033-OpenCV轮廓查找与绘制、孔洞填充、连通域标记

话不多说,上代码,看结果。

import cv2           # 导入库
import numpy as np
from matplotlib import pyplot as plt
'''  
    cv2.imread(filename,flags)
# filename为文件名,图片与.py文件在一个文件夹时输入文件名即可
# 不在一个文件夹时输入图片的路径和名字
# flags为图片的颜色类型,默认为1,灰度图像为0
'''
img = cv2.imread('20.jpg')
'''
    np.copy()
# 数组拷贝,理解成备份原图像就行
# 原图像img, 备份图像img1
# 原图像随便改,备份图像还是初始的原图像
'''
img2 = img.copy()
'''
    cv2.cvtColor()
# 颜色空间转换
# img为要转换的图像,后者为转换的格式
# 颜色空间有很多种,最常见的就是RGB颜色空间
# R红色,G绿色,B蓝色,OpenCV中顺序是BGR!!!!!!!
# [255, 0,0]是蓝色,[0, 255, 0]表示绿色,[0, 0, 255]表示红色
    HSV颜色空间
# 也挺常用的,H是色调,S是饱和度,V是明度,具体百度就行
'''
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
'''
cv2.namedWindow(winname,flags)
#  winname是窗口名字
#  flags为窗口显示方式,cv2.WINDOW_NORMAL为正常显示,可以调整大小
# cv2.WINDOW_AUTOSIZE显示原图片的大小,用户不能调整大小
'''
cv2.namedWindow('img', cv2.WINDOW_NORMAL)
'''
   cv2.imshow(winname,mat)
# winname为显示的窗口
# mat 需要显示的图像
'''
cv2.imshow('img', img)
'''
    cv2.blur(src, ksize, dst, anchor, borderType)
    均值滤波
# 用邻域内像素均值来代替该点像素值,均值滤波在去噪的同时也破坏了图像细节部分
#  src 要滤波的图像   ksize 内核的大小  anchor 锚点,即要平滑的点,默认值(-1, -1),即在核中心
#  ksize(3, 3)表示3 * 3的核大小
# dst 输出图像
# borderType 图像像素边界类型,默认就行
'''
img1 = cv2.blur(img, (3, 3))
'''
    cv2.Canny(image, threshold1, threshold2, edges, apertureSize, L2gradient)
# src 输入图像 dst 输出边缘图像
# threshold1: 滞后阈值低阈值(用于边缘连接) threshold2: 滞后阈值高阈值(控制边缘初始段)
# 推荐高低阈值比值在2:1到3:1之间
# apertureSize: 表示Sobel算子孔径大小, 默认值3
# L2gradient: 计算图像梯度幅值的标识
'''
img1 = cv2.Canny(img1, 30, 100)
cv2.namedWindow('img1', cv2.WINDOW_NORMAL)
cv2.imshow('img1', img1)
# 对图片做二值变化
'''
    cv2.threshold(src, thresh, maxval, type, dst)
