opencv之图像轮廓特征查找和直方图均衡化（六）

opencv之图像轮廓特征查找和直方图均衡化（六）

---

一、图像轮廓特征查找

• 图像轮廓特征查找其实就是他的外接轮廓。
• 应用：
  • 图像分割
  • 形状分析
  • 物体检测与识别
• 根据轮廓点进行，所以要先找到轮廓。
  • 先灰度化、二值化。目标物体白色，非目标物体黑色，选择合适的儿值化方式。
• 有了轮廓点就可以找到最上、最下、最左、最右的四个坐标，$X_{min}、X_{max}、Y_{min}、Y_{max}$。就可以绘制出矩形。

1.1 外接矩形

• cv2.boundingRect(轮廓点)
  

形状的外接矩形有两种，如下图，绿色的叫外接矩形，表示不考虑旋转并且能包含整个轮廓的矩形。其中，外接矩形可根据获得到的轮廓坐标中最上、最下、最左、最右的点的坐标来绘制外接矩形，也就是下图中的绿色矩形。蓝色的是最小外接矩形，会考虑面积。

1.2 最小外接矩形

最小外接矩形就是上图所示的蓝色矩形，寻找最小外接矩形使用的算法叫做旋转卡壳法。

需要使用到的API说明:

• contours, hierarchy = cv2.findContours(image_np_thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

contours为二值图像上查找所有的外部轮廓

• rect = cv2.minAreaRect(cnt)

传入的cnt参数为contours中的轮廓,可以遍历contours中的所有轮廓,然后计算出每个轮廓的小面积外接矩形

• rect 是计算轮廓最小面积外接矩形:rect 结构通常包含中心点坐标 (x, y)、宽度 width、高度 height 和旋转角度 angle

cv2.boxPoints(rect).astype(int)

cv2.boxPoints(rect)返回 是一个形状为 4行2列的数组，每一行代表一个点的坐标（x, y），顺序按照逆时针或顺时针方向排列

将最小外接矩形转换为边界框的四个角点，并转换为整数坐标

cv2.drawContours(image, contours, contourIdx, color, thickness)

• image：原图像，一般为 numpy 数组，通常为灰度或彩色图像。
• contours：一个包含多个轮廓的列表,可以用上一个api得到的 [box]
• contourIdx：要绘制的轮廓索引。如果设置为 -1，则绘制所有轮廓。
• color：轮廓的颜色，可以是 BGR 颜色格式的三元组，例如 (0, 0, 255) 表示红色。
• thickness：轮廓线的粗细，如果是正数，则绘制实线；如果是 0，则绘制轮廓点；如果是负数，则填充轮廓内部区域。

1.3 最小外接圆

寻找最小外接圆使用的算法是Welzl算法。Welzl算法基于一个定理：希尔伯特圆定理表明，对于平面上的任意三个不在同一直线上的点，存在一个唯一的圆同时通过这三个点，且该圆是最小面积的圆（即包含这三个点的圆中半径最小的圆，也称为最小覆盖圆）。

需要使用的API说明

cv2.minEnclosingCircle(points) -> (center, radius)

参数说明：

• points：输入参数图片轮廓数据

返回值：

• center：一个包含圆心坐标的二元组 (x, y)。
• radius：浮点数类型，表示计算得到的最小覆盖圆的半径。

cv2.circle(img, center, radius, color, thickness)

• img：输入图像，通常是一个numpy数组，代表要绘制圆形的图像。
• center：一个二元组 (x, y)，表示圆心的坐标位置。
• radius：整型或浮点型数值，表示圆的半径长度。
• color：颜色标识，可以是BGR格式的三元组 (B, G, R)，例如 (255, 0, 0) 表示红色。
• thickness：整数，表示圆边框的宽度。如果设置为 -1，则会填充整个圆。

案例

案例一：外接矩形

import cv2 as cv
import numpy as np

num = cv.imread("images/num.png")
img = num.copy()
# 转灰度图
img = cv.cvtColor(img,cv.COLOR_BGR2GRAY)
# 二值化
ret = cv.threshold(img,127,255,cv.THRESH_OTSU+cv.THRESH_BINARY_INV)[1]
# 查找轮廓
contours,hierarchy = cv.findContours(ret,cv.RETR_EXTERNAL,cv.CHAIN_APPROX_SIMPLE)
# 绘制轮廓
cv.drawContours(img,contours,-1,(0,0,255),2)
cv.imshow("img",img)


# 遍历轮廓列表
for cnt in contours:
    # x,y左上坐标  w,h：宽高
    x,y,w,h = cv.boundingRect(cnt)
    cv.rectangle(num,(x,y),(x+w,y+h),(0,0,255),2)
    cv.imshow("num",num)

cv.waitKey(0)
cv.destroyAllWindows()

