【数字图像处理】VisualStudio2019 Python&Opencv查找地图圆形轮廓、标记、分离

记一次数字图像处理实验

实验要求：标记图中图形轮廓标记计数

待处理图片.jpg

实验环境：VisualStudio2019

实验步骤：

        1.  搭建实验环境

详细操作流程看他的https://blog.csdn.net/qq_29519575/article/details/91398974

        2.  编码

实例中用到的关键函数及参数介绍：

• cvtcolor()：颜色空间转换函数，可以实现RGB颜色向HSV，HSI等颜色空间转换，也可以转换为灰度图。

	void cv::cvtColor(
		cv::InputArray src,  // 输入序列
		cv::OutputArray dst, // 输出序列
		int code,            // 颜色映射码
		int dstCn = 0        // 用于指定目标图像的通道数，如果指定的值是默认值0，那么通道数将由输入图像和颜色转换码决定。
	);

• threshold(): 图像二值化，就是将图像上的像素点的灰度值设置为0或255，也就是将整个图像呈现出明显的只有黑和白的视觉效果。

       double threshold( 
                InputArray src,  // 输入数组，填单通道，8位或32位浮点类型Mat即可。即为输入图像。
                OutputArray dst, // 函数运算后的结果存放在这。即为输出图像（与输入图像同样的尺寸和类型）。
                double thresh,   // 阈值的具体值,根据需要自行设置。
                double maxval,   // 表示预设最大值，使用THRESH_BINARY或THRESH_BINARY_INV类型。
                int type         // int类型的type，表示阈值化处理的类型。
        );

其中：阈值化类型

              二进制阈值化       THRESH_BINARY

              反二进制阈值化   THRESH_BINARY_INV

              截断阈值化          THRESH_TRUNC

              阈值化为零          THRESH_TOZERO

              反阈值化为零      THRESH_TOZERO_INV

              OTSU阈值化       CV_THRESH_OTSU

• findContours():在二值化图像中查找轮廓，该函数使用@CITE Suzuki 85算法从二进制图像中检索轮廓；

      void findContours(
            InputArray image,             // 原图像，一般为8位单通道的图像；非零像素为1,0像素为0,即输入图像是一个二值化的图像；可以用compare, inRange, threshold , adaptiveThreshold, Canny,以及其他的方法将一个灰度图像或者彩色图像转换为二值化的图像；如果函数的参数mode是RETR_CCOMP 或者RETR_FLOODFILL，输入图像可以是32位整型图像(CV_32SC1)。
            OutputArrayOfArrays contours, // 检测得到的轮廓，每一个轮廓存储在一个vector类型的点集中。
            //OutputArray hierarchy,      // 可选的输出矢量，例如std::vector<cv::Vec4i>，包含图像的拓扑信息，数量与轮廓的个数一样，每个轮廓contours[i]对应4个hierarchy元素hierarchy[i][0] ~ hierarchy[i][3]，分别表示后一个轮廓、前一个轮廓、父轮廓、内嵌轮廓的索引编号，如果没有对应项，该值设置为-1。
            int mode,                     // 轮廓的检索模式
            int method,                   // 轮廓的近似方法
            Point offset = Point()        // 可选的变量，每个轮廓被偏移的偏移量
        );

其中：int mode（轮廓检索模式）：

                 RETR_EXTERNAL
                 RETR_LIST
                 RETR_CCOMP
                 RETR_TREE
                 RETR_FLOODFILL

          int method（轮廓的近似方法）：

                 CHAIN_APPROX_NONE
                 CHAIN_APPROX_SIMPLE
                 CHAIN_APPROX_TC89_L1

• cvCircle()：绘制圆形函数

       cvCircle(
            CvArr* img,      // 源图像指针
            CvPoint center,  // 画圆的圆心坐标
            int radius,      // 圆的半径
            CvScalar color,  // 圆的颜色，B（蓝）G（绿）R（红）
            int thickness=1, // 如果是正数，表示组成圆的线条的粗细程度，否则，表示圆是否被填充。
            int lineType=8,  // 线条的类型，默认是8
            int shift=0      // 线条的类型，默认是8
        );

 实验代码清单：

#----------------------------【Specification】----------------------------
#  Coding: UTF-8
#  程序名称：【Opencv查找地图圆形轮廓、标记、分离】
#  IDE：Visual Studio 2019
#  Python版本：3.7
#  OpenCV版本：3.4.3.18
#  2019年12月3日 CREATED BY 一箭双雕
#-------------------------------------------------------------------------
import cv2
import matplotlib.pyplot as plt
import copy


class Processor(object):
    def __init__(self, image_full_path):
        self._image_full_path = image_full_path

    def run(self):
        image = cv2.imread(self._image_full_path, cv2.IMREAD_COLOR)
        gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
        ret, mask = cv2.threshold(gray_image, 160, 255, cv2.THRESH_BINARY)
        binary, contours, hierarchy = cv2.findContours(mask, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
        segmentation = copy.deepcopy(image)
        segmentation *= 0

        roi = list()
        for i, contour in enumerate(contours):
            area = cv2.contourArea(contour)
            if area < 16:
                continue

            (x, y), radius = cv2.minEnclosingCircle(contour)
            if radius > 16 or (143 < x < 181 and 189 < y < 300) or (x > 318 and y > 187):
                continue

            roi.append(contour)
            image = cv2.circle(image, (int(x), int(y)), int(radius), (255, 0, 0), 2)
            segmentation = cv2.circle(segmentation, (int(x), int(y)), int(radius), (255, 255, 255), -1)

        plt.figure(1)
        plt.imshow(image)
        plt.show()

        plt.figure(2)
        plt.imshow(segmentation)
        plt.show()


if __name__ == '__main__':
    processor = Processor('./test.jpg')
    processor.run()

        3.  调试&运行

运行效果图 ：

【运行1】输出标记图像

 

【运行2】输出分离图像

 

         4.  上传源文件至GitHub

本次实验源文件及所用图片提供下载：https://github.com/yijianshuangdiao/shuzituxiangchuli

 

实验心得：

         把FAST的rap唱给我听 我就帮你写心得！