图形检测部分

最新推荐文章于 2024-05-21 14:57:53 发布

齐喾

最新推荐文章于 2024-05-21 14:57:53 发布

阅读量162

点赞数

分类专栏：计算机视觉文章标签： opencv 计算机视觉人工智能

本文链接：https://blog.csdn.net/m0_73815298/article/details/129805464

版权

计算机视觉专栏收录该内容

5 篇文章 0 订阅

订阅专栏

本文章学习路径--《python opencv 从出门到精通》--明日科技

1.检测部分

图像轮廓是指图像中图形或物体外边缘线条，简单的几何图形是由线条构成的，而不规则图形是由许多点构成，所以识别起来比较困难

contours,hierarchy=cv.findContours(image, mode, method, contours, hierarchy)

image:被检测的图像，必须是8位单通道二值图像

mode:轮廓索引

cv.RETR_EXTERNAL#只检测外轮廓
cv.RETR_LIST#检测所有轮廓，但不建立层次关系
cv.RETR_CCOMP#检测所有轮廓，并建立关系
cv.RETR_TREE#检测所有外轮廓，并建立树状结构的层次关系

method:检测轮廓时用到的方法

cv.CHAIN_APPROX_NONE#存储轮廓上的所有点
cv.CHAIN_APPROX_SIMPLE#只保存水平，垂直或对角线轮廓的端点
cv.CHAIN_APPROX_TC89_L1#Ten-chinl近似算法中的一种
cv.CHAIN_APPROX_TC89_KCOS#Ten_chinl近似算法中的一种

contours:检测出来的所有轮廓list类型

hierarchy:轮廓之间的层次关系

2.绘画部分

img=drawContours(image, contours, contourIdx, color, thickness,lineType, hierarchy,maxLevel, offset)

image:被绘制的原始图像

contours:findContours()方法返回得出的轮廓列表

contourIdx:绘制轮廓索引，如果值为-1则绘制所有轮廓

color: 绘制的颜色bgr

thickness:画笔粗细程度，如果该值为-1，则绘制实心轮廓

lineType:绘制轮廓线性

hierarchy:层次关系

maxLevel:findContours:绘制轮廓的层次深度，最深绘制第maxLevel层

import cv2 as cv
img=cv.imread(r'img/jmh/cat.jpg')
gray=cv.cvtColor(img,cv.COLOR_BGR2GRAY)#转化为灰度图
t,binary=cv.threshold(gray,127,255,0,cv.THRESH_BINARY)#将灰度图转化为二值图像
t1,t2=cv.findContours(binary,cv.RETR_TREE,cv.CHAIN_APPROX_NONE)#检测所有外轮廓，并建立树状结构的层次关系,只保存水平，垂直或对角线轮廓的端点
img2=cv.drawContours(img,t1,-1,(0,0,255),5)
cv.imshow('img',img)
cv.waitKey()

详细

使用

contours, hierarchy = cv2.findContours(binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE) cv2.drawContours(img, contours, -1, (0, 0, 255), 5)

drawContours方法的第三个参数可以指定绘制那个索引轮廓，索引的顺序由轮廓的检索模式决定，如cv2.RETR_EXTERNAL模式下绘制索引为0时的轮廓如下所示：

cv2.RETR_CCOMP模式下绘制索引为0的轮廓的关键代码如下：

contours, hierarchy = cv2.findContours(binary, cv2.RETR_CCOMP, cv2.CHAIN_APPROX_NONE)

cv2.drawContours(img, contours, 0, (0, 0, 255), 5)

contours, hierarchy = cv2.findContours(binary, cv2.RETR_CCOMP, cv2.CHAIN_APPROX_NONE)

cv2.drawContours(img, contours, 1, (0, 0, 255), 5)

contours, hierarchy = cv2.findContours(binary, cv2.RETR_CCOMP, cv2.CHAIN_APPROX_NONE)

cv2.drawContours(img, contours, 2, (0, 0, 255), 5)

contours, hierarchy = cv2.findContours(binary, cv2.RETR_CCOMP, cv2.CHAIN_APPROX_NONE)

cv2.drawContours(img, contours, 3, (0, 0, 255), 5)

