OpenCV学习笔记(九)——图像轮廓(中)

最新推荐文章于 2024-08-07 10:42:36 发布
最新推荐文章于 2024-08-07 10:42:36 发布
阅读量3.2k 收藏 17
点赞数 1
分类专栏： OpenCV 文章标签： opencv 计算机视觉 python
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/cyj972628089/article/details/121725487
版权

《OpenCV轻松入门：面向Python》学习笔记(九）

1-3 查找并绘制轮廓、矩特性及Hu矩

OpenCV学习笔记(九)——图像轮廓(上)

4. 轮廓拟合

在计算轮廓时，可能并不需要实际的轮廓，而仅需要一个接近于轮廓的近似多边形。OpenCV 提供了多种计算轮廓近似多边形的方法。

4.1 矩形包围框

x,y,w,h = cv2.boundingRect( array )

  • 返回矩形边界左上角顶点的x坐标，y坐标，矩形宽度和高度。
  • 参数 array 是灰度图像或轮廓。
import cv2
import numpy as np
#---------------读取并显示原始图像------------------
o = cv2.imread('cc.bmp')
cv2.imshow("original",o)
#---------------提取图像轮廓------------------
gray = cv2.cvtColor(o,cv2.COLOR_BGR2GRAY)
ret, binary = cv2.threshold(gray,127,255,cv2.THRESH_BINARY)
image,contours, hierarchy = cv2.findContours(binary,cv2.RETR_LIST,cv2.CHAIN_APPROX_SIMPLE)
#---------------构造矩形边界------------------
x,y,w,h = cv2.boundingRect(contours[0])
brcnt = np.array([[[x, y]], [[x+w, y]], [[x+w, y+h]], [[x, y+h]]])
cv2.drawContours(o, [brcnt], -1, (255, 255,255), 2)
#---------------显示矩形边界------------------
cv2.imshow("result",o)
cv2.waitKey()
cv2.destroyAllWindows()

在这里插入图片描述

4.2 最小包围矩形框

retval =cv2.minAreaRect( points )

  • 返回值 retval 表示返回的矩形特征信息。该值的结构是(最小外接矩形的中心(x,y),(宽度,高度),旋转角度)。
  • 参数 points 是轮廓。

需要注意，返回值retval的结构不符合函数cv2.drawContours()的参数结构要求。因此，必须将其转换为符合要求的结构，才能使用。函数cv2.boxPoints()能够将上述返回值retval转换为符合要求的结构。函数cv2.boxPoints()的语法格式是：

points = cv2.boxPoints( box )

  • 返回值 points，是能够用于函数cv2.drawContours()参数的轮廓点。
  • 参数 box 是函数cv2.minAreaRect()返回值的类型的值。
import cv2
import numpy as np
o = cv2.imread('cc.bmp')
cv2.imshow("original",o)
gray = cv2.cvtColor(o,cv2.COLOR_BGR2GRAY)
ret, binary = cv2.threshold(gray,127,255,cv2.THRESH_BINARY)
image,contours, hierarchy = cv2.findContours(binary,cv2.RETR_LIST,cv2.CHAIN_APPROX_SIMPLE)
rect = cv2.minAreaRect(contours[0])
print("返回值rect:\n",rect)
points = cv2.boxPoints(rect)
print("\n 转换后的points：\n",points)
points = np.int0(points) #取整
image=cv2.drawContours(o,[points],0,(255,255,255),2)
cv2.imshow("result",o)
cv2.waitKey()
cv2.destroyAllWindows()

同时，程序还会输出如下结果：
返回值 rect:
((280.3699951171875, 138.58999633789062), (154.99778747558594,
63.78103256225586), -8.130102157592773)
转换后的 points：
[[208.16002 181.12 ]
[199.14 117.979996]
[352.57996 96.06 ]
[361.59998 159.2 ]]

在这里插入图片描述

4.3 最小包围圆形

center, radius = cv2.minEnclosingCircle( points )

