OpenCV边缘与轮廓

最新推荐文章于 2023-12-06 08:21:33 发布
最新推荐文章于 2023-12-06 08:21:33 发布
阅读量3.9k 收藏 19
点赞数 4
分类专栏： 笔记 文章标签： 计算机视觉 opencv 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_43705733/article/details/122418430
版权

第5章 边缘和轮廓

5.1边缘检测

图像的边缘是指图像中灰度值发生急剧变化的位置，边缘检测的目的是为了绘制出边缘线条。边缘通常是不连续的，不能表示整体。图像轮廓是指将边缘连接起来形成的整体。

5.1.1 Laplacian边缘检测

Laplacian边缘检测使用图像矩阵与拉普拉斯核进行卷积运算， 其本质是计算图像中任意一点与其在水平方向和垂直方向上4个相邻点平均值的差值。

cv2.Laplacian()函数用于实现Laplacian边缘检测，基本格式如下。
dst=cv2.Laplacian(src,depth[,kszie[,scale[,delta[,borderType]]]])
参数说明如下。
dst表示边缘检测后结果图像
src为原图像
ddepth为目标图像的深度
ksize为用于计算二阶导数滤波器的系数，必须为正数且是奇数
scale为可选比例因子
delta可添加到边缘检测结果中的可选增量值
borderType为边界值类型

import cv2
img=cv2.imread('D:\zhangjing\photo\hua.png',cv2.IMREAD_REDUCED_COLOR_2)
cv2.imshow('original',img)
'''
Laplacian边缘检测
dst=cv2.Laplacian(src,depth[,kszie[,scale[,delta[,borderType]]]])
dst表示边缘检测后结果图像
src为原图像
ddepth为目标图像的深度
ksize为用于计算二阶导数滤波器的系数，必须为正数且是奇数
scale为可选比例因子
delta可添加到边缘检测结果中的可选增量值
borderType为边界值类型
'''
img2=cv2.Laplacian(img,cv2.CV_8U)#拉普拉斯边缘检测
cv2.imshow('Laplacian',img2)
cv2.waitKey(0)
图1 原图
图2 结果图像

5.1.2 Sobel边缘检测

Sobel边缘检测将高斯滤波和微分结合起来进行图像卷积运算，结果具有一定的抗噪性。
dst=cv2.sobel(src,depth,dx,dy[,kszie[,scale[,delta[,borderType]]]])
dx为导数x的阶数
dy为导数y的阶数
ksize为扩展的Sobel内核的大小，必须是1、3、5、7

import cv2
img=cv2.imread('D:\zhangjing\photo\hua.png',cv2.IMREAD_REDUCED_COLOR_2)
cv2.imshow('original',img)
'''
Laplacian边缘检测
dst=cv2.Laplacian(src,depth[,kszie[,scale[,delta[,borderType]]]])
dst表示边缘检测后结果图像
src为原图像
ddepth为目标图像的深度
ksize为用于计算二阶导数滤波器的系数，必须为正数且是奇数
scale为可选比例因子
delta可添加到边缘检测结果中的可选增量值
borderType为边界值类型
'''
img3=cv2.Sobel(img,cv2.CV_8U,0,1)#Sobel边缘检测
cv2.imshow('Sobel',img3)
cv2.waitKey(0)
图1 原图
图2 结果图像

5.1.3 Canny边缘检测

Canny边缘检测的算法包括下列5个步骤。

  1. 使用高斯滤波去除图像噪声。
  2. 使用Sobel核进行滤波，计算梯度。
  3. 在边缘使用非最大值抑制。
  4. 对检测出的边缘使用双阈值以去除假阳性。
  5. 分析边缘之间的连续性，保留真正的边缘，消除不明显的边缘。

cv2.Canny()函数用于实现Canny边缘检测，其基本格式如下。
dst=cv2.Canny(src,threshold1,threshold2[,apertureSize[,L2gradient]])
参数说明如下。
threshold1为第一阈值
threshold2为第二阈值
apertureSize为计算梯度时使用的Sobel核大小
L2gradient为标志

import cv2
img=cv2.imread('D:\zhangjing\photo\hua.png',cv2.IMREAD_REDUCED_COLOR_2)
cv2.imshow('original',img)
'''
Laplacian边缘检测
dst=cv2.Laplacian(src,depth[,kszie[,scale[,delta[,borderType]]]])
dst表示边缘检测后结果图像
src为原图像
ddepth为目标图像的深度
ksize为用于计算二阶导数滤波器的系数，必须为正数且是奇数
scale为可选比例因子
delta可添加到边缘检测结果中的可选增量值
borderType为边界值类型
'''
img4=cv2.Canny(img,200,300)#Canny边缘检测
cv2.imshow('Canny',img4)
cv2.waitKey(0)
图1 原图
图2 结果图像