 给定阈值,可以过滤灰度值过大或过小的点
# src 要滤波的图像  dst 输出图像
# thresh 给定阈值  咋判断选取的这个数的好坏呢?不停尝试。
# 用Otsu 不停尝试
# 多加一个参数:cv2.THRESH_OTSU,这时要把阈值设为 0。然后算法会找到最优阈值.
# 这个最优阈值就是返回值ret。如果不使用Otsu二值化,返回的retVal 值与设定的阈值相等
# maxval cv2.THRESH_BINARY  二值化阈值,大于阈值的部分被置为255,小于部分被置为0
# cv2.THRESH_BINARY_INV     反向二值化阈值,大于阈值部分被置为0,小于部分被置为255
# cv2.THRESH_TOZERO        大于部分保持不变, 小于阈值部分被置为0
# cv2.THRESH_TOZERO_INV    大于阈值部分被置为0,小于部分保持不变
# cv2.THRESH_TRUNC          截断阈值化,大于阈值部分被置为threshold,小于部分保持原样
'''
ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
'''
    cv2.findContours(image, mode, method, contours, hierarchy, offset)
# image 输入图像, 8位单通道图像(一般为二值图)
# contours: 检测到的轮廓, 每个轮廓存储为一个点向量, 即Point类型的vector表示
# hierarchy: 可选的输出向量, 包含图像的拓扑信息。
# 其作为轮廓数量的表示, 包含了许多元素, 每个轮廓contours[i]对应4个hierarchy元素
# hierarchy[i][0]~hierarchy[i][3], 分别表示后一轮廓、前一轮廓、父轮廓、内嵌轮廓的索引编号, 
# 如果没有对应项, 设置为负数
# mode: 轮廓检索模式, 取值如下:
# cv2.RETR_EXTERNAL=0-----表示只检测最外层轮廓
# cv2.RETR_LIST=1------提取所有轮廓并放置在list中, 轮廓不建立等级关系
# cv2.RETR_CCOMP=2------提取所有轮廓并组织为双层结构
# cv2.RETR_TREE =3------提取所有轮廓并重新建立网状轮廓结构
# method: 轮廓的近似方法,有两种:
# cv2.CHAIN_APPROX_SIMPLE 压缩存储,对于水平、垂直或斜向的线段,只会保存端点
# cv2.CHAIN_APPROX_NONE  连续存储所有的轮廓点,任何两个相邻的点都是水平、垂直或斜相邻的
# offset: 每个轮廓的可选偏移量, 默认值Point()
'''
thresh, contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)
'''
    cv2.drawContours(image, contours, contourIdx, color, thickness, lineType, hierarchy, maxLevel, offset)
 画出图片中的轮廓值,也可以用来画轮廓的近似值
# img 输入的需要画的图片 contours 轮廓值
# -1表示轮廓的索引, (0, 0, 255)表示颜色, 2表示线条粗细
# lineType: 线条类型, 默认值8
# hierarcy: 可选的层次结构信息, 默认值noArray()
# maxLevel: 表示用于绘制轮廓的最大等级, 默认值INT_MAX
# offset: 可选的轮廓偏移参数, 默认值Point()
'''
ret = cv2.drawContours(img2, contours, -1, (0, 0, 255), 2)
'''
   cv2.imshow(winname,mat)
# winname为显示的窗口
# mat 需要显示的图像
'''
cv2.imshow('ret', ret)
'''
cv2.waitKey(delay)
#  delay为正数时,延时delay毫秒结束
#  想要用按下某个键时退出可用以下方法:
#  if(cv2.waitKey(0)  == ord('q')):
        exit(0)
#别的方法也行,不唯一
'''
if cv2.waitKey(0) & 0xFF == 27:
    exit(0)
'''
cv2.destroyWindow(winname)
#结束窗口,winname为窗口名
cv2.destroyAllWindows() 
#结束所有窗口
'''
cv2.destroyAllWindows()

结果如下图。
在这里插入图片描述
接下来是访问轮廓所有点。

import cv2  # 导入库
import numpy as np
'''  
    cv2.imread(filename,flags)
# filename为文件名,图片与.py文件在一个文件夹时输入文件名即可
# 不在一个文件夹时输入图片的路径和名字
# flags为图片的颜色类型,默认为1,灰度图像为0
'''
img = cv2.imread("29.jpg")  # 读取图片
'''
   cv2.imshow(winname,mat)
# winname为显示的窗口
# mat 需要显示的图像
'''
cv2.imshow("src", img)  # 显示图片
'''
    np.copy()
# 数组拷贝,理解成备份原图像就行
# 原图像img, 备份图像img1
# 原图像随便改,备份图像还是初始的原图像
'''
temp = img.copy()
'''
    cv2.cvtColor()
