（转载）Python图像处理（7）：利用轮廓分块处理

快乐虾

http://blog.csdn.net/lights_joy/

欢迎转载，但请保留作者信息

在得到绿色植物的前景图像后，我们希望能够进一步标识出其中的棉花植株和杂草。测试图像仍然是它：

首先要做的当然是对图像进行分区域处理。在上一步中我们得到了标识绿色植物的二值图像，一个很自然的想法是利用此二值图像的轮廓进行分块。

[python] view plain copy

1. # 获取轮廓，我们的目的是分块，因此只使用外层轮廓，使用点序列的形式  
2. bin_img_save = np.copy(bin_img)  
3. (contoures, hierarchy) = cv2.findContours(bin_img_save, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)  

这里需要注意的是，在使用findContours函数前必须将图像复制一份，否则此函数将改变传入的图像数据。

计算的结果居然有49个区域，对于太小的区域其实我们并不关心，我们计算区域面积并从大到小进行排序。OpenCV提供了两个排序函数，sort和sortIdx，其中sort可以得到排序后的值数组，而sortIdx能够得到这些值在原数组中的序号，因而这里使用sortIdx。

[python] view plain copy

1. # 按面积排序  
2. areas = np.zeros( len(contoures) )  
3. idx = 0  
4. for cont in contoures :   
5.     areas[idx] = cv2.contourArea(cont)  
6.     idx = idx + 1  
7. areas_s = cv2.sortIdx(areas, cv2.SORT_DESCENDING | cv2.SORT_EVERY_COLUMN)  

然后处理面积大于100的区域：

[python] view plain copy

1. (b8, g8, r8) = cv2.split(src)  
2.   
3. # 对每个区域进行处理  
4. for idx in areas_s :  
5.     if areas[idx] < 100 :  
6.         break  
7.   
8.     # 绘制区域图像，通过将thickness设置为-1可以填充整个区域，否则只绘制边缘  
9.     poly_img = np.zeros( bin_img.shape, dtype = np.uint8 )  
10.     cv2.drawContours(poly_img, contoures, idx, [255,255,255], -1)  
11.     poly_img = poly_img & bin_img  
12.   
13.     # 得到彩色的图像  
14.     color_img = cv2.merge([b8 & poly_img, g8 & poly_img, r8 & poly_img])  
15.   
16.     cv2.imshow('poly_img', color_img)  
17.     cv2.waitKey()  

目前我们仅仅是显示这块区域的彩色图像。最后得到这样的结果：

我们需要正确标识这两块区域是棉花还是杂草。

版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/lights_joy/article/details/46368197