5.1.4 总结

Laplacian算子法对噪声比较敏感，所以很少用该算子检测边缘，而是用来判断边缘像素视为与图像的明区还是暗区。拉普拉斯高斯算子是一种二阶导数算子，将在边缘处产生一个陡峭的零交叉,Laplacian算子是各向同性的，能对任何走向的界线和线条进行锐化，无方向性。这是拉普拉斯算子区别于其他算法的最大优点。
Sobel算子检测方法对灰度渐变和噪声较多的图像处理效果较好，sobel算子对边缘定位不是很准确，图像的边缘不止一个像素；当对精度要求不是很高时，是一种较为常用的边缘检测方法。
Canny方法不容易受噪声干扰，能够检测到真正的弱边缘。优点在于，使用两种不同的阈值分别检测强边缘和弱边缘，并且当弱边缘和强边缘相连时，才将弱边缘包含在输出图像中。

5.2 图像轮廓

图像轮廓是指由位于边缘、连续的、具有相同颜色和强度的点构成的曲线，它可用于形状分析以及对象检测和识别。

5.2.1查找轮廓

cv2.findContours()函数用于从二值图像中查找图像轮廓，其基本格式如下。
contours,hierarchy=cv2.findContours(image,mode,method[,offset])
参数说明如下。
contours为返回的轮廓
hierarchy为返回的轮廓的层次结构
image为原图像
mode为轮廓的检索模式
method为轮廓的近似方法
offset为每个轮廓点的可选偏移量

#查找轮廓
import cv2
import numpy as np
img=cv2.imread('D:\zhangjing\photo\shape.png')#读取图像
cv2.imshow('original',img)#显示原图像
gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)#将其转换为灰度图像
ret,img2=cv2.threshold(gray,125,255,cv2.THRESH_BINARY)#二值化阈值处理
c,h=cv2.findContours(img2,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)#查找轮廓
'''
contours,hierarchy=cv2.findContours(image,mode,method[,offset])
contours为返回的轮廓
hierarchy为返回的轮廓的层次结构
image为原图像
mode为轮廓的检索模式
method为轮廓的近似方法
offset为每个轮廓点的可选偏移量
'''
print('轮廓',c)
print('轮廓类型',type(c))
print('伦廓个数',len(c))
print('层次',h)
print('层次类型',type(h))
for n in range((3)):
     img3=np.zeros(img.shape,np.uint8)+255#按原图大小创建一幅白色图像
     cv2.polylines(img3,[c[n]],True,(255,0,0),2)#绘制轮廓
     cv2.imshow('%s'%n,img3)#显示轮廓图像
cv2.waitKey(0)
cv2.destroyAllWindows()

在这里插入图片描述

5.2.2 绘制轮廓

1.轮廓的矩
轮廓的矩包含了轮廓的各种几何特征，如面积、位置、角度、形状等。
cv2.moments()函数用于返回轮廓的矩，其基本格式如下。
ret=cv2.moments(array[,binaryImage])
参数说明如下。
ret为返回的轮廓矩，是一个字典对象
array为表示轮廓的数组
binaryimage值为true时，会将array对象中所有非0值设为1

#轮廓的矩
import cv2
import numpy as np
img=cv2.imread('D:\photo\shapes.png')
cv2.imshow('original',img)
gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)#将其转换为灰度图像
ret,img2=cv2.threshold(gray,125,255,cv2.THRESH_BINARY)#二值化阈值处理
c,h=cv2.findContours(img2,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)#查找轮廓
img3=np.zeros(img.shape,np.uint8)+255#按原图大小创建一副白色图像
img3=cv2.drawContours(img3,c,-1,(0,0,255),2)
cv2.imshow('Contours',img3)
for n in range(len(c)):
    m=cv2.moments(c[n])
    '''
    ret=cv2.moments(array[,binaryImage])
    ret为返回的轮廓矩，是一个字典对象
    array为表示轮廓的数组
    binaryimage值为true时，会将array对象中所有非0值设为1
    '''
    print('轮廓%s的矩:'%n,m)
    print('轮廓%s的面积:'%n,m['m00'])
    cv2.waitKey(0)
    cv2.destroyAllWindows()