# 颜色空间转换
# img为要转换的图像,后者为转换的格式
# 颜色空间有很多种,最常见的就是RGB颜色空间
# R红色,G绿色,B蓝色,OpenCV中顺序是BGR!!!!!!!
# [255, 0,0]是蓝色,[0, 255, 0]表示绿色,[0, 0, 255]表示红色
    HSV颜色空间
# 也挺常用的,H是色调,S是饱和度,V是明度,具体百度就行
'''
gray = cv2.cvtColor(temp, cv2.COLOR_BGR2GRAY)

# 对图片做二值变化
'''
    cv2.threshold(src, thresh, maxval, type, dst)
 给定阈值,可以过滤灰度值过大或过小的点
# src 要滤波的图像  dst 输出图像
# thresh 给定阈值  咋判断选取的这个数的好坏呢?不停尝试。
# 用Otsu 不停尝试
# 多加一个参数:cv2.THRESH_OTSU,这时要把阈值设为 0。然后算法会找到最优阈值.
# 这个最优阈值就是返回值ret。如果不使用Otsu二值化,返回的retVal 值与设定的阈值相等
# maxval cv2.THRESH_BINARY  二值化阈值,大于阈值的部分被置为255,小于部分被置为0
# cv2.THRESH_BINARY_INV     反向二值化阈值,大于阈值部分被置为0,小于部分被置为255
# cv2.THRESH_TOZERO        大于部分保持不变, 小于阈值部分被置为0
# cv2.THRESH_TOZERO_INV    大于阈值部分被置为0,小于部分保持不变
# cv2.THRESH_TRUNC          截断阈值化,大于阈值部分被置为threshold,小于部分保持原样
'''
ret, thresh = cv2.threshold(gray, 100, 250, cv2.THRESH_BINARY)
'''
    cv2.findContours(image, mode, method, contours, hierarchy, offset)
# image 输入图像, 8位单通道图像(一般为二值图)
# contours: 检测到的轮廓, 每个轮廓存储为一个点向量, 即Point类型的vector表示
# hierarchy: 可选的输出向量, 包含图像的拓扑信息。
# 其作为轮廓数量的表示, 包含了许多元素, 每个轮廓contours[i]对应4个hierarchy元素
# hierarchy[i][0]~hierarchy[i][3], 分别表示后一轮廓、前一轮廓、父轮廓、内嵌轮廓的索引编号, 
# 如果没有对应项, 设置为负数
# mode: 轮廓检索模式, 取值如下:
# cv2.RETR_EXTERNAL=0-----表示只检测最外层轮廓
# cv2.RETR_LIST=1------提取所有轮廓并放置在list中, 轮廓不建立等级关系
# cv2.RETR_CCOMP=2------提取所有轮廓并组织为双层结构
# cv2.RETR_TREE =3------提取所有轮廓并重新建立网状轮廓结构
# method: 轮廓的近似方法,有两种:
# cv2.CHAIN_APPROX_SIMPLE 压缩存储,对于水平、垂直或斜向的线段,只会保存端点
# cv2.CHAIN_APPROX_NONE  连续存储所有的轮廓点,任何两个相邻的点都是水平、垂直或斜相邻的
# offset: 每个轮廓的可选偏移量, 默认值Point()
'''
thresh, contours, hierarchy = cv2.findContours(thresh, cv2.RETR_CCOMP, cv2.CHAIN_APPROX_NONE)
ptStart = (10, 10)  # 定义起始点
flag = 0
for i in range(0, len(contours)):
    for j in range(0, len(contours[i])):
        if j % 20 == 0:
            ptEnd = (contours[i][j][0][0], contours[i][j][0][1])
            cv2.line(img, ptStart, ptEnd, (0, 0, 255), 1, cv2.LINE_AA)
            cv2.circle(img, ptEnd, 3, (0, 255, 0), 1, cv2.LINE_AA)
