轮廓（python-＞opencv）-CSDN博客

本文链接：https://blog.csdn.net/weixin_39475026/article/details/147573558

img = cv2.imread('contours.png')

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)

contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)

#传入绘制图像，轮廓，轮廓索引，颜色模式，线条厚度

# 注意需要copy,要不原图会变。。。

draw_img = img.copy()

res = cv2.drawContours(draw_img, contours, -1, (0, 0, 255), 2)#-1表示显示所有轮廓，123表示第123个轮廓

cv_show(res,'res')

代码解析

这段代码用于在图像上检测并绘制轮廓。以下是每一步的解析：

读取图像

：

img = cv2.imread('contours.png')

使用OpenCV读取名为contours.png的图像。

转换为灰度图

：

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

将彩色图像转换为灰度图，以便进行阈值处理。

二值化处理

：

ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)

使用固定阈值对灰度图进行二值化处理，生成二值图像thresh。

查找轮廓

：

contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)

cv2.findContours函数用于查找二值图像中的轮廓。
cv2.RETR_TREE：检索所有层级的轮廓。
cv2.CHAIN_APPROX_NONE：存储所有的轮廓点。

绘制轮廓

：

draw_img = img.copy() res = cv2.drawContours(draw_img, contours, -1, (0, 0, 255), 2)

img.copy()：创建图像的副本，避免修改原图像。
cv2.drawContours用于绘制轮廓：
- contours：要绘制的轮廓集合。
- -1：绘制所有轮廓。
- (0, 0, 255)：轮廓线条颜色（红色）。
- 2：线条厚度。

显示结果

：

cv_show(res, 'res')

使用自定义函数cv_show显示结果图像res。
确保定义了cv_show，或者使用cv2.imshow替代。

def cv_show(image, title): cv2.imshow(title, image) cv2.waitKey(0) cv2.destroyAllWindows()

代码应用

边缘检测与分析

：

该代码可以用于图像中物体的边缘检测和分析。
形状识别

：

通过分析轮廓的形状，可以进行简单的形状识别和分类。

注意事项

确保输入图像路径正确。
调整阈值参数以适应不同的图像类型和对比度。

cnt = contours[0]

#面积

cv2.contourArea(cnt)

#周长，True表示闭合的

cv2.arcLength(cnt,True)

这段代码用于计算指定轮廓的面积和周长。以下是每一步的解析：

1. 选择轮廓

cnt = contours[0]

contours 是之前用 cv2.findContours 函数检测到的所有轮廓。
cnt = contours[0] 表示选择第一个轮廓。

2. 计算轮廓面积

cv2.contourArea(cnt)

cv2.contourArea(cnt) 用于计算给定轮廓 cnt 的面积。
返回值是一个浮点数，表示轮廓内的像素总数。

3. 计算轮廓周长

cv2.arcLength(cnt, True)

cv2.arcLength(cnt, True) 用于计算给定轮廓 cnt 的周长。
cnt 是指定的轮廓。
第二个参数 True 表示轮廓是闭合的。如果轮廓不是闭合的，应传 False。

完整代码示例

结合之前的代码：

import cv2 # 读取图像 img = cv2.imread('contours.png') # 转换为灰度图 gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 二值化处理 ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY) # 查找轮廓 contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE) # 选择第一个轮廓 cnt = contours[0] # 计算面积 area = cv2.contourArea(cnt) print("Contour Area: ", area) # 计算周长 perimeter = cv2.arcLength(cnt, True) print("Contour Perimeter: ", perimeter) # 绘制轮廓 draw_img = img.copy() res = cv2.drawContours(draw_img, contours, -1, (0, 0, 255), 2) # 显示结果 def cv_show(image, title): cv2.imshow(title, image) cv2.waitKey(0) cv2.destroyAllWindows() cv_show(res, 'res')

