最小外接
# 注意:坐标必须是整数才能绘制 np.int0(box)截取整数,但是误差
# 四舍五入:np.round(box),此时还有小数点没有去除 astype('int64')解决
box = np.round(box).astype('int64')
cv2.drawContours(img_copy, [box], 0, (255, 0, 0), 2)

# 最大外接矩形(不会旋转) 返回:矩形的起始坐标(x, y),矩形的长宽
x, y, w, h = cv2.boundingRect(contours[1])
# 绘制最大外接矩形
cv2.rectangle(img, (x, y), (x + w, y + h), (255, 0, 0), 2)

cv2.waitKey(0)
cv2.destroyAllWindows()
  • 2
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
缺口检测是计算机视觉中的一种重要应用。OpenCV-Python库提供了许多图像处理和计算机视觉的功能,可以用来实现缺口检测。 以下是一些实现缺口检测的步骤: 1. 读取图像:使用OpenCV-Python库中的cv2.imread()函数读取图像。 2. 灰度化处理:将读取的彩色图像转换为灰度图像,可以使用cv2.cvtColor()函数。 3. 图像二值化:将灰度图像转换为二值图像,可以使用cv2.threshold()函数。 4. 边缘检测:使用Canny算子进行边缘检测,可以使用cv2.Canny()函数。 5. 轮廓检测:使用cv2.findContours()函数找到图像中的所有轮廓。 6. 过滤轮廓:根据轮廓的大小、形状等特征,过滤掉不符合条件的轮廓。 7. 绘制轮廓:使用cv2.drawContours()函数将符合条件的轮廓绘制在原图上。 8. 显示结果:使用cv2.imshow()函数显示处理后的图像。 下面是一个简单的代码示例: ```python import cv2 # 读取图像 img = cv2.imread('image.jpg') # 灰度化处理 gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 图像二值化 ret, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY) # 边缘检测 edges = cv2.Canny(binary, 50, 150) # 轮廓检测 contours, hierarchy = cv2.findContours(edges, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) # 过滤轮廓 for contour in contours: if cv2.contourArea(contour) < 100: continue if len(contour) < 5: continue # 绘制轮廓 cv2.drawContours(img, [contour], -1, (0, 0, 255), 2) # 显示结果 cv2.imshow('result', img) cv2.waitKey(0) cv2.destroyAllWindows() ``` 在这个例子中,我们读取一张图像,然后进行灰度化处理、图像二值化、边缘检测和轮廓检测。然后我们通过过滤轮廓,只保留符合条件的轮廓,并使用cv2.drawContours()函数将其绘制在原图上。最后,使用cv2.imshow()函数显示处理后的图像。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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

打赏作者

醉后才知酒浓

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
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