轮廓发现
轮廓发现是基于图像边缘提取的基础寻找对象的轮廓的方法。所以边缘提取的阈值选定会影响Uzi中轮廓发现结果。
API
findContours() 发现轮廓
drawContours() 绘制轮廓
注:虽然轮廓发现是基于图像边缘提取的结果来进行发现的,但是在图像边缘提取这一步我们可以只做到计算出梯度,然后用梯度图直接做轮廓发现,这样可以保留更多的图像信息。
注:图像中的蓝色在转为灰度图时像素值可能会较小,导致Canny检测不到边缘,可以尝试把Canny的低阈值调小一些。
注:findContours()是针对图像中的白色部分的,即它是去识别白色物体的轮廓,所以一定要注意传入其中的二值图像必须是背景为黑,内容为白(根据图像情况在cv.threshold中设置cv.THRESH_BINARY_INV),否则会发现findContours() 只返回一个图像的边框。
视频源码:
import cv2 as cv
import numpy as np
def edge_demo(image):
blurred = cv.GaussianBlur(image, (3, 3), 0) # 做高斯模糊
gray = cv.cvtColor(blurred, cv.COLOR_BGR2GRAY) # 转换为灰度图
xgrad = cv.Sobel(gray, cv.CV_16SC1, 1, 0) # 计算梯度,因为canny的API不能收浮点数,所以我们深度选择CV_16SC1
ygrad = cv.Sobel(gray, cv.CV_16SC1, 0, 1)
# edge_output = cv.Canny(xgrad, ygrad, 50, 150) # 做canny,50和150分别是高低阈值,高:低一般在3:1到2:1之间,这里是Canny最重要的
edge_output = cv.Canny(gray, 50, 150) # cv.Canny也支持直接拿灰度图出结果,而不用自己手动算梯度传给它
cv.imshow("Canny Edge", edge_output)
return edge_output
def contours_demo(image):
# 手动做图像二值化来获取用于提取轮廓的二值图像
dst = cv.GaussianBlur(image, (3, 3), 0) # 弱化噪声
gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY) # 先变成灰度图像
ret, binary = cv.threshold(gray, 0, 255, cv.THRESH_BINARY | cv.THRESH_OTSU) # 然后做图像二值化,得到二值图像
cv.imshow("binary image", binary)
# # 用Canny获取图像边缘的二值图像来进行轮廓提取
# binary = edge_demo(image)
# cv.RETR_TREE 代表返回全部轮廓,包括从最外层到最内层的所有轮廓,比如硬币,会不仅返回硬币圆边,还会返回硬币上人脸或花纹的轮廓
# cv.RETR_EXTERNAL 代表只返回最外层轮廓,比如硬币,只返回硬币圆边的轮廓,硬币里面人脸或花纹的轮廓不返回
# contours, hierarchy = cv.findContours(binary, cv.RETR_TREE, cv.CHAIN_APPROX_SIMPLE)
contours, hierarchy = cv.findContours(binary, cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE)
for i, contour in enumerate(contours):
cv.drawContours(image, contours, i, (255, 0, 0), 2)
print(i)
cv.imshow("detect contours", image)
print("-----------Python OpenCV Tutorial--------------")
src = cv.imread("C:/cv-samples/data/fruits.jpg")
cv.namedWindow("input image", cv.WINDOW_AUTOSIZE)
cv.imshow("input image", src)
contours_demo(src)
cv.waitKey(0)
cv.destroyAllWindows()