            cv2.imshow("img", img)  # 显示图片
        '''
        cv2.waitKey(delay)
        #  delay为正数时,延时delay毫秒结束
        #  想要用按下某个键时退出可用以下方法:
        #  if(cv2.waitKey(0)  == ord('q')):
                exit(0)
        #别的方法也行,不唯一
        '''
        if cv2.waitKey(2) & 0xFF == 27:
            flag = 1
            break
    if flag:
        break
'''
cv2.destroyWindow(winname)
#结束窗口,winname为窗口名
cv2.destroyAllWindows() 
#结束所有窗口
'''
cv2.destroyAllWindows()

结果如下图。
在这里插入图片描述
接下来是访问每一个轮廓。

import cv2  # 导入库
import numpy as np
'''  
    cv2.imread(filename,flags)
# filename为文件名,图片与.py文件在一个文件夹时输入文件名即可
# 不在一个文件夹时输入图片的路径和名字
# flags为图片的颜色类型,默认为1,灰度图像为0
'''
img = cv2.imread("34.jpg")  # 读取图片
'''
   cv2.imshow(winname,mat)
# winname为显示的窗口
# mat 需要显示的图像
'''
cv2.imshow("src", img)  # 显示图片
'''
    np.copy()
# 数组拷贝,理解成备份原图像就行
# 原图像img, 备份图像img1
# 原图像随便改,备份图像还是初始的原图像
'''
temp = img.copy()
'''
    cv2.cvtColor()
# 颜色空间转换
# img为要转换的图像,后者为转换的格式
# 颜色空间有很多种,最常见的就是RGB颜色空间
# R红色,G绿色,B蓝色,OpenCV中顺序是BGR!!!!!!!
# [255, 0,0]是蓝色,[0, 255, 0]表示绿色,[0, 0, 255]表示红色
    HSV颜色空间
# 也挺常用的,H是色调,S是饱和度,V是明度,具体百度就行
'''
gray = cv2.cvtColor(temp, cv2.COLOR_BGR2GRAY)
# 对图片做二值变化
'''
    cv2.threshold(src, thresh, maxval, type, dst)
 给定阈值,可以过滤灰度值过大或过小的点
# src 要滤波的图像  dst 输出图像
# thresh 给定阈值  咋判断选取的这个数的好坏呢?不停尝试。
# 用Otsu 不停尝试
# 多加一个参数:cv2.THRESH_OTSU,这时要把阈值设为 0。然后算法会找到最优阈值.
# 这个最优阈值就是返回值ret。如果不使用Otsu二值化,返回的retVal 值与设定的阈值相等
# maxval cv2.THRESH_BINARY  二值化阈值,大于阈值的部分被置为255,小于部分被置为0
# cv2.THRESH_BINARY_INV     反向二值化阈值,大于阈值部分被置为0,小于部分被置为255
# cv2.THRESH_TOZERO        大于部分保持不变, 小于阈值部分被置为0
# cv2.THRESH_TOZERO_INV    大于阈值部分被置为0,小于部分保持不变
# cv2.THRESH_TRUNC          截断阈值化,大于阈值部分被置为threshold,小于部分保持原样
'''
ret, thresh = cv2.threshold(gray, 100, 250, cv2.THRESH_BINARY)
'''
    cv2.findContours(image, mode, method, contours, hierarchy, offset)
