opencv基础51-图像轮廓04-轮廓多种图形拟合讲解及示例

最新推荐文章于 2024-03-04 16:29:25 发布
最新推荐文章于 2024-03-04 16:29:25 发布
阅读量1.6k 收藏 17
点赞数 3
分类专栏： opencv 计算机视觉 人工智能 文章标签： opencv 人工智能 计算机视觉 python 图像处理
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/hai411741962/article/details/132187043
版权
人工智能 同时被 3 个专栏收录
114 篇文章 13 订阅
订阅专栏
计算机视觉
63 篇文章 8 订阅
订阅专栏
opencv
62 篇文章 42 订阅
订阅专栏

轮廓拟合（Contour Fitting）是指在图像处理中，通过一些数学模型或曲线拟合方法来近似描述图像中的轮廓。图像中的轮廓是指物体的边界，轮廓拟合可以用于提取、描述和分析物体的形状。

常用的轮廓拟合方法包括多项式拟合、贝塞尔曲线拟合、B样条曲线拟合等。这些方法可以用来找到一个与实际轮廓相符合的数学模型，从而更好地描述物体的形状。拟合后的曲线可以用于进一步的分析、测量、识别等任务。

轮廓拟合在图像处理的许多应用中都有用武之地，例如：

  1. 形状分析：通过对轮廓进行拟合，可以提取物体的形状特征，如圆形、椭圆形等。

  2. 物体检测：通过拟合物体的轮廓，可以检测出物体的存在并确定其位置。

  3. 目标跟踪：将物体的轮廓拟合到连续的图像帧中，可以实现目标的跟踪。

  4. 工业检测：在制造业中，通过拟合产品的轮廓来检测产品的形状和尺寸。

  5. 医学图像分析：在医学领域，可以通过对轮廓的拟合来测量病变的大小和形状。

  6. 计算机辅助设计：在CAD等领域，可以使用轮廓拟合来生成复杂的曲线和形状。

白话地说，轮廓拟合就是用数学上的曲线或者线条，来近似地描绘出一张图片里物体的边缘。就好像你在画画时，用一条线把物体的外形勾勒出来一样。通过这个近似的线条，我们可以更方便地分析物体的形状、大小，或者在图像中找到特定的物体。再看下面的示例图基本就明白什么是轮廓拟合了

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。

矩形包围框

函数 cv2.boundingRect()能够绘制轮廓的矩形边界。该函数的语法格式为：

retval = cv2.boundingRect( array )

式中：

  • 返回值 retval 表示返回的矩形边界的左上角顶点的坐标值及矩形边界的宽度和高度。
  • 参数 array 是灰度图像或轮廓。

该函数还可以是具有 4 个返回值的形式：

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

这里的 4 个返回值分别表示：

  • 矩形边界左上角顶点的 x 坐标。
  • 矩形边界左上角顶点的 y 坐标。
  • 矩形边界的 x 方向的长度。
  • 矩形边界的 y 方向的长度。

代码示例：显示函数 cv2.boundingRect()不同形式的返回值。

import cv2
#---------------读取并显示原始图像------------------
o = cv2.imread('cc.bmp')
#---------------提取图像轮廓------------------
gray = cv2.cvtColor(o,cv2.COLOR_BGR2GRAY)
ret, binary = cv2.threshold(gray,127,255,cv2.THRESH_BINARY)
#找到轮廓，返回的是轮廓的点集，以及它们的层次，contours是点集，hierarchy是层次，这里只有一个轮廓，所以只返回一个，用[0]取出来
contours, hierarchy = cv2.findContours(binary,cv2.RETR_LIST,cv2.CHAIN_APPROX_SIMPLE)
#---------------返回顶点及边长------------------
x,y,w,h = cv2.boundingRect(contours[0])
print("顶点及长宽的点形式:")
print("x=",x)
print("y=",y)
print("w=",w)
print("h=",h)
#---------------仅有一个返回值的情况------------------
rect = cv2.boundingRect(contours[0])
print("\n 顶点及长宽的元组（tuple）形式：")
print("rect=",rect)

运行上述程序，显示如下结果：

顶点及长宽的点形式:
x= 202
y= 107
w= 157
h= 73
顶点及长宽的元组（tuple）形式：
rect= (202, 107, 157, 73)

示例2：使用函数 cv2.drawContours()绘制矩形包围框。

代码如下：

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)
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), 1)
#---------------显示矩形边界------------------
cv2.imshow("result",o)
cv2.waitKey()
cv2.destroyAllWindows()

运行结果：

在这里插入图片描述
示例2另外一个函数的实现

示例3：使用函数 cv2.boundingRect()及 cv2.rectangle()绘制矩形包围框。

import cv2
#---------------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)
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])
cv2.rectangle(o,(x,y),(x+w,y+h),(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