花朵图像绘制轮廓，首先要降低图像中的噪声干扰，进行滤波处理，然后将图像处理成二值灰度图像，并检测出轮廓，最后利用绘制轮廓的方法在原始图像中绘制轮廓

import cv2
img = cv2.imread("flower.png")  # 读取原图
cv2.imshow("img", img)  # 显示原图
img = cv2.medianBlur(img, 5)  # 使用中值滤波去除噪点
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)  # 原图从彩图变成单通道灰度图像
t, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)  # 灰度图像转化为二值图像
cv2.imshow("binary", binary)  # 显示二值化图像
# 获取二值化图像中的轮廓极轮廓层次数据
contours, hierarchy = cv2.findContours(binary, cv2.RETR_LIST, cv2.CHAIN_APPROX_NONE)
cv2.drawContours(img, contours, -1, (0, 0, 255), 2)  # 在原图中绘制轮廓
cv2.imshow("contours", img)  # 显示绘有轮廓的图像
cv2.waitKey()  # 按下任何键盘按键后
cv2.destroyAllWindows()  # 释放所有窗体

3.轮廓拟合

1.矩形包围框

矩形包围框是指图像轮廓的最小矩形边界CV提供的 boundingRect()方法可以自动计算轮廓最小矩形边界的坐标、宽和高。 boundingRect()方法的语法如下：

retval = cv2.boundingRect (array)

array：轮廓数组

retval：元组类型，包含4个整数值，分别是最小矩形包围框的：左上角顶点的横坐标、左上角顶点的纵坐标、矩形的宽和高。所以也可以写成x, y, w, h = cv2.boundingRect (array)的形式。

import cv2
img = cv2.imread("shape2.png")  # 读取原图
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)  # 从彩色图像变成单通道灰度图像
# 将灰度图像进行二值化阈值处理
t, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
# 获取二值化图像中的轮廓极轮廓层次数据
contours, hierarchy = cv2.findContours(binary, cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)
x, y, w, h = cv2.boundingRect(contours[0])  # 获取第一个轮廓的最小矩形边框，记录坐标和宽高
cv2.rectangle(img, (x, y), (x + w, y + h), (0, 0, 255), 2)  # 绘制红色矩形
cv2.imshow("img", img)  # 显示绘制结果
cv2.waitKey()  # 按下任何键盘按键后
cv2.destroyAllWindows()  # 释放所有窗体

2.圆形包围框

圆形包围框与矩形包围框一样，是图像轮廓的最小圆形边界。

CV提供的minEnclosingCircle ()方法可以自动计算轮廓最小圆形边界的圆心和半径。minEnclosingCircle()方法的语法如下:

center, radius = cv2.minEnclosingCircle(points)

points：轮廓数组

center：元组类型，包含2个浮点值，是最小圆形包围框圆心的横坐标和纵坐标.

radius：浮点类型，最小圆形包围框的半径

import cv2
img = cv2.imread("shape2.png")  # 读取原图
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)  # 从彩色图像变成单通道灰度图像
# 将灰度图像进行二值化阈值处理
t, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
# 获取二值化图像中的轮廓极轮廓层次数据
contours, hierarchy = cv2.findContours(binary, cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)
center, radius = cv2.minEnclosingCircle(contours[0])  # 获取最小圆形边框的圆心点和半径
x = int(round(center[0]))  # 圆心点横坐标转为近似整数round用于近似操作,(四舍五入)
y = int(round(center[1]))  # 圆心点纵坐标转为近似整数
cv2.circle(img, (x, y), int(radius), (0, 0, 255), 2)  # 绘制圆形
cv2.imshow("img", img)  # 显示绘制结果
cv2.waitKey()  # 按下任何键盘按键后
cv2.destroyAllWindows()  # 释放所有窗体

4.凸包

矩形包围框和圆形包围框，这2种包围框虽然已经逼近了图形的边缘，但这种包围框为了保持几何形状，与图形的真实轮廓贴合度较差。如果能找出图形最外层的端点，将这些端点连接起来，就可以围出一个包围图形的最小包围框，这种包围框叫凸包，凸包是最逼近轮廓的多边形，凸包的每一处都是凸出来的，也就是任意3个点组成的内角均小于180°。

