Opencv提取轮廓，对轮廓识别后，判断轮廓形状

最新推荐文章于 2024-06-24 02:13:26 发布
最新推荐文章于 2024-06-24 02:13:26 发布
阅读量3.2k 收藏 22
点赞数 6
分类专栏： Python opencv 文章标签： opencv python
原文链接：https://blog.csdn.net/qq_38952179/article/details/104412783
版权 
'''
@Author: your name
@Date: 2020-02-13 13:30:07
@LastEditTime: 2020-02-20 16:17:34
@LastEditors: Please set LastEditors
@Description: 高斯平滑展示，边缘检测展示，
              能够通过按键时时控制高斯平滑，高斯选择改变后改变高斯图和边缘检测图
              边缘检测通过右侧两个滑条更改检测阈值
              加入圆形检测
'''
import tkinter
import os
import cv2
import numpy
from PIL import Image,ImageTk
from tkinter import filedialog

# global start 全局变量定义初始化开始
#全局变量参数
carmela_hight = 200
carmela_width = 200
#Tkinter元素句柄参数
Source_Img_Label = None
Gray_Img_Label = None
Canny_Img_Label = None
Circles_Img_Label = None
Gaussian_Button = None
Counters_Button = None
Threshold_Min_Scale = None
Threshold_Max_Scale = None
Hough_Parm1_Scale = None
Hough_Parm2_Scale = None
#开关量参数
Gaussian_Enable = False
Counters_Enable = False
#获取当前文件路径
py_path=os.path.abspath(os.path.dirname(__file__))
#global end 全局变量定义初始化结束
#创建窗口对象以及窗口使用变量
root = tkinter.Tk()
Img_Path_String = tkinter.StringVar()
Img_Path_String.set('尚未选择文件')
Dp_Value = tkinter.StringVar()
Dp_Value.set('1')
#窗口使用变量初始化开始
screen_Width = root.winfo_screenwidth()
screen_height = root.winfo_screenheight()
width = screen_Width//2
height = screen_height//2+50
root_win_par = '%dx%d+%d+%d'% (width, height, (screen_Width-width)/2, (screen_height-height)/2)   

#窗口使用变量初始化结束
def resizeImage(image, width, height, inter=cv2.INTER_AREA):
    size = image.shape
    h, w = size[0], size[1]
    #长边缩放为min_side
    min_side = min(width,height)
    scale = max(w, h) / float(min_side)
    new_w, new_h = int(w/scale), int(h/scale)
    resize_img = cv2.resize(image, (new_w, new_h))
    # 填充至min_side * min_side
    if new_w % 2 != 0 and new_h % 2 == 0:
        top, bottom, left, right = (min_side-new_h)/2, (min_side-new_h)/2, (min_side-new_w)/2 + 1, (min_side-new_w)/2
    elif new_h % 2 != 0 and new_w % 2 == 0:
        top, bottom, left, right = (min_side-new_h)/2 + 1, (min_side-new_h)/2, (min_side-new_w)/2, (min_side-new_w)/2
    elif new_h % 2 == 0 and new_w % 2 == 0:
        top, bottom, left, right = (min_side-new_h)/2, (min_side-new_h)/2, (min_side-new_w)/2, (min_side-new_w)/2
    else:
        top, bottom, left, right = (min_side-new_h)/2 + 1, (min_side-new_h)/2, (min_side-new_w)/2 + 1, (min_side-new_w)/2
    pad_img = cv2.copyMakeBorder(resize_img, int(top), int(bottom), int(left), int(right), cv2.BORDER_CONSTANT, value=[0,0,0]) #从图像边界向上,下,左,右扩的像素数目

    return pad_img

    #窗口使用变量初始化结束
#图片获取通过图片路径显示标签,返回值为cv2.imread 缩放后
def ImageGet():
    #读取图片参数，通过opencv
    Source_Img = cv2.imread(Img_Path_String.get())
    if (Source_Img is None):
        return None
    else:
        pass
        #图片大小更改
