PythonCV学习记录7——图片的轮廓检测

最新推荐文章于 2024-09-04 20:22:01 发布

康娜喵

最新推荐文章于 2024-09-04 20:22:01 发布

阅读量1.2k

点赞数 1

分类专栏： PythonCV

本文链接：https://blog.csdn.net/u011017694/article/details/100007831

版权

PythonCV 专栏收录该内容

11 篇文章 5 订阅

订阅专栏

零之前言

本节内容，书里的内容可能有些问题，需要额外的查询更多的博客，然后我又放出一位写的比较好的博客：https://blog.csdn.net/hjxu2016/article/details/77833336

一.轮廓检测

1.简述

轮廓检测主要是利用cv2.findContours()这个函数进行检测。且该函数只接受二值化的图片，也就是说只能用黑白的图，而非灰度图。

且很玄学，书上写的是它有三个返回值，而我实际上调用的时候却只有两个返回值。按大佬的说法，如果是三个返回值的话，第一个没用。

2.实现

im = cv2.imread('test.jpg')
imgray = cv2.cvtColor(im,cv2.COLOR_BGR2GRAY)
ret,thresh = cv2.threshold(imgray,127,255,cv2.THRESH_BINARY)
contours,hierarchy = cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)

①参数

先看代码。前三行不必解释灰度处理，二值化。

着重就是对cv2.findContours()的解析了。三个参数：

-thresh：二值化后的图片，他们说用过FindContours后，传入的图片会被修改？我反正观察不明显。

第二个参数表示轮廓的检索模式，有四种（本文介绍的都是新的cv2接口）：
    cv2.RETR_EXTERNAL表示只检测外轮廓
    cv2.RETR_LIST检测的轮廓不建立等级关系
    cv2.RETR_CCOMP建立两个等级的轮廓，上面的一层为外边界，里面的一层为内孔的边界信息。如果内孔内还有一个连通物体，这个物体的边界也在顶层。
    cv2.RETR_TREE建立一个等级树结构的轮廓。

第三个参数method为轮廓的近似办法
    cv2.CHAIN_APPROX_NONE存储所有的轮廓点，相邻的两个点的像素位置差不超过1，即max（abs（x1-x2），abs（y2-y1））==1
    cv2.CHAIN_APPROX_SIMPLE压缩水平方向，垂直方向，对角线方向的元素，只保留该方向的终点坐标，例如一个矩形轮廓只需4个点来保存轮廓信息
    cv2.CHAIN_APPROX_TC89_L1，CV_CHAIN_APPROX_TC89_KCOS使用teh-Chinl chain 近似算法

②返回值

opencv2返回两个值：contours：hierarchy。注:opencv3会返回三个值,分别是img, countours, hierarchy。

-contours是一个 Python列表，其中存储这图像中的所有轮廓。每一个轮廓都是一个 Numpy 数组，包含对象边界点（x，y）的坐标。

-hiararchy也是一个Python列表，其中的元素个数和轮廓个数相同，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，则该值为负数。所以可以看出每个轮廓有四个属性。

二.绘制轮廓

绘制轮廓，主要就是用cv2.drawContours()。它没有返回值，它的修改，就是传入函数的图片

1.实现

cv2.drawContours(img, contours,-1, (0,0,255), 3)

里面的参数分别是：

-img 图片。该函数没有返回值，所以会直接修改该img。

-contours 前面返回的轮廓列表

-轮廓索引。对于已知函数的轮廓可以从0开始对应列表的下标…… 或者可以-1可以绘制全部轮廓。

这是一个样例的轮廓代码：

import numpy as np
import cv2
im = cv2.imread('flash.png')
imgray = cv2.cvtColor(im,cv2.COLOR_BGR2GRAY)
ret,thresh = cv2.threshold(imgray,127,255,cv2.THRESH_BINARY)
contours,hierarchy = cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)
cv2.drawContours(im, contours, 0, (0,0,255), 3)
print(hierarchy)
cv2.imshow('1',im)
cv2.waitKey(0)