最小包围矩形框

函数 cv2.minAreaRect()能够绘制轮廓的最小包围矩形框，其语法格式为：

retval =cv2.minAreaRect( points )

式中：

  • 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 )

式中：

  • 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。

示例：使用函数 cv2.minAreaRect()计算图像的最小包围矩形框。

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)
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),1)
cv2.imshow("result",o)
cv2.waitKey()
cv2.destroyAllWindows()

运行结果：

返回值 rect:
 ((280.3700256347656, 138.58999633789062), (63.781028747558594, 154.99778747558594), 81.8698959350586)

 转换后的 points：
 [[199.14005 117.98   ]
 [352.58002  96.06   ]
 [361.6     159.19998]
 [208.16003 181.12   ]]

在这里插入图片描述
从输出结果可以看出：

  • 返回值 rect 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)
  • 转换后的 points 是一些点，是能够用作函数 cv2.drawContours()参数的轮廓点。

最小包围圆形

函数 cv2.minEnclosingCircle()通过迭代算法构造一个对象的面积最小包围圆形。该函数的
语法格式为：

center, radius = cv2.minEnclosingCircle( points )

式中：

  • 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。

示例：使用函数 cv2.minEnclosingCircle()构造图像的最小包围圆形。

代码如下：

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)
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()

运行效果：
在这里插入图片描述

最优拟合椭圆

在 OpenCV 中，函数 cv2.fitEllipse()可以用来构造最优拟合椭圆。该函数的语法格式是：

retval = cv2.fitEllipse( points )

式中：

  • 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。

示例：使用函数 cv2.fitEllipse()构造最优拟合椭圆。

代码如下：

import cv2
o = cv2.imread('cc.bmp')
gray = cv2.cvtColor(o,cv2.COLOR_BGR2GRAY)
ret, binary = cv2.threshold(gray,127,255,cv2.THRESH_BINARY)
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()

运行结果：

在这里插入图片描述
同时，程序还会显示如下的运行结果：

ellipse= ((276.2112731933594, 139.6067352294922), (63.01350021362305,
166.72308349609375), 82.60102844238281)

上述运行结果中：

  • (276.2112731933594, 139.6067352294922)是椭圆的中心点。
  • (63.01350021362305, 166.72308349609375)是椭圆的轴长度。
  • 82.60102844238281 是椭圆的旋转角度。

最优拟合直线

在OpenCV 中，函数 cv2.fitLine()用来构造最优拟合直线，该函数的语法格式为：

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

式中 line 为返回值，是返回的最优拟合直线参数。
式中的参数如下：

  • 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 12- 2 所示。
  • 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。

在这里插入图片描述

示例：使用函数 cv2.fitLine()构造最优拟合直线。

代码如下：

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)
contours, hierarchy = cv2.findContours(binary,cv2.RETR_LIST,cv2.CHAIN_APPROX_SIMPLE)
rows,cols = o.shape[:2]
[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()

运行结果：
在这里插入图片描述

最小外包三角形

在 OpenCV 中，函数 cv2.minEnclosingTriangle()用来构造最小外包三角形。该函数的语法格式为：

retval, triangle = cv2.minEnclosingTriangle( points )

式中有两个返回值：

  • 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。
    式中的参数 points 是轮廓。

示例：使用函数 cv2.minEnclosingTriangle()构造最小外包三角形。

代码如下：

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)
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()

运行报错：

在这里插入图片描述
提示我们opecv4.7 这个版本里line 这个函数传入的参数值类型变了，现在的类型不支持。我们转换一下类型再试试

代码如下：

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)
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):
    original_coordinate = tuple(trgl[i][0])
    original_coordinate2 = tuple(trgl[(i + 1) % 3][0])
    # 将坐标的每个分量分别转换为整数
    x_int = int(original_coordinate[0])
    y_int = int(original_coordinate[1])
    x_int2 = int(original_coordinate2[0])
    y_int2 = int(original_coordinate2[1])
    # 将坐标转换为整数,
    coordinate_as_int = (x_int, y_int)
    coordinate_as_int2 = (x_int2, y_int2)

    cv2.line(o, coordinate_as_int, coordinate_as_int2, (255, 255, 255), 2)
cv2.imshow("result", o)
cv2.waitKey()
cv2.destroyAllWindows()

运行结果如下：

在这里插入图片描述
从上述结果可以看出：

  • 返回值 area 是最小外包三角形的面积。
  • 返回值 trgl 是最小外包三角形的三个顶点。

逼近多边形

函数 cv2.approxPolyDP()用来构造指定精度的逼近多边形曲线。该函数的语法格式为：

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

式中，返回值 approxCurve 为逼近多边形的点集。

式中的参数如下：

  • 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）。

以图 12-23 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（见图 12-23 的(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，如图 12-23 中的©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