案例二：最小外接矩形

# 最小外接矩阵
import cv2 as cv
import numpy as np

num = cv.imread("images/num.png")
img = num.copy()
# 灰度化
gray = cv.cvtColor(img,cv.COLOR_BGR2GRAY)
# 二值化
ret,thresh = cv.threshold(gray,127,255,cv.THRESH_BINARY_INV+cv.THRESH_OTSU)
# 寻找轮廓
contours,hierarchy = cv.findContours(thresh,cv.RETR_TREE,cv.CHAIN_APPROX_SIMPLE)
# rect = cv2.minAreaRect(contours[0])   ,rect:(x,y),w,h,angle
# 循环遍历轮廓，拿每一条轮廓
for cnt in contours:
    # 获取最小外接矩阵信息
    rect = cv.minAreaRect(cnt)
    # box = cv2.boxPoints(rect)  四行两列的数组，代表每个坐标的(x，y)
    box = cv.boxPoints(rect).astype(np.int32)
    cv.drawContours(img,[box],-1,(0,0,255),2,cv.LINE_AA)
    

cv.imshow("img",img)
cv.imshow("num", num)
cv.waitKey()
cv.destroyAllWindows()

案例三：最小外接圆

# 最小外接圆
# 最小外接矩阵
import cv2 as cv
import numpy as np

num = cv.imread("images/num.png")
img = num.copy()
# 灰度化
gray = cv.cvtColor(img,cv.COLOR_BGR2GRAY)
# 二值化
ret,thresh = cv.threshold(gray,127,255,cv.THRESH_BINARY_INV+cv.THRESH_OTSU)
# 寻找轮廓
contours,hierarchy = cv.findContours(thresh,cv.RETR_TREE,cv.CHAIN_APPROX_SIMPLE)
# 遍历轮廓
for cnt in contours:
    # 获取最小外接圆相关信息：cv2.minEnclosingCircle(contour),返回圆心坐标和半径
    (x,y),r = cv.minEnclosingCircle(cnt)
    x,y,r = int(x),int(y),int(r)
    cv.circle(img,(x,y),r,(0,255,0),2)
cv.imshow("img",img)
cv.waitKey()
cv.destroyAllWindows()

二、 直方图均衡化

2.1 什么是直方图

直方图是对数据进行统计的一种方法，并且将统计值组织到一系列实现定义好的 bin 当中。其中， bin 为直方图中经常用到的一个概念，可以译为 “直条” 或 “组距”，其数值是从数据中计算出的特征统计量，这些数据可以是诸如梯度、方向、色彩或任何其他特征。

• 直方图：反映图像像素分布的统计图，横坐标就是图像像素的取值，纵坐标是该像素的个数。也就是对一张图像中不同像素值的像素个数的统计。
• 增加对比度：黑的更黑，白的更白。
  

2.2 绘制直方图

就是以像素值为横坐标，像素值的个数为纵坐标绘制一个统计图。

hist=cv2.calcHist(images, channels, mask, histSize, ranges)

• images：输入图像列表，可以是一幅或多幅图像（通常是灰度图像或者彩色图像的各个通道）。
• channels：一个包含整数的列表，指示在每个图像上计算直方图的通道编号。如果输入图像是灰度图，它的值就是 [0]；如果是彩色图像的话，传入的参数可以是 [0]，[1]，[2] 它们分别对应着通道 B，G，R。
• mask（可选）：一个与输入图像尺寸相同的二值掩模图像，其中非零元素标记了参与直方图计算的区域,None为全部计算。
• histSize：一个整数列表，也就是直方图的区间个数(BIN 的数目)。用中括号括起来，例如：[256]。
• ranges：每维数据的取值范围，它是一个二维列表，每一维对应一个通道的最小值和最大值，例如对灰度图像可能是 [0, 256]。

返回值hist 是一个长度为255的数组，数组中的每个值表示图像中对应灰度等级的像素计数

minVal, maxVal, minLoc, maxLoc = cv2.minMaxLoc(hist)

获取直方图的最小值、最大值及其对应最小值的位置索引、最大值的位置索引

cv2.line(img, pt1, pt2, color, thickness)

• img：原始图像，即要在上面画线的numpy数组（一般为uint8类型）。
• pt1 和 pt2：分别为线段的起点和终点坐标，它们都是元组类型，例如 (x1, y1) 和 (x2, y2) 分别代表线段两端的横纵坐标。
• color：线段的颜色，通常是一个包含三个元素的元组 (B, G, R) 表示BGR色彩空间的像素值，也可以是灰度图像的一个整数值。
• thickness：线段的宽度，默认值是1，如果设置为负数，则线宽会被填充。