应用场景

轮廓分析

：

面积和周长是基本的几何特征，可以用于分析和分类不同的形状和物体。

形状识别

：

通过计算面积和周长，可以进一步计算形状特征，比如圆度、长宽比等，以识别和分类不同形状的物体。

图像处理

：

在图像增强、物体检测等任务中，这些几何特征可以提供有价值的信息。

注意事项

确保轮廓 cnt 是有效的。如果 contours 为空，尝试其他预处理方法提高轮廓检测的效果。
调整阈值参数 127，以适应不同的图像对比度和亮度。

轮廓近似

轮廓近似，用最少的线来代替，在几个点之间的直线，如果能用更少的点来表示，就采用更少的点。

轮廓近似是图像处理中常用的技术，用于简化轮廓，减少轮廓点的数量，从而用更少的直线段来表示轮廓。这种技术在形状识别和分析中非常有用。OpenCV 提供了一个函数 cv2.approxPolyDP 来执行轮廓近似。

轮廓近似算法

cv2.approxPolyDP 基于道格拉斯-普克曲线简化算法（Douglas-Peucker algorithm）。其基本思想是用少量的点来近似一个给定的轮廓曲线，使得近似后的曲线在视觉上和原始曲线非常接近。

代码示例

以下是如何使用 OpenCV 进行轮廓近似的示例代码：

import cv2 import numpy as np # 读取图像 img = cv2.imread('contours.png') # 转换为灰度图 gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 二值化处理 ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY) # 查找轮廓 contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE) # 选择第一个轮廓 cnt = contours[0] # 计算轮廓的周长 epsilon = 0.01 * cv2.arcLength(cnt, True) # 进行轮廓近似 approx = cv2.approxPolyDP(cnt, epsilon, True) # 绘制原始轮廓和近似轮廓 draw_img = img.copy() cv2.drawContours(draw_img, [cnt], -1, (0, 0, 255), 2) # 红色表示原始轮廓 cv2.drawContours(draw_img, [approx], -1, (0, 255, 0), 2) # 绿色表示近似轮廓 # 显示结果 def cv_show(image, title): cv2.imshow(title, image) cv2.waitKey(0) cv2.destroyAllWindows() cv_show(draw_img, 'Approximated Contours')

参数说明

cnt：要进行近似的轮廓。
epsilon：近似精度，表示原始轮廓到近似轮廓的最大距离。该值越小，近似结果越精细。通常，epsilon 的值可以设置为轮廓周长的百分比，如 0.01 * cv2.arcLength(cnt, True)。
True：表示轮廓是闭合的。

结果

红色轮廓：表示原始轮廓。
绿色轮廓：表示近似后的轮廓。

应用场景

形状简化

：

通过轮廓近似，可以将复杂的形状简化为简单的多边形，这对于形状分析和识别非常有用。

形状匹配

：

近似后的轮廓可以用于形状匹配和比较，减少计算复杂度。

图像压缩

：

将复杂的轮廓简化为少量的直线段，可以用于图像数据的压缩和传输。

注意事项

选择合适的 epsilon 值非常重要。epsilon 过大可能导致轮廓过度简化，失去原有形状的特征。epsilon 过小则可能无法起到简化作用。
在实际应用中，可以通过实验调整 epsilon 值，以获得最优结果。

epsilon = 0.15*cv2.arcLength(cnt,True) #主要进行调参的函数

approx = cv2.approxPolyDP(cnt,epsilon,True)

draw_img = img.copy()

res = cv2.drawContours(draw_img, [approx], -1, (0, 0, 255), 2)

cv_show(res,'res')

这段代码旨在对轮廓进行近似，然后绘制近似后的轮廓。通过调整 epsilon 参数，可以控制轮廓近似的精度。以下是每一步的解析：

1. 计算近似参数 epsilon

epsilon = 0.15 * cv2.arcLength(cnt, True)

epsilon 是近似精度参数。
cv2.arcLength(cnt, True) 返回轮廓 cnt 的周长。
0.15 是一个比例系数，表示原始轮廓到近似轮廓的最大距离。这个值可以根据需要进行调整。

2. 进行轮廓近似

approx = cv2.approxPolyDP(cnt, epsilon, True)

cv2.approxPolyDP 执行轮廓近似。
cnt 是要进行近似的轮廓。
epsilon 是近似精度。
True 表示轮廓是闭合的。

3. 绘制近似轮廓

draw_img = img.copy() res = cv2.drawContours(draw_img, [approx], -1, (0, 0, 255), 2)

draw_img = img.copy() 创建图像的副本，避免修改原图像。
cv2.drawContours(draw_img, [approx], -1, (0, 0, 255), 2) 绘制近似后的轮廓：
- draw_img 是要绘制轮廓的图像。
- [approx] 是近似后的轮廓。
- -1 表示绘制所有层级的轮廓。
- (0, 0, 255) 是轮廓线条的颜色（红色）。
- 2 是线条厚度。