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

points：轮廓数组.

clockwise：可选参数，布尔类型。当该值为True时，凸包中的点按顺时针排列，为False时按逆时针排列.

returnPoints：可选参数，布尔类型。当该值为True时返回点坐标，为False时返回点索引。默认值为True.

hull：凸包的点阵数组。

实例代码如下：

import cv2
img = cv2.imread("shape2.png")  # 读取原始图像
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)  # 转为灰度图像
ret, binary = cv2.threshold(gray, 127, 225, cv2.THRESH_BINARY)  # 二值化阈值处理
# 检测图像中出现的所有轮廓
contours, hierarchy = cv2.findContours(binary, cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)
hull = cv2.convexHull(contours[0])  # 获取轮廓的凸包
cv2.polylines(img, [hull], True, (0, 0, 255), 2)  # 绘制凸包
cv2.imshow("img", img)  # 显示图像
cv2.waitKey()  # 按下任何键盘按键后
cv2.destroyAllWindows()  # 释放所有窗体

4.Canny边缘检测

Canny边缘检测算法是根据像素的梯度变化寻找图像边缘，最终可以绘制十分精细的二值边缘图像。

该方法的语法如下： edges = cv2.Canny(image, threshold1, threshold2, apertureSize, L2gradient)

image：检测的原始图像。

threshold1：计算过程中使用的第一个阈值，可以是最小阈值，也可以是最大阈值，通常用来设置最小阈值。

threshold2：计算过程中使用的第二个阈值，通常用来设置最大阈值。

apertureSize：可选参数，Sobel算子的孔径大小。

L2gradient：可选参数，计算图像梯度的标识，默认值为 False。值为True时采用更精准的算法进行计算。

edges：计算后得出的边缘图像，是一个二值灰度图像。

在开发过程中可以通过调整最小阈值和最大阈值控制边缘检测的精细程度。当2个阈值都较小时，检测出较多的细节；当2个阈值都较大时，忽略较多的细节。

import cv2
img = cv2.imread("flower.png")  # 读取原图
r1 = cv2.Canny(img, 10, 50) # 使用不同的阈值进行边缘检测
r2 = cv2.Canny(img, 100, 200)
r3 = cv2.Canny(img, 400, 600)
cv2.imshow("img", img)  # 显示原图
cv2.imshow("r1", r1)  # 显示边缘检测结果
cv2.imshow("r2", r2)
cv2.imshow("r3", r3)
cv2.waitKey()  # 按下任何键盘按键后
cv2.destroyAllWindows()  # 释放所有窗体
#阈值越小细节越多

5.霍夫变换

霍夫变换是一种特征检测，通过算法识别图像的特征，从而判断图像中的特殊形状，例如直线和圆。

霍夫直线变换是通过霍夫坐标系的直线与笛卡儿坐标系的点之间的映射关系来判断图像中的点是否构成直线。

OpenCV将此算法封装成两个方法，分别是cv2.HoughLines()和cv2.HoughLinesP()，前者用于检测无限延长的直线，后者用于检测线段。HoughLinesP()方法。 HoughLinesP()方法名称最后有一个大写的P，该方法只能检测二值灰度图像，也就是只有两种像素值的黑白图像。该方法最后把找出的所有线段的两个端点坐标保存成一个数组。

(1).直线检测

lines = cv2.HoughLinesP(image, rho, theta, threshold, minLineLength, maxLineGap)

image：检测的原始图像。

rho：检测直线使用的半径步长，值为1时，表示检测所有可能的半径步长。

theta：搜索直线的角度，值为π/180°时，表示检测所有角度。

threshold：阈值，该值越小，检测出的直线就越多。

minLineLength：线段的最小长度，小于该长度的线段不记录到结果中。

maxLineGap：线段之间的最小距离.