        #Source_Img = resizeImage(image=Source_Img,width=carmela_width,height=carmela_hight)
    return Source_Img
#原图片显示刷新
def SourceDisplay(Source_Img):
    global Source_Img_Label
    #RGB图像转换并且显示
    Temp_Img = cv2.cvtColor(Source_Img,cv2.COLOR_BGR2RGB)
    Temp_Img = resizeImage(image=Temp_Img,width=carmela_width,height=carmela_hight)
    Temp_Img = Image.fromarray(Temp_Img)
    Temp_Img = ImageTk.PhotoImage(Temp_Img)    
    if(Source_Img_Label is None):#检测是否是第一次输入图片,是的话创建RGB图片显示Label
        Source_Img_Label = tkinter.Label(root,bg='red',image=Temp_Img,width=carmela_width,height=carmela_hight)
        Source_Img_Label.image = Temp_Img
        Source_Img_Label.place(x=10*1+carmela_width*0,y=40+10*0+carmela_hight*0)
    else:#不是的话更改Label中的图片
        Source_Img_Label.configure(image=Temp_Img)
        Source_Img_Label.image = Temp_Img
#灰度图片显示刷新
def GrayDisply(Source_Img):
    global Gray_Img_Label
    global Gaussian_Enable
    #灰度图片转换
    Temp_Img = cv2.cvtColor(Source_Img,cv2.COLOR_BGR2GRAY)
    if Gaussian_Enable:
        Temp_Img = cv2.GaussianBlur(Temp_Img, (5,5), 0, 0, cv2.BORDER_DEFAULT)#高斯处理
    Temp_Img = resizeImage(image=Temp_Img,width=carmela_width,height=carmela_hight)
    Temp_Img = Image.fromarray(Temp_Img)   
    Temp_Img = ImageTk.PhotoImage(Temp_Img)    
    if (Gray_Img_Label is None):#检测是否是第一次输入图片,是的话创建GRAY图片显示Label
        Gray_Img_Label = tkinter.Label(root,bg='red',image=Temp_Img,width=carmela_width,height=carmela_hight)
        Gray_Img_Label.image = Temp_Img
        Gray_Img_Label.place(x=10*2+carmela_width*1,y=40+10*0+carmela_hight*0)
    else:#不是的话更改Label中的图片
        Gray_Img_Label.configure(image=Temp_Img)
        Gray_Img_Label.image = Temp_Img
#边缘函数显示刷新
def CannyDisply(Source_Img,change = True):
    global Canny_Img_Label,Threshold_Min_Scale,Threshold_Max_Scale
    global Gaussian_Enable,Counters_Enable
    #通过灰度图片边缘提取
    if change:
        Temp_Img = cv2.cvtColor(Source_Img,cv2.COLOR_BGR2GRAY)
    else:
        Temp_Img = Source_Img
        
    if Gaussian_Enable:
        Temp_Img = cv2.GaussianBlur(Temp_Img, (5,5), 0, 0, cv2.BORDER_DEFAULT)#高斯处理
    Temp_Img = cv2.Canny(Temp_Img, Threshold_Min_Scale.get(), Threshold_Max_Scale.get())
    if Counters_Enable:
        contours, hierarchy = cv2.findContours(Temp_Img,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE) 
        Temp_Img = ImageGet() 
        cv2.drawContours(Temp_Img,contours,-1,(255,0,0),3)
        for i in contours:
            ShapeAnalysis(i,Temp_Img)        
        cv2.imshow("",Temp_Img)#调试测试
        print(hierarchy)#调试测试
    Temp_Img = resizeImage(image=Temp_Img,width=carmela_width,height=carmela_hight)
    Temp_Img = Image.fromarray(Temp_Img) 
    Temp_Img = ImageTk.PhotoImage(Temp_Img)    
    if (Canny_Img_Label is None):#检测是否是第一次输入图片,是的话创建GRAY图片显示Label
        Canny_Img_Label = tkinter.Label(root,bg='red',image=Temp_Img,width=carmela_width,height=carmela_hight)