案例：

import cv2 as cv
import numpy as np

def draw(img):
    # 直方图
    hist = cv.calcHist(img,[0],None,[256],[0,256])
    print(hist)
    # 查找最大值和最小值
    minVal,maxVal,minLoc,maxLoc = cv.minMaxLoc(hist)
    print(minVal,maxVal,minLoc,maxLoc)
    # 绘制全黑直方图
    hist_img = np.zeros([256,256,3],np.uint8)
    hpt = int(0.9*256)
    for h in range(256):
        intensity = int(hist[h].item()/maxVal*hpt)
        cv.line(hist_img,(h,256), (h,256-intensity),(0,0,255),1)
    cv.imshow('hist',hist_img)
    cv.waitKey(0)
    cv.destroyAllWindows()

if __name__ == '__main__':
    # img = np.zeros([256,256,3],np.uint8)
    img = cv.imread("../cao.png")
    draw(img)

2.3 直方图均衡化

一副效果好的图像通常在直方图上的分布比较均匀，直方图均衡化就是用来改善图像的全局亮度和对比度。

如果一幅图像整体很亮，那所有的像素值的取值个数应该都会很高,所以应该把它的直方图做一个横向拉伸，就可以扩大图像像素值的分布范围，提高图像的对比度

通俗的讲，就是遍历图像的像素统计出灰度值的个数、比例与累计比例，并重新映射到0-255范围（也可以是其他范围）内，其实从观感上就可以发现，下面两幅图中前面那幅图对比度不高，偏灰白。

• 直方图均衡化作用：
  • 增强对比度
  • 提高图像质量

2.3.1 自适应直方图均衡化

自适应直方图均衡化（Adaptive Histogram Equalization, AHE），通过调整图像像素值的分布，使得图像的对比度和亮度得到改善。

具体过程如下所示：


接下来我们就要进行计算，就是将要缩放的范围（通常是缩放到0-255，所以就是255-0）乘以累计比例，得到新的像素值，并将新的像素值放到对应的位置上，比如像素值为50的像素点，将其累计比例乘以255，也就是0.33乘以255得到84.15，取整后得到84，并将84放在原图像中像素值为50的地方，像素值为100、210、255的计算过程类似，最终会得到如下图所示的结果，这样就完成了最基本的直方图均衡化的过程。

dst = cv.equalizeHist(imgGray)

imgGray为需要直方图均衡化的灰度图，返回值为处理后的图像

2.3.2 对比度受限的自适应直方图均衡化

很明显，因为全局调整亮度和对比度的原因，脸部太亮，大部分细节都丢失了。自适应均衡化就是用来解决这一问题的：它在每一个小区域内（默认8×8）进行直方图均衡化。当然，如果有噪点的话，噪点会被放大，需要对小区域内的对比度进行了限制，所以这个算法全称叫：对比度受限的自适应直方图均衡化（Contrast Limited Adaptive Histogram Equalization, CLAHE)。

clahe = cv2.createCLAHE(clipLimit=None, tileGridSize=None)

• clipLimit（可选）：对比度限制参数，用于控制直方图均衡化过程中对比度增强的程度。如果设置一个大于1的值（如2.0或4.0），CLAHE会限制对比度增强的最大程度，避免过度放大噪声。如果不设置，OpenCV会使用一个默认值。
• tileGridSize（可选）：图像分块的大小，通常是一个包含两个整数的元组，如(8, 8)，表示将图像划分成8x8的小块进行独立的直方图均衡化处理。分块大小的选择会影响到CLAHE的效果以及处理速度。

创建CLAHE对象后，可以使用 .apply() 方法对图像进行CLAHE处理：

img=clahe.apply(image)

• image:要均衡化的图像。
• img均衡后的图像

案例

import cv2 as cv
import numpy as np

def draw(img, title):
    # 计算直方图
    hist = cv.calcHist([img], [0], None, [256], [0, 256])
    # 查找最大值和最小值
    minVal, maxVal, minLoc, maxLoc = cv.minMaxLoc(hist)
    # 绘制全黑直方图
    hist_img = np.zeros([256, 256, 3], np.uint8)
    hpt = int(0.9 * 256)
    for h in range(256):
        intensity = int(hist[h].item() / maxVal * hpt)
        cv.line(hist_img, (h, 256), (h, 256 - intensity), (0, 0, 255), 1)
    # 显示图像和直方图
    cv.imshow(title, img)
    cv.imshow(title + '_hist', hist_img)
    return hist  # 返回直方图数据

# 读取图像
img = cv.imread("images/zhifang.png")
if img is None:
    print("Error: Image not found or path is incorrect.")
    exit()

# 转换为灰度图
gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
# 绘制灰度图及其直方图
draw(gray, "gray")

# 直方图均衡化
equal_gray = cv.equalizeHist(gray)
draw(equal_gray, "equal_gray")

# 对比度受限的自适应直方图均衡化
clahe = cv.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8))
clahe_gray = clahe.apply(gray)
draw(clahe_gray, "clahe_gray")

# 等待并关闭窗口
cv.waitKey(0)
cv.destroyAllWindows()