# image 输入图像, 8位单通道图像(一般为二值图)
# contours: 检测到的轮廓, 每个轮廓存储为一个点向量, 即Point类型的vector表示
# hierarchy: 可选的输出向量, 包含图像的拓扑信息。
# 其作为轮廓数量的表示, 包含了许多元素, 每个轮廓contours[i]对应4个hierarchy元素
# hierarchy[i][0]~hierarchy[i][3], 分别表示后一轮廓、前一轮廓、父轮廓、内嵌轮廓的索引编号, 
# 如果没有对应项, 设置为负数
# mode: 轮廓检索模式, 取值如下:
# cv2.RETR_EXTERNAL=0-----表示只检测最外层轮廓
# cv2.RETR_LIST=1------提取所有轮廓并放置在list中, 轮廓不建立等级关系
# cv2.RETR_CCOMP=2------提取所有轮廓并组织为双层结构
# cv2.RETR_TREE =3------提取所有轮廓并重新建立网状轮廓结构
# method: 轮廓的近似方法,有两种:
# cv2.CHAIN_APPROX_SIMPLE 压缩存储,对于水平、垂直或斜向的线段,只会保存端点
# cv2.CHAIN_APPROX_NONE  连续存储所有的轮廓点,任何两个相邻的点都是水平、垂直或斜相邻的
# offset: 每个轮廓的可选偏移量, 默认值Point()
'''
thresh, contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)
flag = 0
for cnt in contours:
    for j in range(0, len(cnt)):
        '''
            cv2.drawContours(image, contours, contourIdx, color, thickness, lineType, hierarchy, maxLevel, offset)
         画出图片中的轮廓值,也可以用来画轮廓的近似值
        # img 输入的需要画的图片 contours 轮廓值
        # -1表示轮廓的索引, (0, 0, 255)表示颜色, 2表示线条粗细
        # lineType: 线条类型, 默认值8
        # hierarcy: 可选的层次结构信息, 默认值noArray()
        # maxLevel: 表示用于绘制轮廓的最大等级, 默认值INT_MAX
        # offset: 可选的轮廓偏移参数, 默认值Point()
        '''
        cv2.drawContours(img, cnt, j, (0, 0, 255), 3)
        cv2.imshow("img", img)  # 显示图片
        '''
        cv2.waitKey(delay)
        #  delay为正数时,延时delay毫秒结束
        #  想要用按下某个键时退出可用以下方法:
        #  if(cv2.waitKey(0)  == ord('q')):
                exit(0)
        #别的方法也行,不唯一
        '''
        if cv2.waitKey(5) & 0xFF == 27:
            flag = 1
            break
    if flag:
        break
'''
cv2.destroyWindow(winname)
#结束窗口,winname为窗口名
cv2.destroyAllWindows() 
#结束所有窗口
'''
cv2.destroyAllWindows()

结果如下图。
在这里插入图片描述
接下来是孔洞填充。


import cv2           # 导入库
import numpy as np
from matplotlib import pyplot as plt
'''  
    cv2.imread(filename,flags)
# filename为文件名,图片与.py文件在一个文件夹时输入文件名即可
# 不在一个文件夹时输入图片的路径和名字
# flags为图片的颜色类型,默认为1,灰度图像为0
'''
img = cv2.imread('74.jpg')
'''
    np.copy()
# 数组拷贝,理解成备份原图像就行
# 原图像img, 备份图像img1
# 原图像随便改,备份图像还是初始的原图像
'''
img2 = img.copy()
'''
    cv2.cvtColor()
