OpenCV中提取目标区域并标注(python)_opencv提取目标

文末有福利领取哦~

👉一、Python所有方向的学习路线

Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

👉二、Python必备开发工具

👉三、Python视频合集

观看零基础学习视频，看视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。

👉 四、实战案例

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。（文末领读者福利）

👉五、Python练习题

检查学习结果。

👉六、面试资料

我们学习Python必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有阿里大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。

👉因篇幅有限，仅展示部分资料，这份完整版的Python全套学习资料已经上传

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

cv2.line(img, (x, y),((pt[0]),(pt[1])), (0, 0, 255),1)#画半径
text = "(" + str(pt[0]) + ", " + str(pt[1]) + ")"#添加的文字
cv2.putText(img, text, (pt[0]+10, pt[1]+10), cv2.FONT_HERSHEY_PLAIN, 1.5, (255, 255, 255), 2, 8, 0);#加坐标

print(“--------- HL分析区域并标注的测试 ---------”)
cv2.imshow(“center”, img)
cv2.waitKey(0)
cv2.destroyAllWindows()

太多库函数注释要写，放到代码里面会显得头重脚轻，索性单句拿出来一句句分析


首先运行以上代码  
 会发现这样一个错误  
 ![在这里插入图片描述](https://img-blog.csdnimg.cn/20210205105506685.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0hMX0hMVA==,size_16,color_FFFFFF,t_70)  
 值错误:没有足够的值解包(应为3，得到2)  
 OpenCV4.0的说明文档中  
 ![在这里插入图片描述](https://img-blog.csdnimg.cn/20210205150200655.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0hMX0hMVA==,size_16,color_FFFFFF,t_70)  
 我们只需把这句

contours, hierarchy = cv2.findContours(binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)

改为

image, contours, hierarchy = cv2.findContours(binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)

即加上一个参数就好


先放效果图  
 ![效果](https://img-blog.csdnimg.cn/20210205110130848.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0hMX0hMVA==,size_16,color_FFFFFF,t_70)  
 好的，下面将一些代码注释与用法总结如下


## 二、有关代码函数的注释与用法


### 1、cv2.threshold（）阈值处理

imgray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)#读取并处理为单通道图片，为后续做准备
ret, thresh = cv2.threshold(imgray, 127, 255, 0)#阈值处理

此语句的原型为



> 
> cv2.threshold (src, thresh, maxval, type)
> 
> 
> 


Attention：  
 src：源图片必须是**单通道**  
 thresh：阈值，取值范围0～255  
 maxval：填充色，取值范围0～255  
 type：阈值类型，具体见下




| 阈值 | 小于阈值的像素点 | 大于阈值的像素点 |
| --- | --- | --- |
| 0 | 置0 | 置填充色 |
| 1 | 置填充色 | 置0 |
| 2 | 保持原色 | 置灰色 |
| 3 | 置0 | 保持原色 |
| 4 | 保持原色 | 置0 |


因为要进行阈值处理，所以在前面一步需将我的彩色图片变为单通道，也就是灰色  
 为了深刻理解这个概念，运行是最直观的理解  
 代码如下：

import cv2

img = cv2.imread(‘pic.jpg’,0)#预处理变为单通道图片
cv2.imshow(‘org’,img)

运用二值化处理图片

retVal,img_after = cv2.threshold(img, 100 ,100, cv2.THRESH_BINARY)
cv2.imshow(‘org_retVal’,img_after)

print(“变化之前的图像是：\n”,img)
print(“变化之后的图像是：\n”,img_after)

cv2.waitKey(0)
cv2.destroyAllWindows()

![在这里插入图片描述](https://img-blog.csdnimg.cn/20210205134409823.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0hMX0hMVA==,size_16,color_FFFFFF,t_70)  
 可以看出，图像中像素大于100的全变成了100，这是因为阈值和填充色我选择了100，而小于100的应该变成0（由于这张图片没有小于100的…所以全为100…）  
 啊？你说无法说明？emmm那好吧，再来，观察数据，我选择设阈值为110  
 ![在这里插入图片描述](https://img-blog.csdnimg.cn/2021020513430373.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0hMX0hMVA==,size_16,color_FFFFFF,t_70)  
 这里就能充分说明了，小于110的部分已经置为0了，而大于的部分呢，都变为了100。  
 在考核题的那串代码中，我将阈值设为127，也就是中间值，而填充色设为255，形成鲜明反差，有利于后续处理。