        Canny_Img_Label.image = Temp_Img
        Canny_Img_Label.place(x=10*3+carmela_width*2,y=40+10*0+carmela_hight*0)
    else:#不是的话更改Label中的图片
        Canny_Img_Label.configure(image=Temp_Img)
        Canny_Img_Label.image = Temp_Img
#寻找圆显示刷新
def CircleDisplay(Source_Img):
    global Circles_Img_Label
    #
    Temp_Img = cv2.cvtColor(Source_Img,cv2.COLOR_BGR2GRAY)
    if Gaussian_Enable:
        Temp_Img = cv2.GaussianBlur(Temp_Img, (5,5), 0, 0, cv2.BORDER_DEFAULT)#高斯处理
    #Temp_Img = cv2.Canny(Temp_Img, Threshold_Min_Scale.get(), Threshold_Max_Scale.get())
    CannyDisply(Temp_Img,change=False)
    Temp_Img,Circles = FindCircles(Temp_Img)
    #
    Temp_Img = cv2.cvtColor(Source_Img,cv2.COLOR_BGR2RGB)
    max_index = 0     
    max_r = 0  
    if Circles is None: #显示搜索到的圆的信息
        pass
    else:         
        for index,i in enumerate(Circles[0,:]):
            # draw the outer circle
            cv2.circle(Temp_Img,(i[0],i[1]),i[2],(255,0,0),1)
            # draw the center of the circle
            cv2.circle(Temp_Img,(i[0],i[1]),2,(255,0,0),3)
            cv2.putText( Temp_Img,("R=%d"%( i[2] )),(i[0],i[1]-i[2]),cv2.FONT_HERSHEY_COMPLEX,0.5,(0,255,0) )
            if max_r < i[2]:
                max_r = i[2]
                max_index = index
    #print("%d circles is max:r=%d"%(max_index,max_r))#调试测试
    #FindLines(Temp_Img)
    Temp_Img = resizeImage(image=Temp_Img,width=carmela_width,height=carmela_hight)
    Temp_Img = Image.fromarray(Temp_Img) 
    Temp_Img = ImageTk.PhotoImage(Temp_Img) 
   
    if (Circles_Img_Label is None):#检测是否是第一次输入图片,是的话创建GRAY图片显示Label
        Circles_Img_Label = tkinter.Label(root,bg='red',image=Temp_Img,width=carmela_width,height=carmela_hight)
        Circles_Img_Label.image = Temp_Img
        Circles_Img_Label.place(x=10*1+carmela_width*0,y=40+10*1+carmela_hight*1)
    else:#不是的话更改Label中的图片
        Circles_Img_Label.configure(image=Temp_Img)
        Circles_Img_Label.image = Temp_Img
#轮廓识别
def  ShapeAnalysis(contours,img):
    # 轮廓逼近
    epsilon = 0.01 * cv2.arcLength(contours, True)
    approx = cv2.approxPolyDP(contours, epsilon, True) 
    # 分析几何形状
    corners = len(approx)
    shape_type = ""
    if corners == 3:
        shape_type = "三角形"
    elif corners == 4:
        shape_type = "矩形"
    elif 4 < corners < 10:
        shape_type = "多边形"
    elif 10 < corners:
        shape_type = "圆"
    else:
        shape_type = "未知"
    # 求解中心位置
    mm = cv2.moments(contours)
    cx = int(mm['m10'] / mm['m00'])
    cy = int(mm['m01'] / mm['m00'])
    cv2.circle(img, (cx, cy), 3, (0, 0, 255), -1)

    # 计算面积与周长
    p = cv2.arcLength(contours, True)
    area = cv2.contourArea(contours)
    print("周长: %.3f, 面积: %.3f 形状: %s "% (p, area, shape_type))
#寻找图片中的圆返回值1为图片，返回值2为圆的
def FindCircles(Source_Img):
    dp = int(Dp_Value.get(),base = 10)
