opencv--python学习记录（八）

大大大大涛QAQ

于 2023-05-01 17:32:22 发布

阅读量140

点赞数

文章标签： opencv 学习计算机视觉

本文链接：https://blog.csdn.net/qq_29969657/article/details/130425914

版权

一、图像轮廓

1、图像轮廓的概述

具有相同颜色或者强度的连续点的曲线，

轮廓的作用：可以用于图像的分析；可以用于物体的识别和检测；

需要注意的地方：为了检测的准确性，需要先对图像进行二值化或Canny的操作；画轮廓时会修改输入图像，一般使用黑底白物；

2、轮廓查找的API

（1）findContours（img， mode， ApproximationMode，.....）-->contours,herarchy

首先介绍mode：

ApproximationMode的介绍：常见的两个

轮廓查找的流程如下：

import cv2
import numpy as np 

#读取文件
img = cv2.imread("F:\\tupian\\contours1.jpeg")
print(img.shape)

#转化为单通道
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
print(gray.shape)

#二值化
ret, binary = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY)
print(binary.shape)

#轮廓查找
contours, hierarchy = cv2.findContours(binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
print(contours)

cv2.imshow('img',img)
cv2.imshow('binary',binary)
cv2.waitKey(0)

cv2.destroyAllWindows()

3、绘制轮廓

API：drawContours（img， contours， contourIdx, color, thickness....）

contourIdx, 绘制哪些轮廓，-1表示绘制所有轮廓；

thickness：线宽，-1表示全部填充；

import cv2
import numpy as np 

#读取文件
img = cv2.imread("F:\\tupian\\contours1.jpeg")
print(img.shape)

#转化为单通道
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
print(gray.shape)

#二值化
ret, binary = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY)
print(binary.shape)

#轮廓查找
contours, hierarchy = cv2.findContours(binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
print(contours)

#绘制轮廓在img上
cv2.drawContours(img, contours, -1, (0,0,255), 1)

cv2.imshow('img',img)
cv2.imshow('binary',binary)
cv2.waitKey(0)

cv2.destroyAllWindows()

4、轮廓的面积和周长

面积 API:contourArea（contour）

周长 API：arcLength（curve， closed）

curve是轮廓，closed是否闭合；

#计算面积周长
area = cv2.contourArea(contours[0])
print ("area=%d"%(area))
len = cv2.arcLength(contours[0], True)
print ("len= %d"%len)

5、多边形逼近与凸包

保存正常手型的存储数据量很大，如果利用多边形逼近与凸包的方法减少不必要的存储，

（1）多边形逼近API：approxPolyDP：（curve， epsilon， closed）

curve轮廓； epsilon精度； closed是否闭合

（2）凸包：convexHull：（points， clockwise，....）

points轮廓， clockwise顺时针绘制

import cv2
import numpy as np 

def drawShape(src, points):
    i = 0
    while i < len(points):

        if(i == len(points) - 1):
            x,y = points[0][0]
            x1,y1 = points[0][0]
            cv2.line(src, (x,y),(x1,y1),(0,0,255), 2)
        else:
            x,y = points[i][0]
            x1,y1 = points[i+1][0]
            cv2.line(src, (x,y),(x1,y1),(0,0,255), 2)
        i = i + 1

#读取文件
img = cv2.imread("F:\\tupian\\hand.png")
# print(img.shape)

#转化为单通道
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# print(gray.shape)

#二值化
ret, binary = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY)
# print(binary.shape)

#轮廓查找
contours, hierarchy = cv2.findContours(binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
# print(contours)

#绘制轮廓在img上
cv2.drawContours(img, contours, -1, (0,255,0), 2)

#计算面积周长
# area = cv2.contourArea(contours[0])
# print ("area=%d"%(area))
# len = cv2.arcLength(contours[0], True)
# print ("len= %d"%len)

e = 10
approx = cv2.approxPolyDP(contours[0], e, True)
print(approx[0][0])

drawShape(img, approx)

hull = cv2.convexHull(contours[0])
drawShape(img,hull)

cv2.imshow('img',img)
cv2.imshow('binary',binary)
cv2.waitKey(0)

cv2.destroyAllWindows()

6、外接矩阵

外接矩阵分为最大外接矩阵（绿色）和最小外接矩阵（红色）

（1）最小外接矩阵API：minAreaRect( points#轮廓 ) --->RotatedRect

RotatedTRect包括x,y，width，height，angle；

（2）最大外接矩阵API：boundingRect( array#轮廓 ) -- >Rect

此API返回四个值x,y，width，height

r= cv2.minAreaRect(contours[1])
box = cv2.boxPoints(r)
box = np.int0(box)
cv2.drawContours(img, [box],0,(0,0,255),2)

x,y,w,h= cv2.boundingRect(contours[1])
cv2.rectangle(img, (x,y), (x+w,y+h),(255,0,0),2)

二、 opencv特征检测

1、应用场景

① 图片搜索，以图搜图；取出特征点再搜索相同特征点

② 拼图游戏，将图片拆分，进行分类查找特征；方法是：寻找特征点，特征是唯一的，可追踪的，能比较的；

③ 图像拼接，将两长有关联的图拼接到一起，比如全景图像；

特征的定义：

角点：特征中最重要的就是角点；灰度梯度的最大值对应的像素；两条线的交点；极值点（一阶导最大值，但二阶导为0）

2、Harris角点检测

API：cornerHarris（img， dst， blockSize， ksize, k ）

blockSize检测窗口的大小；

k是权重系数，一般取0.02~0.04之间

import cv2 
import numpy as np

blockSize = 2
ksize = 3
k = 0.04

img = cv2.imread("F:\\tupian\\chess.jpeg")
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