### 2、cv2.findContours（）轮廓检测

image, contours, hierarchy = cv2.findContours(binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)

python3这里返回三个值：image,contours,hierarchy


1. image：一张二值图(binary)，但不是灰度图像,应当是黑白图，只有0和1；
2. contours：list结构，列表中每个元素代表一个边沿信息。每个元素是(x,1,2)的三维向量，x表示该条边沿里共有多少个像素点，第三维的那个“2”表示每个点的横、纵坐标；
3. hierarchy：返回类型是(x,4)的二维ndarray。x和contours里的x是一样的意思。如果输入选择cv2.RETR\_TREE，则以树形结构组织输出，hierarchy的四列分别对应下一个轮廓编号、上一个轮廓编号、父轮廓编号、子轮廓编号，该值为负数表示没有对应项；


括号中的参数我绘制了一个表格如下表：




| cv2.RETR\_EXTERNAL | 只检测外轮廓 |
| --- | --- |
| cv2.RETR\_LIST | 只检测外轮廓 |
| cv2.RETR\_CCOMP | 建立两个等级的轮廓，上面的一层为外边界，里面的一层为内孔的边界信息。（如果内孔内还有一个连通物体，这个物体的边界也在顶层） |
| cv2.RETR\_TREE | 建立一个等级树结构的轮廓 |


简单试试这个函数

import cv2

img = cv2.imread(‘pic.jpg’)
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
ret, binary = cv2.threshold(gray,127,255,cv2.THRESH_BINARY)
cv2.imshow(“img”, binary)
image,contours, hierarchy = cv2.findContours(binary,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)
cv2.drawContours(img,contours,-1,(0,0,225),1)
print(“--------- HL边缘检测的测试 ---------”)
cv2.imshow(“binary”, binary)
cv2.waitKey(0)

![在这里插入图片描述](https://img-blog.csdnimg.cn/20210205145344264.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0hMX0hMVA==,size_16,color_FFFFFF,t_70)


### 3、cv2.boundingRect©矩形边框

(x, y, w, h) = cv2.boundingRect©

矩形边框（Bounding Rectangle）是用一个最小的矩形，把找到的形状包起来。  
 在cv2.boundingRect(cnt)这个函数中


* cnt是一个轮廓点集合，也就是它的参数，可以通过cv2.findContours获取；
* 返回四个值，分别是x，y，w，h；
* x，y是矩阵左上点的坐标；
* w，h是矩阵的宽和高；

img = cv2.rectangle(img, (x, y), (x + w, y + h), (0, 255, 255), 1)

> 
> 函数原型：cv2.rectangle(img, pt1, pt2, color[, thickness[, lineType[,  
>  shift]]])
> 
> 
> 


* img：要画的圆所在的矩形或图像
* pt1：矩形左上角的点
* pt2：矩形右下角的点
* color：线条颜色，如 (0, 255, 255) 黄色，BGR
* thickness：线条宽度
* lineType：8 (or omitted) ： 8-connected line 4：4-connected line CV\_AA - antialiased line
* shift：坐标点小数点位数


### 4、cv2.moments()图像的矩


参数如下：  
 图像的矩可以帮助我们计算图像的质心，面积等  
 M = cv2.moments(cnt)  
 根据这些矩的值，我们可以计算出对象的重心：  
 cx = int(M[‘m10’]/M[‘m00’])  
 cy = int(M[‘m01’]/M[‘m00’])

pt = (int(mom[‘m10’] / mom[‘m00’]), int(mom[‘m01’] / mom[‘m00’])) # 使用前三个矩m00, m01和m10计算重心

### 5、cv2.circle（）画圆心



> 
> 函数原型：cv2.circle(img, center, radius, color[, thickness[, lineType[,  
>  shift]]])
> 
> 
> 


作用就是根据给定的圆心和半径等画圆


* img：输入的图片data
* center：圆心位置
* radius：圆的半径
* color：圆的颜色
* thickness：圆形轮廓的粗细（如果为正）。负厚度表示要绘制实心圆
* lineType： 圆边界的类型。
* shift：中心坐标和半径值中的小数位数。




**网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。**

**[需要这份系统化学习资料的朋友，可以戳这里获取](https://bbs.csdn.net/topics/618317507)**

**一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！**