    circles = cv2.HoughCircles(Source_Img,cv2.HOUGH_GRADIENT,dp,20,param1=Hough_Parm1_Scale.get(),param2=Hough_Parm2_Scale.get(),minRadius=0,maxRadius=0)
    if not(circles is None):
        circles = numpy.around(circles)
        circles = numpy.uint16(circles)
    return Source_Img,circles
#图片选择按键绑定函数
def AskPicture():
    #图片路径获取
    Picture_Path = filedialog.askopenfilename()
    #显示图片路径，在Img_Path_Text中
    Img_Path_String.set(Picture_Path)
    Source_Img = ImageGet()    
    #检测是否输入确实为图片
    if (Source_Img is None):
        Img_Path_String.set('文件选择错误')
        return
    else:
        #cv2.imshow('',Source_Img)#调试测试
        #原图片显示
        SourceDisplay(Source_Img)
        #灰度图片显示刷新
        GrayDisply(Source_Img)
        #边缘函数显示刷新
        CannyDisply(Source_Img)

        CircleDisplay(Source_Img)      
#阈值绑定函数，阈值更改时调用此函数刷新第三幅图片
def ThresholdChange(self):
    global Source_Img_Label,Gray_Img_Label,Canny_Img_Label,Threshold_Min_Scale,Threshold_Max_Scale
    #图片获取
    Source_Img = ImageGet()
    #检测是否输入确实为图片
    if (Source_Img is None):
        return
    else:
        CannyDisply(Source_Img)
        CircleDisplay(Source_Img)
#高斯处理案件绑定函数
def GaussianChoice():
    global Gaussian_Enable,Gaussian_Button
    if Gaussian_Enable:
        Gaussian_Enable = False
        Gaussian_Button['text']='高斯关'
    else:
        Gaussian_Enable = True
        Gaussian_Button['text']='高斯开'
    #刷新图片
    Source_Img = ImageGet()
    #检测是否输入确实为图片
    if (Source_Img is None):
        return
    else:
        #灰度图片显示刷新
        GrayDisply(Source_Img)
        #边缘函数显示刷新
        CannyDisply(Source_Img)     
#轮廓处理案件绑定函数
def CountersChoice():
    global Counters_Enable,Counters_Button
    if Counters_Enable:
        Counters_Enable = False
        Counters_Button['text']='轮廓关'
    else:
        Counters_Enable = True
        Counters_Button['text']='轮廓开'
    #刷新图片
    Source_Img = ImageGet()
    #检测是否输入确实为图片
    if (Source_Img is None):
        return
    else:
        #灰度图片显示刷新
        GrayDisply(Source_Img)
        #边缘函数显示刷新
        CannyDisply(Source_Img)     
#dp更改函数
def DpValueIncrease():
    temp = int(Dp_Value.get(),base = 10)
    temp = temp + 1
    if temp > 10:
        temp = 10
    Dp_Value.set(str(temp))
def DpValueReduce():
    temp = int(Dp_Value.get(),base = 10)
    temp = temp - 1
    if temp < 1:
        temp = 1
    Dp_Value.set(str(temp))
def HoughParamChange(self):
    #图片获取
    Source_Img = ImageGet()
    #检测是否输入确实为图片
    if (Source_Img is None):
        pass
    else:
        CircleDisplay(Source_Img)
    return 
def HoughDpChange():
    #图片获取
    Source_Img = ImageGet()
    #检测是否输入确实为图片
    if (Source_Img is None):
        pass
    else:
        CircleDisplay(Source_Img)
    return True
#窗口大小及位置设置
root.geometry(root_win_par)
#设置窗口是否可变长、宽，True：可变，False：不可变
root.resizable(width=False, height=True)