# 颜色空间转换
# img为要转换的图像,后者为转换的格式
# 颜色空间有很多种,最常见的就是RGB颜色空间
# R红色,G绿色,B蓝色,OpenCV中顺序是BGR!!!!!!!
# [255, 0,0]是蓝色,[0, 255, 0]表示绿色,[0, 0, 255]表示红色
    HSV颜色空间
# 也挺常用的,H是色调,S是饱和度,V是明度,具体百度就行
'''
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
'''
cv2.namedWindow(winname,flags)
#  winname是窗口名字
#  flags为窗口显示方式,cv2.WINDOW_NORMAL为正常显示,可以调整大小
# cv2.WINDOW_AUTOSIZE显示原图片的大小,用户不能调整大小
'''
cv2.namedWindow('img', cv2.WINDOW_NORMAL)
'''
   cv2.imshow(winname,mat)
# winname为显示的窗口
# mat 需要显示的图像
'''
cv2.imshow('img', img)
'''
    cv2.blur(src, ksize, dst, anchor, borderType)
    均值滤波
# 用邻域内像素均值来代替该点像素值,均值滤波在去噪的同时也破坏了图像细节部分
#  src 要滤波的图像   ksize 内核的大小  anchor 锚点,即要平滑的点,默认值(-1, -1),即在核中心
#  ksize(3, 3)表示3 * 3的核大小
# dst 输出图像
# borderType 图像像素边界类型,默认就行
'''
img1 = cv2.blur(img, (3, 3))
'''
    cv2.Canny(image, threshold1, threshold2, edges, apertureSize, L2gradient)
# src 输入图像 dst 输出边缘图像
# threshold1: 滞后阈值低阈值(用于边缘连接) threshold2: 滞后阈值高阈值(控制边缘初始段)
# 推荐高低阈值比值在2:1到3:1之间
# apertureSize: 表示Sobel算子孔径大小, 默认值3
# L2gradient: 计算图像梯度幅值的标识
'''
img1 = cv2.Canny(img1, 30, 100)
cv2.namedWindow('img1', cv2.WINDOW_NORMAL)
cv2.imshow('img1', img1)
# 对图片做二值变化
'''
    cv2.threshold(src, thresh, maxval, type, dst)
 给定阈值,可以过滤灰度值过大或过小的点
# src 要滤波的图像  dst 输出图像
# thresh 给定阈值  咋判断选取的这个数的好坏呢?不停尝试。
# 用Otsu 不停尝试
# 多加一个参数:cv2.THRESH_OTSU,这时要把阈值设为 0。然后算法会找到最优阈值.
# 这个最优阈值就是返回值ret。如果不使用Otsu二值化,返回的retVal 值与设定的阈值相等
# maxval cv2.THRESH_BINARY  二值化阈值,大于阈值的部分被置为255,小于部分被置为0
# cv2.THRESH_BINARY_INV     反向二值化阈值,大于阈值部分被置为0,小于部分被置为255
# cv2.THRESH_TOZERO        大于部分保持不变, 小于阈值部分被置为0
# cv2.THRESH_TOZERO_INV    大于阈值部分被置为0,小于部分保持不变
# cv2.THRESH_TRUNC          截断阈值化,大于阈值部分被置为threshold,小于部分保持原样
'''
ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
'''
    cv2.findContours(image, mode, method, contours, hierarchy, offset)
# image 输入图像, 8位单通道图像(一般为二值图)
# contours: 检测到的轮廓, 每个轮廓存储为一个点向量, 即Point类型的vector表示
# hierarchy: 可选的输出向量, 包含图像的拓扑信息。
# 其作为轮廓数量的表示, 包含了许多元素, 每个轮廓contours[i]对应4个hierarchy元素
# hierarchy[i][0]~hierarchy[i][3], 分别表示后一轮廓、前一轮廓、父轮廓、内嵌轮廓的索引编号, 
# 如果没有对应项, 设置为负数
# mode: 轮廓检索模式, 取值如下:
# cv2.RETR_EXTERNAL=0-----表示只检测最外层轮廓
# cv2.RETR_LIST=1------提取所有轮廓并放置在list中, 轮廓不建立等级关系
# cv2.RETR_CCOMP=2------提取所有轮廓并组织为双层结构
# cv2.RETR_TREE =3------提取所有轮廓并重新建立网状轮廓结构
# method: 轮廓的近似方法,有两种:
# cv2.CHAIN_APPROX_SIMPLE 压缩存储,对于水平、垂直或斜向的线段,只会保存端点
# cv2.CHAIN_APPROX_NONE  连续存储所有的轮廓点,任何两个相邻的点都是水平、垂直或斜相邻的
# offset: 每个轮廓的可选偏移量, 默认值Point()
'''