运行结果
在这里插入图片描述

2.轮廓的面积
cv2.contourArea()函数用于返回轮廓面积，其基本格式如下。
ret=cv2.contourArea(contour[,oriented]
参数说明如下。
ret为返回的面积
contour为轮廓
oriented为可选参数，其参数值为True时，返回值的正与负表示轮廓是顺指针还是逆时针；参数值为False时，函数返回值为绝对值

#轮廓的面积
import cv2
import numpy as np
img=cv2.imread('D:\photo\shapes.png')
cv2.imshow('original',img)
gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)#将其转换为灰度图像
ret,img2=cv2.threshold(gray,125,255,cv2.THRESH_BINARY)#二值化阈值处理
c,h=cv2.findContours(img2,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)#查找轮廓
img3=np.zeros(img.shape,np.uint8)+255#按原图大小创建一副白色图像
img3=cv2.drawContours(img3,c,-1,(0,0,255),2)
cv2.imshow('Contours',img3)
for n in range(len(c)):
     m=cv2.contourArea(c[n])
     '''
     ret=cv2.contourArea(contour[,oriented]
     ret为返回的面积
     contour为轮廓
     oriented为可选参数，其参数值为True时，返回值的正与负表示轮廓是顺指针还是逆时针；参数值为False时，函数返回值为绝对值
     '''
     print('轮廓%s的面积'%n,m)
cv2.waitKey(0)
cv2.destroyAllWindows()

结果如下
在这里插入图片描述

3.轮廓的长度
cv2.arcLength()函数用于返回轮廓的长度，其基本格式如下。
ret=cv2.arcLength(contour,closed)
ret为返回的长度
contour为轮廓
closed为布尔值，为True时表示轮廓是封闭的

#轮廓的长度
import cv2
import numpy as np
img=cv2.imread('D:\photo\shapes.png')
cv2.imshow('original',img)
gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)#将其转换为灰度图像
ret,img2=cv2.threshold(gray,125,255,cv2.THRESH_BINARY)#二值化阈值处理
c,h=cv2.findContours(img2,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)#查找轮廓
img3=np.zeros(img.shape,np.uint8)+255#按原图大小创建一副白色图像
img3=cv2.drawContours(img3,c,-1,(0,0,255),2)
cv2.imshow('Contours',img3)
for n in range(len(c)):
     m=cv2.arcLength(c[n],True)
     '''
     ret=cv2.arcLength(contour,closed)
     ret为返回的长度
     contour为轮廓
     closed为布尔值，为True时表示轮廓是封闭的
     '''
     print('轮廓%s的长度:'%n,m)
cv2.waitKey(0)
cv2.destroyAllWindows()

结果如下。
在这里插入图片描述

4.轮廓的近似多边形
cv2.approxPolyDP()函数用于返回轮廓的近似多边形，其基本格式如下。
ret=cv2.approxPolyDP(contour,epsilon,closed)
ret为返回的近似多边形
contour为轮廓
epsilon为精度，表示近似多边形接近轮廓的最大距离
closed为布尔值，为True时表示轮廓是封闭的

轮廓的近似多边形
import cv2
import numpy as np
img=cv2.imread('D:\photo\shape3.png')
cv2.imshow('original',img)
gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)#将其转换为灰度图像
ret,img2=cv2.threshold(gray,125,255,cv2.THRESH_BINARY)#二值化阈值处理
c,h=cv2.findContours(img2,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)#查找轮廓
ep=[0.1,0.05,0.01]
arc1=cv2.arcLength(c[0],True)
print(arc1)
img3=np.zeros(img.shape,np.uint8)+255
img3=cv2.drawContours(img3,c,-1,(0,0,255),2)
for n in range(3):
     eps=ep[n]*arc1
     img4=img3.copy()
     app=cv2.approxPolyDP(c[0],eps,True)
     '''
     ret=cv2.approxPolyDP(contour,epsilon,closed)
     ret为返回的近似多边形
     contour为轮廓
     epsilon为精度，表示近似多边形接近轮廓的最大距离
     closed为布尔值，为True时表示轮廓是封闭的
     '''
     img4=cv2.drawContours(img4,[app],-1,(255,0,0),2)
     cv2.imshow('appro%.2f'%ep[n],img4)
cv2.waitKey(0)
cv2.destroyAllWindows()