lines：一个数组，元素为所有检测出的线段，每条线段是一个数组，代表线段两个端点的横、纵坐标，格式为[[[x1, y1, x2, y2], [x1, y1, x2, y2]]]。

注意:使用该方法前应该为原始图像进行降噪处理，否则会影响检测结果。

具体代码如下：

import cv2
import numpy as np
img = cv2.imread("pen.jpg")  # 读取原图
o = img.copy()  # 复制原图
o = cv2.medianBlur(o, 5)  # 使用中值滤波进行降噪
gray = cv2.cvtColor(o, cv2.COLOR_BGR2GRAY)  # 从彩色图像变成单通道灰度图像
binary = cv2.Canny(o, 50, 150)  # 绘制边缘图像
# 检测直线，精度为1，全角度，阈值为15，线段最短100，最小间隔为18
lines = cv2.HoughLinesP(binary, 1, np.pi / 180, 15, minLineLength=100, maxLineGap=18)
for line in lines:  # 遍历所有直线
    x1, y1, x2, y2 = line[0]  # 读取直线两个端点的坐标
    cv2.line(img, (x1, y1), (x2, y2), (0, 0, 255), 2)  # 在原始图直像上绘制线
cv2.imshow("canny", binary)  # 显示二值化边缘图案
cv2.imshow("img", img)  # 显示绘制结果
cv2.waitKey()  # 按下任何键盘按键后
cv2.destroyAllWindows()  # 释放所有窗体

(2).圆环检测

霍夫圆环变换的原理与霍夫直线变换类似。

OpenCV提供的 HoughCircles()方法用于检测图像中的圆环，该方法在检测过程中进行两轮筛选：

第一轮筛选找出可能是圆的圆心坐标，第二轮筛选计算这些圆心坐标可能对应的半径长度。

该方法最后将圆心坐标和半径封装成一个浮点型数组。

circles = cv2.HoughCircles(image, method, dp, minDist, param1, param2, minRadius, maxRadius)

image：检测的原始图像。

method：检测方法，OpenCV 4.0.0及以前版本仅提供了 cv2.HOUGH_GRADIENT作为唯一可用方法。

dp：累加器分辨率与原始图像分辨率之比的倒数。值为1 时，累加器与原始图像具有相同的分辨率；值为2时，累加器的分辨率为原始图像的1/2。通常使用1作为参数。

minDist：圆心之间的最小距离。

param1：可选参数，Canny边缘检测使用的最大阈值。

param2：可选参数，检测圆环结果的投票数。第一轮筛选时投票数超过该值的圆环才会进入第二轮筛选。值越大，检测出的圆环越少，但越精准。

minRadius：可选参数，圆环的最小半径。

maxRadius：可选参数，圆环的最大半径。

circles：一个数组，元素为所有检测出的圆环，每个圆环也是一个数组，内容为圆心的横、纵坐标和半径长度，格式为：[[[x1 ,y1, r1], [x2 ,y2, r2]]]。

import cv2
import numpy as np
img = cv2.imread("coin.jpg")  # 读取原图
o = img.copy()  # 复制原图
o = cv2.medianBlur(o, 5)  # 使用中值滤波进行降噪
gray = cv2.cvtColor(o, cv2.COLOR_BGR2GRAY)  # 从彩色图像变成单通道灰度图像
# 检测圆环，圆心最小间距为70，Canny最大阈值为100，投票数超过25。最小半径为10，最大半径为50
circles = cv2.HoughCircles(gray, cv2.HOUGH_GRADIENT, 1, 70, param1=100, param2=25, minRadius=10, maxRadius=50)
circles = np.uint(np.around(circles))  # 将数组元素四舍五入成整数
for c in circles[0]:  # 遍历圆环结果
    x, y, r = c  # 圆心横坐标、纵坐标和圆半径
    cv2.circle(img, (x, y), r, (0, 0, 255), 3)  # 绘制圆环
    cv2.circle(img, (x, y), 2, (0, 0, 255), 3)  # 绘制圆心
cv2.imshow("img", img)  # 显示绘制结果
cv2.waitKey()  # 按下任何键盘按键后
cv2.destroyAllWindows()  # 释放所有窗体