  • 返回值 center 是最小包围圆形的中心。
  • 返回值 radius 是最小包围圆形的半径。
  • 参数 points 是轮廓。
import cv2
o = cv2.imread('cc.bmp')
cv2.imshow("original",o)
gray = cv2.cvtColor(o,cv2.COLOR_BGR2GRAY)
ret, binary = cv2.threshold(gray,127,255,cv2.THRESH_BINARY)
image,contours, hierarchy = cv2.findContours(binary,
cv2.RETR_LIST,
cv2.CHAIN_APPROX_SIMPLE)
(x,y),radius = cv2.minEnclosingCircle(contours[0])
center = (int(x),int(y))
radius = int(radius)
cv2.circle(o,center,radius,(255,255,255),2)
cv2.imshow("result",o)
cv2.waitKey()
cv2.destroyAllWindows()

在这里插入图片描述

4.4 最优拟合椭圆

retval = cv2.fitEllipse( points )

  • 返回值 retval 是RotatedRect 类型的值。这是因为该函数返回的是拟合椭圆的外接矩形，retval 包含外接矩形的质心、宽、高、旋转角度等参数信息，这些信息正好与椭圆的中心点、轴长度、旋转角度等信息吻合。
  • 参数 points 是轮廓。
import cv2
o = cv2.imread('cc.bmp')
gray = cv2.cvtColor(o,cv2.COLOR_BGR2GRAY)
ret, binary = cv2.threshold(gray,127,255,cv2.THRESH_BINARY)
image,contours, hierarchy = cv2.findContours(binary,cv2.RETR_LIST,cv2.CHAIN_APPROX_SIMPLE)
cv2.imshow("original",o)
ellipse = cv2.fitEllipse(contours[0])
print("ellipse=",ellipse)
cv2.ellipse(o,ellipse,(0,255,0),3)
cv2.imshow("result",o)
cv2.waitKey()
cv2.destroyAllWindows()

在这里插入图片描述

4.5 最优拟合直线

line = cv2.fitLine( points, distType, param, reps, aeps )

  • points：轮廓。
  • distType：距离类型。拟合直线时，要使输入点到拟合直线的距离之和最小，其类型如表所示。

在这里插入图片描述

  • param：距离参数，与所选的距离类型有关。当此参数被设置为0 时，该函数会自动选择最优值。
  • reps：用于表示拟合直线所需要的径向精度，通常该值被设定为0.01。
  • aeps：用于表示拟合直线所需要的角度精度，通常该值被设定为0.01。
import cv2
o = cv2.imread('cc.bmp')
cv2.imshow("original",o)
gray = cv2.cvtColor(o,cv2.COLOR_BGR2GRAY)
ret, binary = cv2.threshold(gray,127,255,cv2.THRESH_BINARY)
image,contours, hierarchy = cv2.findContours(binary,cv2.RETR_LIST,cv2.CHAIN_APPROX_SIMPLE)
[vx,vy,x,y] = cv2.fitLine(contours[0], cv2.DIST_L2,0,0.01,0.01)
lefty = int((-x*vy/vx) + y)
righty = int(((cols-x)*vy/vx)+y)
cv2.line(o,(cols-1,righty),(0,lefty),(0,255,0),2)
cv2.imshow("result",o)
cv2.waitKey()
cv2.destroyAllWindows()
4.6 最小外包三角形

retval, triangle = cv2.minEnclosingTriangle( points )

  • retval：最小外包三角形的面积。
  • triangle：最小外包三角形的三个顶点集。
  • points：轮廓。
import cv2
o = cv2.imread('cc.bmp')
cv2.imshow("original",o)
gray = cv2.cvtColor(o,cv2.COLOR_BGR2GRAY)
ret, binary = cv2.threshold(gray,127,255,cv2.THRESH_BINARY)
image,contours, hierarchy = cv2.findContours(binary,cv2.RETR_LIST,cv2.CHAIN_APPROX_SIMPLE)
area,trgl = cv2.minEnclosingTriangle(contours[0])
print("area=",area)
print("trgl:",trgl)
for i in range(0, 3):
	cv2.line(o, tuple(trgl[i][0]),tuple(trgl[(i + 1) % 3][0]), (255,255,255), 2)
cv2.imshow("result",o)
cv2.waitKey()
cv2.destroyAllWindows()