4. 显示结果

cv_show(res, 'res')

使用自定义函数 cv_show 显示结果图像 res。

完整代码示例

为了让代码更完整，这里包括了前面的所有步骤：

import cv2 import numpy as np # 自定义显示函数 def cv_show(image, title): cv2.imshow(title, image) cv2.waitKey(0) cv2.destroyAllWindows() # 读取图像 img = cv2.imread('contours.png') # 转换为灰度图 gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 二值化处理 ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY) # 查找轮廓 contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE) # 选择第一个轮廓 cnt = contours[0] # 计算近似参数 epsilon epsilon = 0.15 * cv2.arcLength(cnt, True) # 进行轮廓近似 approx = cv2.approxPolyDP(cnt, epsilon, True) # 绘制近似轮廓 draw_img = img.copy() res = cv2.drawContours(draw_img, [approx], -1, (0, 0, 255), 2) # 显示结果 cv_show(res, 'res')

调参建议

0.15 的调整：这个值是一个经验值，可以根据实际情况进行调整。值越大，轮廓近似的程度越高，轮廓会变得更加简化；值越小，轮廓近似的程度越低，轮廓会更加接近原始形状。
实验性调整：在实际应用中，你可以通过实验调整这个值，查看不同 epsilon 值下的效果，找到最佳的近似参数。

应用场景

形状识别和分析：通过近似后的轮廓，可以更容易地进行形状识别和分析，因为简化的轮廓减少了计算复杂度。
图像压缩：简化后的轮廓可以用于图像数据的压缩和传输。
对象检测：在对象检测中，简化后的轮廓可以提高检测的速度和准确性。

图中白色的是原图像，红色的是轮廓近似。

边界矩形

img = cv2.imread('contours.png')

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)

binary, contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)

cnt = contours[0]

x,y,w,h = cv2.boundingRect(cnt)

img = cv2.rectangle(img,(x,y),(x+w,y+h),(0,255,0),2)

cv_show(img,'img')

你的代码旨在读取图像、进行预处理、查找轮廓，然后在图像上绘制一个包围轮廓的矩形。以下是每一步的详细解析及改进的代码示例。

代码解析

读取图像

img = cv2.imread('contours.png')

转换为灰度图

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

二值化处理

ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)

查找轮廓

binary, contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)

注意: 从 OpenCV 4.0 开始，cv2.findContours 只返回两个值：contours 和 hierarchy。在旧版本中返回三个值。

选择第一个轮廓

cnt = contours[0]

计算包围轮廓的矩形

x, y, w, h = cv2.boundingRect(cnt)

绘制矩形

img = cv2.rectangle(img, (x, y), (x + w, y + h), (0, 255, 0), 2)

显示结果

cv_show(img, 'img')

下面是改进后的完整代码：

完整代码示例

import cv2 import numpy as np # 自定义显示函数 def cv_show(image, title): cv2.imshow(title, image) cv2.waitKey(0) cv2.destroyAllWindows() # 读取图像 img = cv2.imread('contours.png') # 转换为灰度图 gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 二值化处理 ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY) # 查找轮廓 (适用于 OpenCV 4.0 及以上版本) contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE) # 选择第一个轮廓 cnt = contours[0] # 计算包围轮廓的矩形 x, y, w, h = cv2.boundingRect(cnt) # 绘制矩形 img = cv2.rectangle(img, (x, y), (x + w, y + h), (0, 255, 0), 2) # 显示结果 cv_show(img, 'img')

关键点说明

cv2.findContours

返回值

在 OpenCV 4.0 及以上版本中，cv2.findContours 只返回 contours 和 hierarchy，而不是 binary。
因此，你的代码中的 binary, contours, hierarchy 会引发错误，需要改为 contours, hierarchy = cv2.findContours(...)。