利用OpenCV提取图像边缘轮廓

导入库与图像

import cv2
img = cv2.imread('路径')

1.降低图像复杂度

转灰度图像

gray_img = cv2.cvtColor(image,cv2.COLOR_BGR2GRAY)

2.去噪

高斯模糊

gauss_img = cv2.GaussianBlur(gray_img,(3,3),0)

//（ ，）为高斯核大小ksize，只能为正奇数，宽度和高度越大越模糊

中值滤波

median_img= cv2.medianBlur(gauss_img,3)

//3:ksize为内核大小，越大滤波效果越强，去噪更明显

3.二值化

固定阈值处理

适用于光照均匀的图像，处理速度快，适合简单的二值化任务

_, binary_image = cv2.threshold(median_img,127,255,cv2.THRESH_BINARY)

//-，表示忽略第一个返回值，只返回第二个，这里第一个为阈值大小，第二个为二值化后的图像
//127为阈值，灰度值低于127的像素将变为0（黑色），高于或等于127的像素变为255（白色）
//255为最大值，超过阈值将被赋予此值

自适应阈值处理

适用于光照不均匀、存在阴影或渐变光照的图像，可以更好地处理复杂的场景

thresholded = cv2.adaptiveThreshold(median_img, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY, 11, 2)

//255：二值化结果中超过阈值的像素将设置为255
//cv2.ADAPTIVE_THRESH_GAUSSIAN_C：使用高斯加权平均值计算局部阈值
每个像素的阈值是根据其邻域内像素的高斯加权平均值计算的，能够更好地处理有渐变光照的图像
//cv2.THRESH_BINARY阈值类型，这里使用二值
//11:block_size，必须是奇数，表示11x11的邻域用于计算每个像素的局部阈值
//2：该值会从计算出的平均值或加权平均值中减去，用于微调阈值

4.检测图像边缘和轮廓

Canny边缘检测

cv2.Canny(image,30,150)

//30为低阈值，150为高阈值，函数通过检测图像中的梯度强度，来识别边缘，低阈值和高阈值用来控制边缘的检测强度，边缘的像素值在这两个阈值之间时，只有当这些像素是从低到高阈值边缘的连接时，才被认为是边缘

寻找边缘

contours,_ = cv2.findContours(image.copy(),cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)

//cv2.RETR_EXTERNAL: 一种轮廓检索模式，只检索最外层的轮廓
//cv2.CHAIN_APPROX_SIMPLE: 轮廓近似方法，它只保存轮廓的拐点信息，减少内存占用
//该函数检测图像中的轮廓，返回一个列表，其中每个元素都是图像中一个轮廓的点集

5.绘制轮廓

cv2.drawContours(solved_img,contours,-1,(0,255,0),3)

//contours轮廓列表，从findContours函数获取
//-1:指示绘制所有轮廓，如果只想绘制某个特定轮廓，可以指定其索引
//(0,255,0)：颜色
//3:轮廓线条宽度

cv2.imshow('edges',edges)