显示如下的运行结果：
area= 12904.00390625
trgl: [[[193.25641 107. ]]
[[222.58975 211. ]]
[[441.41025 107. ]]]

在这里插入图片描述

4.7 逼近多边形

approxCurve = cv2.approxPolyDP( curve, epsilon, closed )

  • approxCurve 为逼近多边形的点集。
  • curve 是轮廓。
  • epsilon 为精度，原始轮廓的边界点与逼近多边形边界之间的最大距离。
  • closed 是布尔型值。该值为True 时，逼近多边形是封闭的；否则，逼近多边形是不封闭的。

函数 cv2.approxPolyDP()采用的是Douglas-Peucker 算法(DP 算法)。以下图为例，该算法首先从轮廓中找到距离最远的两个点，并将两点相连(见（b）图)。接下来，在轮廓上找到一个离当前直线最远的点，并将该点与原有直线连成一个封闭的多边形，此时得到一个三角形，如（c）图所示。

将上述过程不断地迭代，将新找到的距离当前多边形最远的点加入到结果中。当轮廓上所有的点到当前多边形的距离都小于函数cv2.approxPolyDP()的参数epsilon 的值时，就停止迭代。最终可以得到如图12-23 的（f）图所示的处理结果。

通过上述过程可知，epsilon 是逼近多边形的精度信息。通常情况下，将该精度设置为多边形总长度的百分比形式。

在这里插入图片描述

import cv2
#----------------读取并显示原始图像-------------------------------
o = cv2.imread('cc.bmp')
cv2.imshow("original",o)
#----------------获取轮廓-------------------------------
gray = cv2.cvtColor(o,cv2.COLOR_BGR2GRAY)
ret, binary = cv2.threshold(gray,127,255,cv2.THRESH_BINARY)
image,contours, hierarchy = cv2.findContours(binary,cv2.RETR_LIST,cv2.CHAIN_APPROX_SIMPLE)
#----------------epsilon=0.1*周长-------------------------------
adp = o.copy()
epsilon = 0.1*cv2.arcLength(contours[0],True)
approx = cv2.approxPolyDP(contours[0],epsilon,True)
adp=cv2.drawContours(adp,[approx],0,(0,0,255),2)
cv2.imshow("result0.1",adp)
#----------------epsilon=0.09*周长-------------------------------
adp = o.copy()
epsilon = 0.09*cv2.arcLength(contours[0],True)
approx = cv2.approxPolyDP(contours[0],epsilon,True)
adp=cv2.drawContours(adp,[approx],0,(0,0,255),2)
cv2.imshow("result0.09",adp)
#----------------epsilon=0.055*周长-------------------------------
adp = o.copy()
epsilon = 0.055*cv2.arcLength(contours[0],True)
approx = cv2.approxPolyDP(contours[0],epsilon,True)
adp=cv2.drawContours(adp,[approx],0,(0,0,255),2)
cv2.imshow("result0.055",adp)
#----------------epsilon=0.05*周长-------------------------------
adp = o.copy()
epsilon = 0.05*cv2.arcLength(contours[0],True)
approx = cv2.approxPolyDP(contours[0],epsilon,True)
adp=cv2.drawContours(adp,[approx],0,(0,0,255),2)
cv2.imshow("result0.05",adp)
#----------------epsilon=0.02*周长-------------------------------
adp = o.copy()
epsilon = 0.02*cv2.arcLength(contours[0],True)
approx = cv2.approxPolyDP(contours[0],epsilon,True)
adp=cv2.drawContours(adp,[approx],0,(0,0,255),2)
cv2.imshow("result0.02",adp)
#----------------等待释放窗口-------------------------------
cv2.waitKey()
cv2.destroyAllWindows()