在这里插入图片描述

5.轮廓的凸包
cv2.convexHull()函数用于返回轮廓的凸包，其基本格式如下。
cv2.convexHull(contour[,clockwise[,returnPoints]]]）
参数说明如下。
hull为返回的凸包，是一个numpy.ndaarray对象，包含了凸包的关键点。
contour为轮廓。
clockwise为方向标记，为True时，凸包为顺时针方向；为False时，凸包为逆时针方向。
returnPoints为True时，返回的hull中包含的是凸包关键点的坐标；为False时，返回的是凸包关键点在轮廓中的索引。

6.轮廓的直边界矩形
cv2.boundingRect()函数用于返回轮廓的直边界矩形，其基本格式如下。
ret=cv2.boundingRect(contour)
ret返回的直边界矩形，是一个四元组，其格式为（矩形左上角x坐标，矩形左上角y坐标，矩形的宽度，矩形的高度）
contour为用于计算直边界矩形的轮廓
在这里插入图片描述

7.轮廓的旋转矩形
轮廓的旋转矩形是指可容纳轮廓的最小的矩形。cv2.minAreaRect()函数用于返回轮廓的旋转矩形，其基本格式如下。
box=cv2.minAreaRect(contour)
在这里插入图片描述

8.轮廓的最小外包圆
cv2.minEnclosingCircle()函数用于可返回轮廓的最小外包圆，其基本格式如下。
center,radius=cv2.minEnclosingCircle(contour)
参数说明如下。
center为圆心。
radius为半径。
contour为用于计算最小外包圆的轮廓。
在这里插入图片描述

在这里插入图片描述

9.轮廓的拟合椭圆
cv2.fitEllipse()函数用于返回轮廓的拟合椭圆，其基本格式如下。
ellipse=cv2.fitEllipse(contour)
参数说明如下。
ellipse为返回的椭圆。
contour为计算拟合椭圆的轮廓
在这里插入图片描述

10.轮廓的拟合直线
cv2.fitLine()函数用于返回轮廓的拟合直线，其基本格式如下。
line=cv2.fitLine(contour,distType,param,reps,aeps)
参数说明如下。
line为返回的拟合直线。
contour为用于计算拟合直线的轮廓。
distType为距离类型参数。
param为距离参数，与距离类型参数有关，其设置为0时，函数将自动选择最优值。
reps为计算拟合直线需要的径向精度，通常为0.01。
aeps为计算拟合直线需要的角度精度，通常为0.01。
在这里插入图片描述

11.轮廓的最小外包三角形
cv2.minEnclosingTriangle()函数用于可返回可容纳轮廓的最小外包三角形，其基本格式如下。
参数说明如下。
retval,triangle=cv2.minEnclosingTriangle(contour)
retval为最小外包三角形的面积。
triangle为最小外包三角形。
contour为用于计算最小外包三角形的轮廓。
在这里插入图片描述

5.3 霍夫变换

霍夫变换用于在图像中查找直线和圆等形状。

5.3.1霍夫直线变换

cv2.HoughLines()函数利用霍夫变换算法检测图像中的直线，其基本格式如下。
lines=cv2.HoughLines(image,rho,theta,threshold)
image为原图像
rho为距离的精度
theta为角度的精度
threshold为阈值，值越小，检测出的直线就越多

#霍夫直线
import cv2
import numpy as np
img=cv2.imread('D:\zhangjing\photo\shape3.jfif')
cv2.imshow('original',img)
gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
edges=cv2.Canny(gray,50,150,apertureSize=3)#执行边缘检测
lines=cv2.HoughLines(edges,1,np.pi/180,150)#霍夫直线变换
'''
lines=cv2.HoughLines(image,rho,theta,threshold)
image为原图像
rho为距离的精度
theta为角度的精度
threshold为阈值，值越小，检测出的直线就越多
'''
img3=img.copy()
for line in lines:#逐条绘制直线
    rho,theta=line[0]
    print()
    a=np.cos(theta)
    b=np.sin(theta)
    x0,y0=a*rho,b*rho
    pt1=(int(x0+1000*(-b)),int(y0+1000*(a)))#计算直线端点
    pt2=(int(x0-1000*(-b)),int(y0-1000*(a)))#计算直线端点
    cv2.line(img3,pt1,pt2,(0,0,255),2)#绘制直线
cv2.imshow('HoughLines',img3)#显示结果图像
cv2.waitKey(0)
cv2.destroyAllWindows()