thresh, contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)
'''
    cv2.drawContours(image, contours, contourIdx, color, thickness, lineType, hierarchy, maxLevel, offset)
 画出图片中的轮廓值,也可以用来画轮廓的近似值
# img 输入的需要画的图片 contours 轮廓值
# -1表示轮廓的索引, (0, 0, 255)表示颜色, 2表示线条粗细
# lineType: 线条类型, 默认值8
# hierarcy: 可选的层次结构信息, 默认值noArray()
# maxLevel: 表示用于绘制轮廓的最大等级, 默认值INT_MAX
# offset: 可选的轮廓偏移参数, 默认值Point()
'''
ret = cv2.drawContours(img2, contours, -1, (255, 0, 255), -1)
'''
   cv2.imshow(winname,mat)
# winname为显示的窗口
# mat 需要显示的图像
'''
cv2.imshow('ret', ret)
'''
cv2.waitKey(delay)
#  delay为正数时,延时delay毫秒结束
#  想要用按下某个键时退出可用以下方法:
#  if(cv2.waitKey(0)  == ord('q')):
        exit(0)
#别的方法也行,不唯一
'''
if cv2.waitKey(0) & 0xFF == 27:
    exit(0)
'''
cv2.destroyWindow(winname)
#结束窗口,winname为窗口名
cv2.destroyAllWindows() 
#结束所有窗口
'''
cv2.destroyAllWindows()

结果如下图。
在这里插入图片描述
接下来是连通域标记。

import cv2
import random
'''  
    cv2.imread(filename,flags)
# filename为文件名,图片与.py文件在一个文件夹时输入文件名即可
# 不在一个文件夹时输入图片的路径和名字
# flags为图片的颜色类型,默认为1,灰度图像为0
'''
img = cv2.imread('74.jpg')
'''
    np.copy()
# 数组拷贝,理解成备份原图像就行
# 原图像img, 备份图像img1
# 原图像随便改,备份图像还是初始的原图像
'''
temp = img.copy()
'''
    cv2.cvtColor()
# 颜色空间转换
# img为要转换的图像,后者为转换的格式
# 颜色空间有很多种,最常见的就是RGB颜色空间
# R红色,G绿色,B蓝色,OpenCV中顺序是BGR!!!!!!!
# [255, 0,0]是蓝色,[0, 255, 0]表示绿色,[0, 0, 255]表示红色
    HSV颜色空间
# 也挺常用的,H是色调,S是饱和度,V是明度,具体百度就行
'''
gray = cv2.cvtColor(temp, cv2.COLOR_BGR2GRAY)

'''
    cv2.GaussianBlur(src,ksize, sigmaX, dst, sigmaY, borderType)
    高斯滤波
# src 要滤波的图像  dst 输出图像 
# ksize(x,y)表示内核大小,x,y可以不同,但是必须为正奇数或者0, 由sigma计算得来  
# sigmaX: 表示高斯函数在X方向上的标准偏差
# sigmaY: 表示高斯函数在Y方向上的标准偏差 
# 若sigmaY=0, 就将它设置为sigmaX; 
# 若sigmaY、sigmaX=0,则由ksize.x和ksize.y计算出来
# borderType 图像像素边界类型,默认就行
'''
gray = cv2.GaussianBlur(gray, (3, 3), 0)
'''
cv2.namedWindow(winname,flags)
#  winname是窗口名字
#  flags为窗口显示方式,cv2.WINDOW_NORMAL为正常显示,可以调整大小
# cv2.WINDOW_AUTOSIZE显示原图片的大小,用户不能调整大小
'''
cv2.namedWindow('src', cv2.WINDOW_NORMAL)
'''
   cv2.imshow(winname,mat)
# winname为显示的窗口
# mat 需要显示的图像
'''
cv2.imshow('src', img)
'''
    cv2.dilate(src, kerenl, dst, anchor, iterations, borderType, borderValue)
    膨胀