在这里插入图片描述

5. 凸包

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°。
在这里插入图片描述

5.1 获取凸包

hull = cv2.convexHull( points[, clockwise[, returnPoints]] )

  • hull：凸包角点。
  • points：轮廓。
  • clockwise：布尔型值。该值为True 时，凸包角点将按顺时针方向排列；该值为False 时，则以逆时针方向排列凸包角点。
  • returnPoints：布尔型值。默认值是True，函数返回凸包角点的x/y 轴坐标；当为False时，函数返回轮廓中凸包角点的索引。
import cv2
# --------------读取并绘制原始图像------------------
o = cv2.imread('hand.bmp')
cv2.imshow("original",o)
# --------------提取轮廓------------------
gray = cv2.cvtColor(o,cv2.COLOR_BGR2GRAY)
ret, binary = cv2.threshold(gray,127,255,cv2.THRESH_BINARY)
image,contours, hierarchy = cv2.findContours(binary,cv2.RETR_LIST,cv2.CHAIN_APPROX_SIMPLE)
# --------------寻找凸包------------------
hull = cv2.convexHull(contours[0])
# --------------绘制凸包------------------
cv2.polylines(o, [hull], True, (0, 255, 0), 2)
# --------------显示凸包------------------
cv2.imshow("result",o)
cv2.waitKey()
cv2.destroyAllWindows()

在这里插入图片描述

5.2 凸缺陷

凸包与轮廓之间的部分，称为凸缺陷。

convexityDefects = cv2.convexityDefects( contour, convexhull )

  • convexityDefects 为凸缺陷点集。它是一个数组，每一行包含的值是[起点，终点，轮廓上距离凸包最远的点，最远点到凸包的近似距离]。需要注意的是，返回结果中[起点，终点，轮廓上距离凸包最远的点，最远点到凸包的近似距离]的前三个值是轮廓点的索引，所以需要到轮廓点中去找它们。起点和终点为轮廓上最远点对应的凸包直线的起点和终点。
  • contour 是轮廓。
  • convexhull 是凸包。需要注意的是，cv2.convexityDefects()计算凸缺陷时，要使用凸包作为参数。在查找该凸包时，所使用函数cv2.convexHull()的参数returnPoints的值必须是False。
import cv2
#----------------原图--------------------------
img = cv2.imread('hand.bmp')
cv2.imshow('original',img)
#----------------构造轮廓--------------------------
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
ret, binary = cv2.threshold(gray, 127, 255,0)
image,contours, hierarchy = cv2.findContours(binary,
cv2.RETR_TREE,
cv2.CHAIN_APPROX_SIMPLE)
#----------------凸包--------------------------
cnt = contours[0]
hull = cv2.convexHull(cnt,returnPoints = False)
defects = cv2.convexityDefects(cnt,hull)
print("defects=\n",defects)
#----------------构造凸缺陷--------------------------
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,[0,0,255],2)
cv2.circle(img,far,5,[255,0,0],-1)
#----------------显示结果，释放图像--------------------------
cv2.imshow('result',img)
cv2.waitKey(0)
cv2.destroyAllWindows()

在这里插入图片描述

5.3 几何学测试
5.3.1 测试轮廓是否是凸形的

retval = cv2.isContourConvex( contour )

  • 返回值 retval 是布尔型值。该值为True 时，表示轮廓为凸形的；否则，不是凸形的。
  • 参数 contour 为要判断的轮廓。
5.3.2 点到轮廓的距离

retval = cv2.pointPolygonTest( contour, pt, measureDist )

  • contour 为轮廓。
  • pt 为待判定的点。
  • measureDist 为布尔型值，表示距离的判定方式。
    1.当值为 True 时，表示计算点到轮廓的距离。如果点在轮廓的外部，返回值为负数；如果点在轮廓上，返回值为0；如果点在轮廓内部，返回值为正数。
    2.当值为 False 时，不计算距离，只返回“-1”、“0”和“1”中的一个值，表示点相对于轮廓的位置关系。如果点在轮廓的外部，返回值为“-1”；如果点在轮廓上，返回值为“0”；如果点在轮廓内部，返回值为“1”。