在这里插入图片描述
在这里插入图片描述
cv2.HoughLinesP()函数利用霍夫变换算法检测图像中的直线，其基本格式如下。
lines=cv2.HoughLinesP(image,rho,theta,threshold[,minLineLength[,maxLineGap]])
minLineLength为可接受的直线最小长度，默认为0
maxLineGap为共线线段之间的最大间隔，默认为0

概率霍夫直线
import cv2
import numpy as np
img=cv2.imread('D:\zhangjing\photo\shape3.jfif')
cv2.imshow('original',img)
gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
edges=cv2.Canny(gray,50,150,apertureSize=3)
lines=cv2.HoughLinesP(edges,1,np.pi/180,1,minLineLength=100,maxLineGap=10)
'''
lines=cv2.HoughLinesP(image,rho,theta,threshold[,minLineLength[,maxLineGap]])
minLineLength为可接受的直线最小长度，默认为0
maxLineGap为共线线段之间的最大间隔，默认为0
'''
img3=img.copy()
for line in lines:
    x1,y1,x2,y2=line[0]
    cv2.line(img3,(x1,y1),(x2,y2),(0,0,255),2)
cv2.imshow('HoughLines',img3)
cv2.waitKey(0)
cv2.destroyAllWindows()

在这里插入图片描述

5.3.2霍夫圆变换

cv2.HoughCircles()函数利用霍夫变换查找图像中的圆，其基本格式如下。
circles=cv2.HoughCircles(image,method,dp,mindist[param1[,param2[,minRadius[,maxRadius]]]])
method为查找方法，可设置为cv2.HOUGH_GRADIENT和cv2.HOUGH_GRADIENT_ALT。
dp为累加器分辨率，它与图像分辨率成反比。
minDist为圆心间的最小距离。
param1为对应Canny边缘检测的高阈值，默认值为100。
param2为圆心位置必须到达达到的投票数，值越大，检测出的圆越少，默认值为100。
minRadius为最小圆半径，半径小于该值的圆不会被检测出来。
maxRadius为最大圆半径，半径大于该值的圆不会被检测出来。

# 霍夫圆
import cv2
import numpy as np
img=cv2.imread('D:\zhangjing\photo\shape3.jfif')
cv2.imshow('original',img)
gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
edges=cv2.Canny(gray,50,150,apertureSize=3)
circles=cv2.HoughCircles(edges,cv2.HOUGH_GRADIENT,1,50,param2=30,minRadius=10,maxRadius=40)
circles=np.uint16(np.around(circles))
img2=img.copy()
for i in circles[0,:]:
    cv2.circle(img2,(i[0],i[1]),i[2],(255,0,0),2)
    cv2.circle(img2,(i[0],i[1]),2,(0,0,255),3)
cv2.imshow('circle',img2)
cv2.waitKey(0)
cv2.destroyAllWindows()