root.title('设计')#窗口标题设置
root.iconbitmap(py_path+'\\ico.ico')#窗口图标设置
#显示路径输入框初始化及放置(禁止写入)
tkinter.Entry(root,textvariable=Img_Path_String,borderwidth=1,state=tkinter.DISABLED).place(x=10,y=10,width=width-20-40,height=20)
#路径选取按钮初始化设置
tkinter.Button(root,text='选择',command=AskPicture).place(x=width-45,y=10,width=40,height=20)
#高斯处理按钮初始化设置
Gaussian_Button = tkinter.Button(root,text='高斯关',command=GaussianChoice)
Gaussian_Button.place(x=width-45,y=40,width=40,height=20)
#轮廓处理按钮初始化设置
Counters_Button = tkinter.Button(root,text='轮廓关',command=CountersChoice)
Counters_Button.place(x=width-90,y=40,width=40,height=20)
#阈值滚动条
Threshold_Min_Scale = tkinter.Scale(root,from_=0,to=500,orient=tkinter.VERTICAL,length=height-200,width = 10,command=ThresholdChange)
Threshold_Min_Scale.place(x=width-100,y=90)
tkinter.Label(root,text='Min').place(x=width-100+20,y=60)
Threshold_Min_Scale.set(100)
Threshold_Max_Scale = tkinter.Scale(root,from_=0,to=500,orient=tkinter.VERTICAL,length=height-200,width = 10,command=ThresholdChange)
Threshold_Max_Scale.place(x=width-50,y=90)
tkinter.Label(root,text='Max').place(x=width-50+20,y=60)
Threshold_Max_Scale.set(200)
#霍夫变换参数设置
tkinter.Label(root,text="dp:").place(x=width-100,y=height-200+100)
tkinter.Entry(root,textvariable = Dp_Value ,borderwidth=1,state=tkinter.DISABLED,validate='key',validatecommand= HoughDpChange ).place(x=width-100+30,y=height-200+100,width=20,height=20)
tkinter.Button(root,text = '+',command = DpValueIncrease).place(x=width-100+55,y=height-200+100,width=20,height=20)
tkinter.Button(root,text = '-',command = DpValueReduce).place(x=width-100+78,y=height-200+100,width=20,height=20)
Hough_Parm1_Scale = tkinter.Scale(root,from_=1,to=500,orient=tkinter.HORIZONTAL,length = 100,width = 10,command = HoughParamChange)
Hough_Parm1_Scale.place(x=width-100,y=height-200+120)
Hough_Parm1_Scale.set(50)
Hough_Parm2_Scale = tkinter.Scale(root,from_=1,to=100,orient=tkinter.HORIZONTAL,length = 100,width = 10,command = HoughParamChange)
Hough_Parm2_Scale.place(x=width-100,y=height-200+160)
Hough_Parm2_Scale.set(30)
#窗口主循环
root.mainloop()

 

三番鱼
关注
专栏目录
python学习随笔03 Opencv提取轮廓，对轮廓识别后，判断轮廓形状
01-06
''' @Author: your name ... 能够通过按键时时控制高斯平滑，高斯选择改变后改变高斯图和边缘检测图 边缘检测通过右侧两个滑条更改检测阈值 加入圆形检测 ''' import tkinter import os import cv2 import
计算机视觉 OpenCV【七：应用之形状与轮廓检测】
Kukeoo的博客
05-01 6813
一、什么是形状与轮廓检测 给定一张图片： OpenCV能帮我们使用计算机来识别这些图像，首先可以勾勒出他们的轮廓，其次还可以识别哪些是三角形，哪些是圆形，哪些是矩形。 这就是形状、轮廓检测的功能。 二、预处理 形状与轮廓检测首先需要进行预处理，目的是找到图像的边缘，然后再找到图像的轮廓/轮廓点。 步骤如下： 1.转为灰度图像 2.添加高斯模糊 3.进行坎尼边缘检测 4.进行膨胀操作，使边缘间没有缝隙，称为完整的封闭图 原图： 灰度： 高斯模糊： 坎尼边缘检测：
基于OpenCV的轮廓检测（1）
weixin_43229348的博客
07-25 4751
现在如果对returnPoints=False做同样的事情，我得到以下结果[[129]，[67]，[0]，[142]]。当returnPoints=True，我得到了以下值[[234202]]，[[51202]]，[[5179]]，在cv.findContours()函数中有三个参数，第一个是源图像，第二个是轮廓检索模式，第三个是轮廓逼近方法。上面，我们说过，轮廓是具有相同强度的形状的边界。第二个参数是应该作为Python列表传递的轮廓，第三个参数是轮廓的索引(在绘制单独的轮廓时很有用。...