6-7 利用形状场景算法比较轮廓及轮廓的特征值

OpenCV学习笔记(九)——图像轮廓(下)

卡卡南安
关注
专栏目录
基于opencv的简单图像轮廓形状识别（全网最简单最少代码）！！！
WjoKe的博客
01-27 1万+
基于opencv的简单图像轮廓形状识别**（全网最简单最少代码）！！！** 可以直接跳到最后整体代码看一看是不是很少的代码！！！！ 思路： 1. 数据的整合 2. 图片的灰度转化 3. 图片的二值转化 4. 图片的轮廓识别 5. 得到图片的顶点数 6. 依据顶点数判断图像形状 一、原数据的展示 图片文件共36个文件夹，每个文件夹有100张图片，共3600张图片。 每一个文件夹里都有形同此类的图形 二、数据的整合 对于多个文件夹，分析起来很不方便，所有决定将其都放在一个文件夹下进行分析，在python中具
OpenCV 图像轮廓处理（基础）
ZKX_ABAB的博客
06-27 293
今天简单提一下图像轮廓处理，还是老规矩，打开python,导入图片，然后读取图片转入灰度模式 随后进行阈值化处理，紧接着查图和制作凸包，最后查找凸包，并且绘制凸包的点 需要注意的就是导入图片切忌太大，不然尺寸比较难调整 放个凸包对比一下吧 这是它的原型 这是它的改变 怎么样是不是感觉特别简单，感兴趣的小伙伴可以试试看哦，我们下次再见 ...
OpenCV 轮廓基本特征
05-10 5826
一、概述        我们通过cvFindContours( )函数获取得图像轮廓有何作用呢？一般来说，我们对轮廓常用的操作有识别和处理，另外相关的还有多种对轮廓的处理，如简化或拟合轮廓，匹配轮廓到模板，等等。         我们在轮廓处理中经常需要对轮廓变化一些特征进行概括，比如长度或者一些反映轮廓整体大小的度量。另外轮廓矩也是概括轮廓的特征的重要方法。 二、常见特征函数 1、多边形
OpenCV c++
最新发布
weixin_69483988的博客
08-07 345
当关注区域是面积较小、数目较多的像素点或者点集，且区域相对集中时，如果寻找每个轮廓的外接多边形，那么结果会有较多的多边形。为了避免该情况，我们将像素点或连通域看成一个大的区域，并寻找可以包围该区域的规则图形，如三角形、圆形等。参数一：待寻找包围三角形的二维点集。返回值：string类型，解码结果。参数一：待寻找包围圆形的二维点集。参数三：经过校正和二值化的二维码。参数二、三：圆的圆心和半径。参数二：二维码四个顶点坐标。参数二：二维码四个顶点坐标。参数二：三角形顶点坐标。
2计算轮廓大小_「干货」如何使用OpenCV测量图像中物体的尺寸大小
weixin_30135925的博客
01-12 2045
首先，您需要知道类似于比例的概念称为每度量比的像素(pixels per metric ratio)。近似含义是每个单位指标中包含的像素数。例如，图表上的1厘米包含100张图像。实际上，相当于引用对象的作用，例如已知地图上的引用材质，我们可以使用此引用对象将其转换为地图上其他对象的大小。引用对象需要具有两个重要属性：属性＃1：我们应该以可测量的单位(例如毫米，英寸等)知道该对象的尺寸(在宽度或高度...
cv2.boxPoints()详解
热门推荐
Maisie_Nan的博客
04-29 4万+
获取车牌轮廓上的点集后，可用cv2.minAreaRect()获取点集的最小外接矩形。返回值rect内包含该矩形的中心点坐标、高度宽度及倾斜角度等信息，使用cv2.boxPoints()可获取该矩形的四个顶点坐标。 # 获取最小外接矩阵，中心点坐标，宽高，旋转角度 rect = cv2.minAreaRect(points) # 获取矩形四个顶点，浮点型 box = cv2.b...
Opencv学习笔记（10）——轮廓分析
secretboys的博客
01-18 1068