在这里插入图片描述

Lucky_1129
关注
  • 4
    点赞
  • 踩
  • 19
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
QT+opencv边缘检测，轮廓提取及轮廓跟踪
05-29
开发环境为QT5.8+opencv3.2，主要实现了边缘检测，轮廓提取及轮廓跟踪，边缘检测使用了Canny算子、Sobel算子、Laplacian算子，轮廓跟踪使用八邻域法。
Halcon图像边缘提取和轮廓识别
热门推荐
q247538614的博客
08-30 2万+
目录 1、图像边缘提取原理 2、边缘提取算子介绍 3、图像的亚像素边缘提取 4、亚像素轮廓的特征分析 5、xld的分割及直线拟合 6、圆及椭圆的拟合 7、中心线的提取 1、图像边缘提取原理 网上搜索图像边缘提取，有很多详细的讲解，就是讲的都太深奥，很难看明白。图像边缘提取原理并不复杂，至于一些大牛提供的复杂变换公式，也没必要深入的去研究...
机器视觉——OpenCV案例分析基础（七）（边缘检测和图像轮廓查找）
qq_26274961的博客
12-02 9320
边缘检测和图像轮廓查找一、理论分析二、代码分析2.1 边缘检测2.1.1 Sobel算子2.1.2 Scharr算子2.1.3 Laplacian算子2.1.4 Canny算子2.2 特征检测 一、理论分析 图像的边缘信息通俗来讲变化较大。基于此特征和数字图像的离散信号，我们可以计算图片的差分或梯度。 图像处理中有多种边缘检测的算电子，包括普通一阶差分，Sobel算子，Scharr算子等等，是基于寻找梯度强度。而普通二阶差分中，Laplacian算子其思想是基于过零点检测。 二、代码分析 2.1 边缘检测
【OpenCV】第十二章: 图像轮廓
因为热爱所以坚持
12-06 4414
一、轮廓检测函数：cv2.findContours() 二、轮廓绘制函数：cv2.drawContours(img, contours, contourIdx, color [, thickness, lineType, hierarchy, maxLevel, offset] ) 三、轮廓特征 四、根据轮廓的矩特征进行图像匹配 五、轮廓拟合 六、凸包 七、利用形状场景算法比较轮廓 八、计算轮廓的特征(续)
[cv基础一] 图像底层特征：轮廓与边缘
北望花村
10-19 6272
写在前面：用深度学习的方法调了一波参数，改了一波网络结构，回过头，最想做的事情，当然是好好补一补计算机视觉的基础，弥补一下对传统计算机视觉理解的薄弱部分。所以，接下来，开始补习计算机视觉的基础。供自己以后复习，看客仅供参考。 图像底层特征提取是计算机视觉的基本步骤。那么，接下来，就从what，why，how几个方面，来一一解答。 一，什么是图像底层特征？ 图像底层特征指的是：轮廓和边缘。 ...
边缘检测与轮廓跟踪的差异
qq_23100417的博客
01-22 3023
一直错以为8邻域轮廓跟踪算法就是边缘检测方法，一大bug啊。 需要注意： （1）轮廓和边缘的关系： 一般认为轮廓是对物体的完整边界的描述，边缘点一个个连接起来构成轮廓。边缘可以是一段边缘，而轮廓一般是完整的。 （2）另外，通常在进行边缘检测之后，需要通过边缘跟踪来将离散的边缘串接起来。 常使用的方法为：边缘跟踪和区域生长两种方法。边缘跟踪又分为八邻域和四邻域两种，具体原理可以其他博客。 ...
OpenCV形状检测
weixin_43229348的博客
07-30 6750
开始定义我们的ShapeDetector类。我们将跳过这里的init构造函数，因为不需要初始化任何东西。#导入必要的包importcv2classShapeDetector#初始化形状名称并近似轮廓shape="unidentified"peri=cv2.arcLength(c,True)approx=cv2.approxPolyDP(c,0.04*peri,True)我们的检测方法，它只需要一个参数c，即我们试图识别的形状的轮廓。...
OpenCV——图像梯度与边缘检测(python实现)
qq_44957388的博客
05-01 3382
OpenCV——图像梯度与边缘检测 6.1 简介 严格的说，梯度计算需要求导数。但是图像梯度的计算，是通过计算像素值的差得到梯度的近似值。图像梯度表示的是图像变化的速度，反映了图像的边缘信息。 边缘是像素值快速变化的地方。所以对于图像的边缘部分，其灰度值变化较大，梯度值也较大；对于图像中较平滑的部分，其灰度值变化较小，梯度值也较小。 为了检测边缘，我们需要检测图像中的不连续性，可以使用图像梯度来检...
opencv python 寻找轮廓/轮廓hierarchy/绘制轮廓
TanJingV的博客
04-28 4625
寻找轮廓 简单地解释为连接所有连续点（沿着边界）的曲线，具有相同的颜色或强度. 轮廓是形状分析和物体检测和识别的有用工具 为获得更好的准确性，请使用二值图，在找到轮廓之前，应用阈值法或canny边缘检测 从OpenCV 3.2开始，findContours（）不再修改源图像，而是将修改后的图像作为三个返回参数中的第一个返回 在OpenCV中，查找轮廓是从黑色背景中查找白色对象 findCont...