基于深度学习的轮廓检测
最新发布
weixin_42605076的博客
06-24 479
基于深度学习的轮廓检测方法通过卷积神经网络、生成对抗网络、编码器-解码器架构等技术，自动学习并识别图像中的轮廓特征，提供高精度和鲁棒性的检测结果。随着深度学习技术的不断发展，这些方法在医学图像处理、自动驾驶、图像分割等多个领域得到了广泛应用，有助于显著提升图像分析和理解的能力。理解并掌握这些方法，有助于开发更智能、更高效的计算机视觉系统。
图像轮廓cv2.findContours(img,mode,method) //轮廓特征、轮廓近似等
qq_42712462的博客
02-02 1517
cv2.findContours(img,mode,method) mode:轮廓检索模式 RETR_EXTERNAL ：只检索最外面的轮廓； RETR_LIST：检索所有的轮廓，并将其保存到一条链表当中； RETR_CCOMP：检索所有的轮廓，并将他们组织为两层：顶层是各部分的外部边界，第二层是空洞的边界; RETR_TREE：检索所有的轮廓，并重构嵌套轮廓的整个层次; method:轮廓逼近方法 CHAIN_APPROX_NONE：以Freeman链码的方式输出轮廓，所有其他方法输出多边形（
【OpenCV】 Canny边缘检测 | 图像轮廓检测 | 直方图均衡化
m0_66307842的博客
02-05 6758
Canny边缘检测 | 图像轮廓检测 | 直方图均衡化
7、OPencv 图形轮廓检测
qq_42138448的博客
04-14 2206
要想实现轮廓检测，首先我们需要对待检测的图像进行图像处理： 图像灰度化、高斯滤波、Canny 边缘检测、边缘检测放大处理、提取轮廓。 一、实现简单的全图型检测 即只要将drawContours第三个参数设置为-1 既能实现图像的全图型检测。 程序： #include <iostream> #include <opencv2/highgui.hpp> // 说是说gui 具体什么gui 不清楚 #include <opencv2/imgcodecs.hpp> /
opencv提取图片中人轮廓
04-19
本主题聚焦于如何使用OpenCV在C++环境中提取图片中的人物轮廓，这对于人脸识别、行人检测、动作识别等应用非常关键。以下是实现这一目标的具体步骤和相关知识点。 1. **图像预处理**： - **二值化**：图像二值化是...
基于OpenCV的图像轮廓提取实现
04-30
本教程将深入探讨如何基于OpenCV实现图像轮廓的提取，并通过动态调整参数来实时查看提取效果。 首先，我们要了解什么是图像轮廓。图像轮廓是图像中对象边界处像素强度变化显著的区域，它能帮助我们识别和分离图像中...
QT+opencv边缘检测，轮廓提取及轮廓跟踪
05-29
在本文中，我们将深入探讨如何在QT5.8环境下结合OpenCV3.2库实现图像处理中的关键步骤：边缘检测、轮廓提取以及轮廓跟踪。这些技术在计算机视觉、机器学习和自动化领域中扮演着重要角色。 首先，让我们来了解边缘...
fitContours_opencv_图像轮廓提取_图像轮廓拟合_
09-29
"fitContours"是OpenCV中一个关键的函数，它涉及到图像轮廓提取和拟合，这对于理解和分析图像中的形状至关重要。本篇文章将深入探讨这两个概念及其在实际应用中的作用。 首先，我们来看“图像轮廓提取”。在处理二...
【OpenCV入门】形状/轮廓的检测
谋仁·BLOG
10-12 2072
我的个人博客：谋仁·Blog 微信公众号：谋仁的麻袋 CSDN：曹谋仁 文章目录检测前预处理----边缘检测二值图findContours函数----检测轮廓contourArea、arcLength函数----面积、周长contourArea函数----轮廓面积arcLength函数----轮廓长度approxPolyDP函数----曲线折线化drawContours函数----绘制轮廓 检测前预处理----边缘检测二值图 所谓形状/轮廓的检测就是把待检测图像中的边缘轮廓组成的图形识别出来，并检测出.