示例：使用函数 cv2.approxPolyDP()构造不同精度的逼近多边形。

代码如下：

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)
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()

运行结果：

在这里插入图片描述
从程序运行结果可以看出，在函数 cv2.approxPolyDP()中通过参数 epsilon 可以控制逼近多边形的精度。
需要注意：本节中使用的图像都是仅有一个轮廓的图像，处理的轮廓都是 contours[0]。如果处理的原图像中有多个轮廓，则需要注意控制轮廓的索引，即 contours[i]中的 i 值，使其指向特定的轮廓。

实验原图

在这里插入图片描述

小海聊智造
关注
  • 3
    点赞
  • 踩
  • 17
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 1
    评论
专栏目录
OpenCV基础知识（8）— 图形检测（图像轮廓、轮廓拟合、Canny边缘检测和霍夫变换）
突然好想你
08-26 3065
图形检测是计算机视觉的一项重要功能，本节课就介绍如何检测图像的形状、图像所占的区域，以及如何查找图像中出现的几何图形等！
Opencv中查找轮廓，并用直线拟合，检测每个轮廓的线性程度
08-21
代码中利用canny边缘检测绘制并取得工程目录图片下的轮廓，对每个轮廓用直线进行拟合，计算每个轮廓中点到拟合直线的距离。以此来判断一个轮廓的线性程度。包括了霍夫变换检测图像中的直线和累计概率霍夫变换检测图像中的直线
OpenCV 笔记(17)：轮廓的椭圆拟合、直线拟合
Java与Android技术栈
01-14 1227
1. 椭圆拟合轮廓的椭圆拟合是指用椭圆来近似轮廓的形状。当这个椭圆的长轴和短轴相等时，它就是一个圆。椭圆拟合的基本思路是：对于给定平面上的一组样本点，寻找一个椭圆，使其尽可能接近这些样本点。也就是说，将图像中的一组数据以椭圆方程为模型进行拟合，使某一椭圆方程尽量满足这些数据，并求出该椭圆方程的各个参数。椭圆拟合有以下几种常用方法：最小二乘法：最小二乘法是基于最小化拟合误差的思想，通过迭代的方法求...
opencv(38) 图像轮廓之七：椭圆拟合和直线拟合
luyouqi11的博客
07-26 1656
椭圆拟合法的基本思路是：对于给定平面上的一组样本点，寻找一个椭圆，使其尽可能接近这些样本点。也就是说，将图像中的一组数据以椭圆方程为模型进行拟合，使某一椭圆方程尽量满足这些数据，并求出该椭圆方程的各个参数。就椭圆拟合而言，就是先假设椭圆参数，得到每个待拟合点到该椭圆的距离之和，也就是点到假设椭圆的误差，求出使这个和最小的参数。在OpenCV中，函数cv2.fitEllipse()可以用来构建最优拟合椭圆，还可以在返回值内分别返回椭圆的中心点，轴长，旋转角度信息。
OpenCV | 直线拟合fitline函数(Python)
最新发布
技术联盟
03-04 932
之前做直线拟合时，自己写了一个利用最小二乘做直线拟合的程序，但是由于直线检测的误差比较大，拟合的效果并不好。个人不知道是什么原因，因此想尝试更改一下直线拟合的算法，后来找到了OpenCV中的fitline函数，也是一个距离最小化函数，它完全包含了最小二乘法。output ： 对于二维直线，输出output为4维，前两维代表拟合出的直线的方向，后两位代表直线上的一点。注意，这里是N条直线的直线拟合，拟合思路为提取N条直线的坐标点，然后进行点的直线拟合。这里，data_line1 表示直线检测出的直线的数据。
轮廓匹配、识别
leoking01的专栏
10-21 8579
OpenCv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。 对于轮廓的相关数据结构表示和几本操作（查找轮廓，画轮廓），可参见前面两片关于轮廓的例程，在这里不多讲。 对于查找轮廓我们一般要对图像Canny检测。但是对于很特殊的场合其实我们...
fitContours_opencv_图像轮廓提取_图像轮廓拟合_
09-29
对二值图像进行轮廓提取，并针对每个轮廓进行拟合
opencv--轮廓拟合函数 boundingRect(),minAreaRect(),minEnclosingCircle(),fitEllipse(),fitLine()
热门推荐
ChenWenHaoHaoHao的博客
01-04 1万+
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。
opencv入门：轮廓拟合
AI路漫漫
09-22 6279
矩形包围框，最小矩形包围框，最小包围圆形，最优拟合椭圆，最优拟合圆形，最小外包三角形，逼近多边形
OpenCV4学习笔记（26）——轮廓拟合直线、寻找极值点、点多边形检测
邱小兵的博客
03-15 6778
今天周日终于是没课的一天，所以兴致勃勃的开始学习图像的特征提取及描述这方面的内容，然后肝了一天，才研究了级联检测器和一些特征提取描述算法的皮毛层次的内容。。。而且ORB特征算法虽然在OpenCV里有封装好了的检测器，可是其内部包含了很多特征检测的知识，甚至提取特征和描述特征都使用了其他不同的特征算法相结合，深入点拆解开来研究的话这个内容真是不少的。。。搞到晚上十点多才有时间来整理下之前的笔记，唯一...