opencv学习笔记五——梯度计算/边缘检测
weixin_44669966的博客
07-06 395
梯度计算/边缘检测
Opencv学习笔记（七）边缘检测
weixin_43170082的博客
04-08 1018
文章目录
OpenCV+QT边缘检测
06-29
使用QT做界面，配置OpenCV环境。可以实现选择图像，图像灰度化，图像增强，滤波降噪（高斯，均值，中值），二值化（阈值可调），Canny算子（阈值可调），以及其它几种传统的边缘检测算子。下载后需将文件修改为英文...
opencv image process_边缘匹配_opencv_轮廓_
09-29
opencv关于视频播放、形态学变换、canny边缘检测、轮廓查找、模板匹配、DFT变换
Python使用Opencv实现边缘检测以及轮廓检测
02-24
Canny边缘检测器是一种被广泛使用的算法，并被认为是边缘检测最优的算法，该方法使用了比高斯差分算法更复杂的技巧，如多向灰度梯度和滞后阈值化。Canny边缘检测器算法基本步骤：平滑图像：通过使用合适的模糊半径...
OpenCV实现图像轮廓检测以及外接矩形
01-01
前两篇博文分别介绍了图像的边缘检测和轮廓检测，本文接着介绍图像的轮廓检测和轮廓外接矩形： 一、代码部分： // extract_contours.cpp : 定义控制台应用程序的入口点。 // #include stdafx.h #include #include ...
图像特征(二)——形状特征(主轮廓特征、区域特征、图像的矩及Hu矩)
gloria_iris的博客
03-29 2万+
转载请注明出处https://mp.csdn.net/console/editor/html/105172749 接续上一节内容(颜色特征)，本文主要介绍形状特征，并给出matlab上实现的demo。 形状特征 形状特征有两类表示方法，一类是轮廓特征，一类是区域特征。图像的轮廓特征主要针对物体的外边界；而图像的区域特征则关系到整个形状区域。下面将介绍几种典型的形状特征描述方...
图像处理中边缘检测和轮廓检测的区别
NodYoung
09-03 2万+
关于“轮廓检测”和“边缘检测”这两个自己也弄的不是特别清楚，可能确实比较相似吧。下面简单说一下自己的看法。 区别： 边缘检测主要是通过一些手段检测数字图像中明暗变化剧烈（即梯度变化比较大）像素点，偏向于图像中像素点的变化。如canny边缘检测，结果通常保存在和源图片一样尺寸和类型的边缘图中。 轮廓检测指检测图像中的对象边界，更偏向于关注上层语义对象。如OpenCV中的findContours(
OpenCV-图像轮廓一
h6111的博客
06-02 654
图像轮廓的概念 边缘检测虽然能够检测出边缘，但边缘是不连续的，检测到的边缘并不是一个整体。图像轮廓是指将边缘连接起来形成的一个整体，用于后续的计算。 图像轮廓是图像中非常重要的一个特征信息，通过对图像轮廓的操作，我们能够获取目标图像的大小、位置、方向等信息。 轮廓是一系列相连的点组成的曲线，代表了物体的基本外形，相对于边缘，轮廓是连续的，边缘并不全部连续。 查找并绘制轮廊 一个轮廊对应着一系列的点，这些点以某种方式表示图像中的一条曲线。在OpenCV中，函数cv2.findContours（）用于查找图像的
【OpenCV-Python】——边缘和轮廓&Laplacian/Sobel/Canny边缘检测&查找/绘制轮廓及轮廓特征&霍夫直线/圆变换
weixin_51658186的博客
04-30 4977
由于是初学者可能很多地方没有总结完全或者有误，后续深入学习后会不断回来该删，也欢迎各位朋友指正！下次学习直方图！
opencv 加深图像轮廓
最新发布
12-27
以下是使用OpenCV加深图像轮廓的方法： 1. 使用Prewitt算子进行边缘检测： ```python import cv2 # 读取图像 image = cv2.imread("image.jpg", 0) # 使用Prewitt算子进行边缘检测 prewitt_x = cv2.Sobel(image, cv2.CV_64F, 1, 0, ksize=3) prewitt_y = cv2.Sobel(image, cv2.CV_64F, 0, 1, ksize=3) prewitt = cv2.addWeighted(prewitt_x, 0.5, prewitt_y, 0.5, 0) # 显示结果 cv2.imshow("Prewitt Edge Detection", prewitt) cv2.waitKey(0) cv2.destroyAllWindows() ``` 2. 使用Canny边缘检测算法： ```python import cv2 # 读取图像 image = cv2.imread("image.jpg", 0) # 使用Canny边缘检测算法 canny = cv2.Canny(image, 100, 200) # 显示结果 cv2.imshow("Canny Edge Detection", canny) cv2.waitKey(0) cv2.destroyAllWindows() ```

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值