opencv threshold函数_新视界-OpenCV教程(21)- 轮廓：更多功能

最新推荐文章于 2022-01-08 12:44:27 发布

李小编

最新推荐文章于 2022-01-08 12:44:27 发布

阅读量113

点赞数

文章标签： opencv threshold函数

本文链接：https://blog.csdn.net/weixin_36044132/article/details/113090007

版权

新视界-OpenCV教程系列文章

新视界-OpenCV教程(1)-入门介绍

OpenCV 中的图形用户界面特征系列

新视界-OpenCV教程(2)-图片入门

新视界-OpenCV教程(3)-视频入门

新视界-OpenCV教程(4)- 绘图功能

新视界-OpenCV教程(5)- 鼠标的画笔功能

新视界-OpenCV教程(6)- 作为调色板的轨迹栏

核心操作系列

新视界-OpenCV教程(7)- 对图片的基本操作

新视界-OpenCV教程(8)- 图像运算

新视界-OpenCV教程(9)- 性能测量和改进技术

OpenCV 中的图像处理系列

新视界-OpenCV教程(10)- 改变颜色空间

新视界-OpenCV教程(11)- 图像阈值

新视界-OpenCV教程(12)- 图像的几何变换

新视界-OpenCV教程(13)- 平滑图像

新视界-OpenCV教程(14)- 形态变换

新视界-OpenCV教程(15)- 图像梯度

新视界-OpenCV教程(16)- Canny 边缘检测

新视界-OpenCV教程(17)- 图像金字塔

新视界-OpenCV教程(18)- 轮廓：开端

新视界-OpenCV教程(19)- 轮廓：特征

新视界-OpenCV教程(20)- 轮廓：性质

本文目标

轮廓系列会分为5篇文章一一详细讲解。这是第四篇。

在本篇文章中，我们将学习凸性缺陷及其查找方法，如何求从一点到多边形的最短距离和如何匹配不同的形状。

凸性缺陷

我们在先前文章中讨论过轮廓的凸包。该凸包中目标物体的任何偏差都可被视为凸性缺陷。

OpenCV 为我们提供了一个现成的函数，cv2.convexityDefects() 来解决这个问题。一个基本的函数调用如下所示：

hull = cv2.convexHull(cnt,returnPoints = False)
defects = cv2.convexityDefects(cnt,hull)

记住，我们在寻找凸包时必须保证 returnPoints = False，才能顺利找到凸性缺陷。

我们上面的函数会返回一个数组作为结果，数组中每行包含这些：[起点、终点、最远点、到最远点的近似距离]，这些我们可以用图像来表示：我们先画一条连接起点和终点的线，然后在最远处画一个圆。记住，返回的前三个值是cnt 的索引，所以我们必须从cnt 中得到这些值。代码如下：

import cv2
import numpy as np

# 导入图片，转换成灰度，得到阈值，轮廓，层级和cnt
img = cv2.imread('star.jpg')
img_gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
ret, thresh = cv2.threshold(img_gray, 127, 255,0)
contours,hierarchy = cv2.findContours(thresh,2,1)
cnt = contours[0]

# 使用凸性缺陷相关函数
hull = cv2.convexHull(cnt,returnPoints = False)
defects = cv2.convexityDefects(cnt,hull)

# 使用循环画出范围内的所有线和圆圈
for i in range(defects.shape[0]):
    s,e,f,d = defects[i,0]
    start = tuple(cnt[s][0])
    end = tuple(cnt[e][0])
    far = tuple(cnt[f][0])
    cv2.line(img,start,end,[0,255,0],2)
    cv2.circle(img,far,5,[0,0,255],-1)

cv2.imshow('img',img)
cv2.waitKey(0)
cv2.destroyAllWindows()

我们可以得到结果如下：

点多边形测试

在这个部分中，我们的函数用来查找图像中某一点到轮廓线的最短距离。它返回的距离如果是负的，那么点在轮廓外；如果返回的值为正的，那么点在轮廓内；如果值为零，那么点在轮廓上。

例如，我们可以检查点(50,50)，代码如下：

dist = cv2.pointPolygonTest(cnt,(50,50),True)

在上述函数中，第三个参数是measureDist。如果它为True，函数就会找到有符号的距离；如果为False，它就会查找该点是在等高线内还是外还是在等高线上(分别返回+1、-1、0)。

注意，如果目的不是求距离，我们则需要确保第三个参数是假的。因为，求距离是一个耗时的过程。如果让该参数为False，省去求距离的过程，我们会得到2-3 倍的加速。

匹配形状

OpenCV 还附带了一个函数cv2.matchShapes()，它使我们能够比较两个形状或两个轮廓，并返回一个显示相似性的度量。度量结果越低，匹配越好，它是根据hu 矩值计算的。

import cv2
import numpy as np

# 导入两张图
img1 = cv2.imread('star.jpg',0)
img2 = cv2.imread('star2.jpg',0)

# 得到阈值，轮廓，层级和两个cnt
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]

# 利用匹配函数得到相似度
ret = cv2.matchShapes(cnt1,cnt2,1,0.0)
print ret

我尝试将特定的形状与下面给出的形状进行匹配：

我得到了以下结果: