图像识别，轮廓检测

import cv2
import numpy as np
# 读取图片
img = cv2.imread('1.png')

# 灰度化
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
#图像色彩空间转化：cv.cvtColor(input_image，flag) cv.COLOR_BGR2GRAY : BGR↔Gray / cv.COLOR_BGR2HSV: BGR→HSV
# 边缘检测
edges = cv2.Canny(gray, 100, 200) 
'''当某个像素点的梯度强度低于 threshold1 时，该像素点被认为是非边缘；当梯度强度高于 threshold2 时，该像素点被认为是边缘；
当梯度强度在 threshold1 和 threshold2 之间时，如果它连接到一个“确定的边缘”（即梯度强度大于 threshold2 的像素点），则它也被认为是边缘。
'''
# 寻找曲线
contours, hierarchy = cv2.findContours(edges,cv2.RETR_TREE,cv2.CHAIN_APPROX_NONE) #查找图像轮廓的函数,该函数能够查找图像内的轮廓信息

'''cv2.RETR_EXTERNAL：只检测外轮廓。
cv2.RETR_LIST：对检测到的轮廓不建立等级关系。
cv2.RETR_CCOMP：检索所有轮廓并将它们组织成两级层次结构。上面的一层为外边界，下面的一层为内孔的边界。如果内孔内还有一个连通物体，
那么这个物体的边界仍然位于顶层。
cv2.RETR_TREE：建立一个等级树结构的轮廓。'''

'''cv2.CHAIN_APPROX_NONE：存储所有的轮廓点，相邻两个点的像素位置差不超过 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，在极端的情况下，一个矩形只需要用 4 个点来保存轮廓信息。
cv2.CHAIN_APPROX_TC89_L1：使用 teh-Chinl chain 近似算法的一种风格。
cv2.CHAIN_APPROX_TC89_KCOS：使用 teh-Chinl chain 近似算法的一种风格。'''

#print(len(contours)) #获取轮廓的个数
# len(contours[0] #每个轮廓的点数
''''hierarchy:图像内的轮廓可能位于不同的位置。比如，一个轮廓在另一个轮廓的内部。在这种情况下，
我们将外部的轮廓称为父轮廓，内部的轮廓称为子轮廓。按照上述关系分类'''
# #创建白色幕布
temp = np.ones(edges.shape,np.uint8)*255


# # 绘制曲线
cv2.drawContours(temp, contours, -1, (0, 255, 0), 5)
#-1表示绘制所有轮廓
#(0, 255, 0)颜色
#如果指定正数，则表示绘制的轮廓线的厚度，-1表示填充轮廓，即将轮廓内部全部填充指定颜色。


# 为了保持颜色一致性，我们需要将temp从灰度图像转换回BGR颜色空间
temp_bgr = cv2.cvtColor(temp, cv2.COLOR_GRAY2BGR)

# 将原始图片和temp_bgr合并，保持颜色一致性
output_img = cv2.addWeighted(img, 1, temp_bgr, 1, 0)

#输出图片
output_path = 'output_image.png'
cv2.imwrite(output_path, output_img)

# # # 显示结果
cv2.imshow('Result', output_img)
cv2.waitKey(0)
cv2.destroyAllWindows()

输入图片
压缩输出后：