Opencv学习笔记（10）——轮廓 本篇文章将为进行Opencv图像处理中有关轮廓的相关知识，具体有： 1.轮廓查找(find contour in your image) 2.多边形逼近——凸包(Convex Hull) 3.轮廓几何及特性概括——轮廓周围绘制矩形框和圆形 4.图像矩(Image Moments) 5.点多边形测试 一.轮廓查找 1.相关理论知识 如上图所示，轮廓查找就是找寻图像中所存在的图像中的轮廓。 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
二值图像轮廓c语言,Opencv学习笔记（九）图像的二值化以及轮廓检测
weixin_31297157的博客
05-23 1272
图像的二值化图像的二值化就是将图像上的像素点的灰度值设置为0或255，这样将使整个图像呈现出明显的黑白效果。在数字图像处理中，二值图像占有非常重要的地位，图像的二值化使图像中数据量大为减少，从而能凸显出目标的轮廓。下面我们来介绍两种二值化的方法1.threshold首先，我们先来学习一个新函数——threshold(中文翻译为临界值,实际上也就是阈值函数)函数原型doublethreshold(I...
Opencv学习笔记(3)——图像金字塔——上采样与降采样
secretboys的博客
12-22 325
Opencv学习笔记(3)——图像金字塔——上采样与降采样 一.相干原理介绍 1.图像金字塔 我们在图像处理中常常会调整图像大小，最常见的就是放大(zoom in)和缩小（zoom out），尽管几何变换也可以实现图像放大和缩小，但是这里我们介绍图像金字塔 一个图像金字塔式一系列的图像组成，最底下一张是图像尺寸最大，最上方的图像尺寸最小，从空间上从上向下看就想一个古代的金字塔。 高斯金子塔 – 用来对图像进行降采样 拉普拉斯金字塔 – 用来重建一张图片根据它的上层降采样图片 2.高斯不同(Diff
python怎么计算图像梯度_Opencv-Python学习笔记十——图像梯度、边缘检测 Gradient, Edge Detection...
weixin_42298378的博客
02-04 942
图像梯度 边缘检测图像梯度，图像边界使用到的函数有： cv2.Sobel()， cv2.Schar()， cv2.Laplacian()梯度简单来说就是求导，OpenCV 提供了三种不同的梯度滤波器，或者说高通滤波器： Sobel，Scharr 和 Laplacian。Sobel， Scharr 其实就是求一阶或二阶导数。Scharr 是对 Sobel(使用小的卷积核求解求解梯度角度时)的优化。L...
QT+opencv学习笔记（4）——边缘检测、轮廓提取及轮廓跟踪
minghui_的博客
05-29 2万+
开发环境为：win10+QT5.8+opencv3.2      数字图像的边缘检测是图像分割、目标区域的识别、区域形状提取等图像分析领域十分重要的基础，图像分析和理解的第一步往往就是边缘检测。轮廓跟踪是获取图像的外部轮廓特征，为图像的形状分析做准备。本文主要实现图像边缘检测、轮廓提取、轮廓跟踪。一、读取图像         读取图像见QT+opencv学习笔记（1）——图像点运算，这里不再赘述。...
opencv-python 小白笔记（8）
????爱好者的博客
05-27 3196
opencv-python 小白笔记（8） 今天的全是与轮廓有关的，许多图像处理都需要用到轮廓 第七节： （一）查看鼠标事件(events = [i for i in dir(cv2) if ‘EVENT’ in i]) （二）创建鼠标事件的回调函数(cv2.setMouseCallback) （三）鼠标事件画图(自定义画图函数) （四）Trackbar的使用(cv2.getTrackbarPos,cv2.creatTrackbar) （五）图像颜色的提取 （六）提取具有单一颜色的
opencv常用API记录(python版)
Thomas_Cai的记忆殿堂
07-20 563
是OpenCV中的一个函数，用于对图像进行Laplacian滤波处理，以检测图像中的边缘。Laplacian滤波器是一种二阶微分滤波器，它对图像的二阶导数进行计算，从而凸显出图像中的边缘或颜色变化区域。高斯模糊是一种常用的图像平滑滤波方法，它利用高斯函数对图像进行加权平均，降低图像的噪声和细节。是表示旋转矩形的参数，它可以是一个元组或一个包含4个浮点数的数组，表示旋转矩形的中心点坐标、宽度、高度和旋转角度。运行代码后，你将得到一个形状为(4, 2)的NumPy数组，其中每一行表示旋转矩形的一个顶点的坐标。