#角点检测
dst = cv2.cornerHarris(gray, blockSize, ksize, k)

#角点展示
img[dst>0.01*dst.max()] = [0,0,255]

cv2.imshow('img', img)
cv2.waitKey(0)

3、Shi-Tomasi角点检测

Shi-Tomasi角点检测是对Harris角点检测的调整改进，解决了Harris的k值需要根据不同图片调整的问题；

API：goodFeaturesToTrack(img , maxCorners, .......)

import cv2 
import numpy as np

# blockSize = 2
# ksize = 3
# k = 0.04

maxCorners = 1000
ql = 0.01
minDistance = 10

img = cv2.imread("F:\\tupian\\chess.jpeg")
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

#角点检测
corners = cv2.goodFeaturesToTrack(gray, maxCorners, ql, minDistance)

corners = np.int0(corners)

#角点展示
for i in corners:
    x,y = i.ravel()
    cv2.circle(img, (x,y), 3,(255,0,0), -1)

cv2.imshow('img', img)
cv2.waitKey(0)

4、SIFT（与缩放无关的特征转换）

Harris角点具有旋转不变的特性，但是缩放后，原来的角点有可能就不是角点了

版本问题：自从OpenCV 4.5版本起，SIFT和SURF算法不再默认包含在OpenCV中，这是因为它们基于专利算法。如果您正在使用OpenCV 4.5或更高版本，则需要手动编译OpenCV并启用SIFT模块。surf同样。

5、ORB

ORB可以实时检测，

import cv2
import numpy as np 

img = cv2.imread("F:\\tupian\\chess.jpeg")
gray = cv2.cvtColor(img , cv2.COLOR_BGR2GRAY)

#创建ORB对象
orb = cv2.ORB_create()

#进行orb检测
kp, des = orb.detectAndCompute(gray, None)

cv2.drawKeypoints(gray, kp, img)

cv2.imshow('iomg',img)
cv2.waitKey(0)

三、特征匹配

1、暴力特征匹配

import cv2
import numpy as np 

img1 = cv2.imread("F:\\tupian\\opencv_search.png")
img2 = cv2.imread("F:\\tupian\\opencv_orig.png")
gray1 = cv2.cvtColor(img1 , cv2.COLOR_BGR2GRAY)
gray2 = cv2.cvtColor(img2 , cv2.COLOR_BGR2GRAY)

#创建对象
orb = cv2.ORB_create()

#进行orb检测
kp1, des1 = orb.detectAndCompute(gray1, None)
kp2, des2 = orb.detectAndCompute(gray2, None)

#创建匹配器
bf = cv2.BFMatcher(cv2.NORM_HAMMING2)
match = bf.match(des1,des2)

img3 = cv2.drawMatches(img1,kp1,img2,kp2,match,None)

cv2.imshow('iomg',img3)
cv2.waitKey(0)

2、FLANN匹配

FLANN的匹配速度快，利用邻近近似值，使用精度不高；

三、图像查找

特征匹配 + 单应性矩阵

1、单应性矩阵

import cv2
import numpy as np

#打开两个文件
img1 = cv2.imread("F:\\tupian\\opencv_search.png")
img2 = cv2.imread("F:\\tupian\\opencv_orig.png")

#灰度化
g1 = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY)
g2 = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY)

#他建SIFT特征检测器
sift = cv2.xfeatures2d.SIFT_create()

#计算描述子与特征点
kp1, des1 = sift.detectAndCompute(g1, None)
kp2, des2 = sift.detectAndCompute(g2, None)

#创建匹配器
index_params = dict(algorithm = 1, trees = 5)
search_params = dict(checks = 50)
flann = cv2.FlannBasedMatcher(index_params, search_params)

#对描述子进行匹配计算
matchs = flann.knnMatch(des1, des2, k=2)

good = []
for i, (m, n) in enumerate(matchs):
    if m.distance < 0.7 * n.distance:
        good.append(m)


if len(good) >= 4:
    srcPts = np.float32([kp1[m.queryIdx].pt for m in good]).reshape(-1, 1, 2)
    dstPts = np.float32([kp2[m.trainIdx].pt for m in good]).reshape(-1, 1, 2)
    
    H, _ = cv2.findHomography(srcPts, dstPts, cv2.RANSAC, 5.0)

    h, w = img1.shape[:2]
    pts = np.float32([[0,0], [0, h-1], [w-1, h-1], [w-1, 0]]).reshape(-1, 1, 2)
    dst = cv2.perspectiveTransform(pts, H)

    cv2.polylines(img2, [np.int32(dst)], True, (0, 0, 255))
else:
    print('the number of good is less than 4.')
    exit()


    
ret = cv2.drawMatchesKnn(img1, kp1, img2, kp2, [good], None)
cv2.imshow('result', ret)
cv2.waitKey()

大大大大涛QAQ

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
opencv--python学习记录（八）

具有相同颜色或者强度的连续点的曲线，轮廓的作用：可以用于图像的分析；可以用于物体的识别和检测；需要注意的地方：为了检测的准确性，需要先对图像进行二值化或Canny的操作；画轮廓时会修改输入图像，一般使用黑底白物；
复制链接

扫一扫