三.轮廓的特征

1.矩

这个矩，好像不是矩形的矩，而是一种特殊的数学含义？反正我是没有学到这个。嗷，百度到了一篇文章https://www.cnblogs.com/ronny/p/3985810.html或者自己百度查找。好难啊，我顶不住了。

通过调用

M = cv2.moments(contours[0])

可以得到矩M

2.图像的重心

公式：

cx = int(M['m10']/M['m00'])
cy = int(M['m01']/M['m00'])

3.轮廓面积

area = cv2.contourArea(contours[0])
#亦或者
area = M['m00']

4.轮廓周长

这个函数的第二参数可以用来指定对象的形状是闭合的（True），还是打开的（一条曲线）。

perimeter = cv2.arcLength(contours[0],True)

5.近似轮廓

将轮廓形状近似到另外一种由更少点组成的轮廓形状，新轮廓的点的数目由我们设定的准确度来决定。使用的Douglas-Peucker算法，你可以到维基百科获得更多此算法的细节。
为了帮助理解，假设我们要在一幅图像中查找一个矩形，但是由于图像的种种原因，我们不能得到一个完美的矩形，而是一个“坏形状”（如下图所示）。
现在你就可以使用这个函数来近似这个形状（）了。这个函数的第二个参数叫epsilon，它是从原始轮廓到近似轮廓的最大距离。它是一个准确度参数。选择一个好的 epsilon 对于得到满意结果非常重要。

epsilon = 0.1*cv2.arcLength(cnt,True)
approx = cv2.approxPolyDP(cnt,epsilon,True)

你可以然后通过这样的覆盖contours的操作来画一条新轮廓

import numpy as np
import cv2
im = cv2.imread('flash.png')
imgray = cv2.cvtColor(im,cv2.COLOR_BGR2GRAY)
ret,thresh = cv2.threshold(imgray,127,255,cv2.THRESH_BINARY)
contours,hierarchy = cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)
cnt = contours[0]
M = cv2.moments(cnt)
area = cv2.contourArea(cnt)
epsilon = 0.1*cv2.arcLength(cnt,True)
approx = cv2.approxPolyDP(contours[0],epsilon,True)
contours[0] = approx
cv2.drawContours(im, contours, 0, (0,0,255), 3)
cv2.imshow("1",im)
cv2.waitKey(0)

6.凸包

不想用，要用再百度

7.边界矩形

①正矩形

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

②旋转矩形

cnt = contours[0]
rect = cv2.minAreaRect(cnt)
box = cv2.boxPoints(rect)
box = np.int0(box)
im = cv2.drawContours(im,[box],0,(0,0,255),2)

8.最小外接圆

cnt = contours[0]
(x,y),radius = cv2.minEnclosingCircle(cnt)
center = (int(x),int(y))
radius = int(radius)
img = cv2.circle(img,center,radius,(0,255,0),2)

三.轮廓的性质

就是有长宽比，方向等等等。自己看书

说两个我觉得牛逼的

1.极点

leftmost = tuple(cnt[cnt[:,:,0].argmin()][0])
rightmost = tuple(cnt[cnt[:,:,0].argmax()][0])
topmost = tuple(cnt[cnt[:,:,1].argmin()][0])
bottommost = tuple(cnt[cnt[:,:,1].argmax()][0]

2.轮廓匹配

import cv2
import numpy as np

img1 = cv2.imread('test.jpg',0)
img2 = cv2.imread('test.jpg',0)

ret, thresh = cv2.threshold(img1, 127, 255,0)
ret, thresh2 = cv2.threshold(img2, 127, 255,0)
contours,hierarchy = cv2.findContours(thresh,2,1)
cnt1 = contours[0]
contours,hierarchy = cv2.findContours(thresh2,2,1)
cnt2 = contours[0]

ret = cv2.matchShapes(cnt1,cnt2,1,0.0)
print(ret)

这个返回值，越小越好

即使发生了旋转，ret的值的变化也不会太大。