OpenCv入门（六）——几何检测
Alkaid2000的博客
05-02 4101
0x01 了解霍夫变换 霍夫变换是要从图像钟识别几何形状的基本图像处理方法之一。经典的霍夫变换用来检测图像中的直线，改进的霍夫变换扩展到识别任意形状的物体（椭圆、圆等等）。优势在于它不受图行旋转的影响，易于进行几何图行的快速变换。 经典的霍夫变换用于检测图像中的直线，其原理是利用坐标空间变换将两个坐标进行相应的转换，或通过直线映射到另一坐标空间的点形成的峰值。从而把检测任意形状的问题转化为统计峰值的问题。 基本原理如下： 以直线检测为例，每个像素坐标点经过空间变换都编程对直线特质有贡献的统一度量。
OpenCV中几何形状识别与测量
小白学视觉
11-04 5647
点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达经常看到有学习OpenCV不久的人提问，如何识别一些简单的几何形状与它们的颜色，其实通过OpenCV的轮廓发现与几何分...
opencv物体轮廓提取和检测-python
weixin_44119239的博客
12-08 2227
使用opencv进行物体轮廓的提取和检测
OpenCV形状检测
weixin_43229348的博客
07-30 7703
开始定义我们的ShapeDetector类。我们将跳过这里的init构造函数，因为不需要初始化任何东西。#导入必要的包importcv2classShapeDetector#初始化形状名称并近似轮廓shape="unidentified"peri=cv2.arcLength(c,True)approx=cv2.approxPolyDP(c,0.04*peri,True)我们的检测方法，它只需要一个参数c，即我们试图识别的形状的轮廓。...
OpenCv学习笔记4(形状与结构分析:轮廓检测，轮廓匹配)
weixin_43585712的博客
08-25 2331
从二值图像提取形状信息有助于对图像进行更高级的处理和识别。下面介绍如何使用findContours()搜索图像中的轮廓，并对其进行处理和计算。 轮廓检测 输出参数：image,contours轮廓的多边形列表, hierarchy轮廓的嵌套信息 fig, axes = pl.subplots(1, 2, figsize=(10, 6)) img = cv2.imread("E:/ruanjianD...
基于轮廓发现的几何形状识别
m0_65088451的博客
06-03 743
轮廓是指图像中图形或物体的外边缘线条，opencv提供的findContours（）方法通过计算图像梯度来判断图像的边缘，然后将边缘的点封装成数组返回 img：必须是8位单通道二值图像。mode ：轮廓的检索模式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，并建立两级层次关系cv.RETR_TREE：检测所有轮廓，并建立树状结构的层次关系method：cv.CHAIN_APPROX_NONEcv.CHAI
Opencv-Python Contour Shape Detection 轮廓形状检测
qq_50394133的博客
11-11 4573
基本思路 首先，先将图像进行灰度处理，在借助模糊处理，得到边缘检测图像；接着，借用边缘检测图像，获取图像轮廓参数，通过面积，以及边框数，检测出图形的形状。OK,Let‘s go！ Opencv版本 这个opencv-contrib-python ，这是个辅助包，最好都装上且跟opencv同版本最优。 函数介绍 cv2.findContours（） 注意事项 读取的是二值图像，黑色为背景，白色为读取目标 该函数会修改原图像，需要先copy一份原图像 返回的参数，会随着opencv不同版本,返回参数个数不同
opencv轮廓提取，外接矩形识别杆的代码python
04-14
好的，我可以回答该问题。您可以参考以下Python代码来提取OpenCV中的轮廓并识别杆的外接矩形。 ```python import cv2 # 读取图像并转换为灰度图像 img = cv2.imread('image.jpg') gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 二值化图像 ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY) # 提取轮廓 contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE) # 对每个轮廓进行处理 for cnt in contours: # 获取外接矩形 x,y,w,h = cv2.boundingRect(cnt) # 绘制外接矩形 cv2.rectangle(img, (x,y), (x+w,y+h), (0,255,0), 2) # 显示结果图像 cv2.imshow('result', img) cv2.waitKey(0) ``` 需要注意的是，此代码仅适用于识别直杆状物体。如果要识别其他形状的物体，需要进行适当修改。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值