OpenCV_11 轮廓检测：图像的轮廓+绘制轮廓+轮廓近似+边界矩形+椭圆拟合+直线拟合
justin18chan的博客
11-23 1881
图像的轮廓轮廓是图像目标的外部特征，是具有相同的颜色或者灰度的连续点连成的曲线。查找轮廓：cv.findContours()注意：轮廓的检索方式，近似方式以及轮廓的层次;绘制轮廓：cv.drawContours()轮廓的特征面积：ContourArea()周长：ArcLength()轮廓近似：approxPolyDP() 逼近图像的多边形曲线凸包：ConvexHull()边界矩形：BoundingRect()和MinAreaRect()
OpenCV函数查询中文手册
11-24
OpenCV函数查询中文手册
图像细化+轮廓骨线提取+opencv3.1.0+Zhang-Suen算法
01-03
1、A Fast Parallel Algorithm for Thinning Digital Patterns 一种用于细化数字图案的快速并行算法 2、基于C++和opencv3.1.0实现，可直接运行 3、输入前景黑、背景白时，二值化参数 cv::threshold(gray, binary, 40, 255, cv::THRESH_BINARY_INV); 输入前景白、背景黑时，二值化参数 cv::threshold(gray, binary, 40, 255, cv::THRESH_BINARY);
opencv基础
12-25
opencv基础知识总结，包括opencv的基本知识基础，以及代码应用
python-opencv获取二值图像轮廓及中心点坐标的代码
09-18
今天小编就为大家分享一篇python-opencv获取二值图像轮廓及中心点坐标的代码，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
python-opencv在有噪音的情况下提取图像的轮廓实例
09-21
下面小编就为大家带来一篇python-opencv在有噪音的情况下提取图像的轮廓实例。小编觉得挺不错的，现在就分享给大家，也给大家做个参考。一起跟随小编过来看看吧
基于opencv颜色识别 - 图像(普通轮廓)
12-21
正在学习opencv，自己写了一个简单的颜色识别程序，根据阈值筛选出颜色，再绘制该颜色的图像轮廓
C++ - Qt - opencv - 图像分割 - 种子提取 - 特征提取
05-14
C++ - Qt - opencv - 种子提取 - 特征提取 1.代码+算法原理文档 + 界面集成 2.C++通过图像处理算法进行种子分割，并以其轮廓特征进行特征提取和评价
C++ - opencv - 图像增强 - 文本图像增强
05-14
C++ - opencv - 图像增强 - 文本图像增强： 1.代码+算法原理文档 2.opencv通过图像处理算法对文本图像进行增强
opencv-mingw-build-opencv-4.5.5-x64
11-11
opencv-mingw-build-opencv-4.5.5-x64 是一个用于在 Windows 平台上构建 OpenCV 4.5.5 版本的 Mingw 工具链的项目。OpenCV 是一个用于计算机视觉和图像处理的开源库，通过 opencv-mingw-build-opencv-4.5.5-x64，用户可以使用 Mingw 工具链轻松地在 Windows 环境下构建 OpenCV 库。 这个项目的目的是为了简化在 Windows 上使用 Mingw 工具链构建 OpenCV 库的流程，使用户能够更容易地从源代码自行构建 OpenCV 库。Mingw 工具链是一个开源的软件开发工具集，它可以在 Windows 平台上用来编译和链接程序，并且兼容大多数的 Unix/Linux 工具链。通过 opencv-mingw-build-opencv-4.5.5-x64，用户可以使用 Mingw 工具链来构建 OpenCV 库，而不需要依赖于其他工具链或者第三方库。这样可以使得 Windows 环境下的开发者更加便利地使用 OpenCV 进行图像处理和计算机视觉的开发工作。 在使用 opencv-mingw-build-opencv-4.5.5-x64 时，用户需要按照项目的文档指引来配置和构建 OpenCV 库，同时确保配置的正确性和对应的依赖库已安装。通过这个项目，用户可以获得一个经过 Mingw 工具链构建的 OpenCV 库，可以直接在 Windows 环境下进行开发和部署应用程序。这对于需要在 Windows 平台上进行计算机视觉和图像处理开发的用户来说，是一个非常有价值的工具和资源。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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

打赏作者

小海聊智造

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