2024年echarts饼图如何去掉指示线指示文字_echarts饼图去掉标签，面试必备
2401_85012069的博客
05-14 1230
legend: {data: []},series : [name: ‘访问来源’,label: {normal: {},data:[{value:335, name:‘直接访问’},{value:310, name:‘邮件营销’},{value:234, name:‘联盟广告’},{value:135, name:‘视频广告’},{value:1548, name:‘搜索引擎’}],},
python---OpenCv(二)，背景分离方法较有意思
m0_53291740的博客
06-23 1504
它返回一个Box2D结构，其中包含以下细节-(中心(x,y)，(宽度，高度)，旋转角度)。cv2.drawContours(im,[box],-1,(255,0,255),1,cv2.LINE_AA) cv2.imshow('最小外界矩形',im) cv2.waitKey(0) cv2.destroyAllWindows()·令(x，y)为矩形的左上角坐标，而(w，h)为矩形的宽度和高度。：表示结构元素的锚点位置，默认为(-1,-1)，表示结构元素的中心。返回的是构成旋转矩形的四个顶点的坐标。
关于cv2.cv.Boxpoint（）函数出错解决方法
chen645096127的博客
09-27 585
今天使用opencv运行一个脚本，但是出现cv2.cv.BoxPoints()函数有错，提示’module’ object has no attribute ‘cv’ 的错误，找了一些帖，发现最多的解决方法就是说“这是因为opencv3已经没有了cv，只能重新下载opencv2 ; ”，我就纳闷了，有新的版本不用，为什么还要下载旧的版本。有的更是建议“from cv2 import cv as c...
OpenCV：多边形逼近轮廓
GodLei1995
08-30 7487
当我们查找到一个轮廓进行形状分析时，通常需要使用多边形来逼近一个轮廓，使得顶点数变少，OpenCV的approxPolyDP函数就可以实现这个功能。 approxPolyDP函数使用了Douglas-Peucker算法： 1、先从轮廓中找出两个最远的点，将两点相连，即b-c； 2、在原来的轮廓上查找一个离线段距离最远的点，将该点加入逼近后的新轮廓中，即c-d； 3、然后重复前面的算法，不断...
opencv轮廓高级应用（轮廓匹…
Wi的专栏
12-10 2638
原文地址：opencv轮廓高级应用（轮廓匹配，几何直方图）作者：zhliangOpenCv轮廓高级应用（轮廓匹配，几何直方图）     最近再次用到了opencv轮廓，在这里结合作者冰山一角的博客（http://www.cnblogs.com/slysky/）以及自己的体会在此稍加说明。其程序主要参见冰山一角的Blog，遗憾的是代码是OpenCV1.0写的，等有时间再用2.4.2改写一篇。    
【youcans 的 OpenCV 例程200篇】199.轮廓的外接边界框
youcans的博客
06-03 1949
通过轮廓的外接矩形、外接圆或椭圆，计算几何形状的横纵比、面积、周长，可以实现特定几何形状轮廓的查找与过滤， 为后续的处理与分析筛选目标。 cv2.boundingRect, 轮廓的垂直矩形边界框 cv2.minAreaRect, 轮廓的最小矩形边界框 cv2.minEnclosingCircle, 轮廓的最小外接圆 cv2.minEnclosingTriangle, 轮廓的最小外接三角形 cv2.fitEllipse, 轮廓的拟合椭圆
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