# src 要膨胀的图像  dst 输出图像
# kerenl 膨胀操作的核, 当为NULL时, 表示使用参考点位于中心的3x3的核
# 一般使用cv2.getStructuringElement获得指定形状和尺寸的结构元素(核)
# kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (3, 3))  # 椭圆结构
# kernel = cv2.getStructuringElement(cv2.MORPH_CROSS, (3, 3))  # 十字结构
# kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))  # 矩形结构
# anchor 锚的位置, 默认值Point(-1,-1), 表示位于中心
# interations: 膨胀的次数
# borderType: 边界模式, 一般采用默认值
# borderValue: 边界值, 一般采用默认值
'''
kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (9, 9))  # 椭圆结构
kernel1 = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))  # 矩形结构
gray = cv2.dilate(gray, kernel, iterations=1)
'''
    cv2.dilate(src, kerenl, dst, anchor, iterations, borderType, borderValue)
    膨胀
# src 要膨胀的图像  dst 输出图像
# kerenl 膨胀操作的核, 当为NULL时, 表示使用参考点位于中心的3x3的核
# 一般使用cv2.getStructuringElement获得指定形状和尺寸的结构元素(核)
# kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (3, 3))  # 椭圆结构
# kernel = cv2.getStructuringElement(cv2.MORPH_CROSS, (3, 3))  # 十字结构
# kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))  # 矩形结构
# anchor 锚的位置, 默认值Point(-1,-1), 表示位于中心
# interations: 膨胀的次数
# borderType: 边界模式, 一般采用默认值
# borderValue: 边界值, 一般采用默认值
'''
gray = cv2.erode(gray, kernel1, iterations=1)

# 先膨胀后腐蚀,用闭运算即可
'''
    cv2.morphologyEx(src, op, kernel, dst, anchor, iterations, borderType, borderValue)
# src 要开运算的图像  dst 输出图像
# op  表示形态学运算的类型, 可以取如下值
# cv2.MORPH_OPEN    先腐蚀后膨胀的过程。开运算可以用来消除小黑点,在纤细点处分离物体、平滑较大物体的边界的   同时并不明显改变其面积。
# cv2.MORPH_CLOSE   先膨胀后腐蚀的过程。闭运算可以用来排除小黑洞。
# cv2.MORPH_GRADIENT    形态学梯度是膨胀图与腐蚀图之差, 对二值图可以将团块(blob)边缘凸显出来, 可以用其来保留边缘轮廓。
# cv2.MORPH_TOPHAT  顶帽(top-hat):将突出比原轮廓亮的部分。
# cv2.MORPH_BLACKHAT    将突出比原轮廓暗的部分。
# kerenl 腐蚀操作的核, 当为NULL时, 表示使用参考点位于中心的3x3的核
# 一般使用cv2.getStructuringElement获得指定形状和尺寸的结构元素(核)
# kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (3, 3))  # 椭圆结构
# kernel = cv2.getStructuringElement(cv2.MORPH_CROSS, (3, 3))  # 十字结构
# kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))  # 矩形结构
# kernel = NULL时, 表示使用参考点位于中心的3x3的核
# anchor 锚的位置, 默认值Point(-1,-1), 表示位于中心
# interations: 开运算的次数
# borderType: 边界模式, 一般采用默认值
# borderValue: 边界值, 一般采用默认值
'''
# gray = cv2.morphologyEx(gray, cv2.MORPH_CLOSE, kernel, iterations=
'''
    cv2.threshold(src, thresh, maxval, type, dst)
 给定阈值,可以过滤灰度值过大或过小的点
# src 要滤波的图像  dst 输出图像
# thresh 给定阈值  咋判断选取的这个数的好坏呢?不停尝试。
# 用Otsu 不停尝试
# 多加一个参数:cv2.THRESH_OTSU,这时要把阈值设为 0。然后算法会找到最优阈值.
# 这个最优阈值就是返回值ret。如果不使用Otsu二值化,返回的retVal 值与设定的阈值相等
# maxval cv2.THRESH_BINARY  二值化阈值,大于阈值的部分被置为255,小于部分被置为0
# cv2.THRESH_BINARY_INV     反向二值化阈值,大于阈值部分被置为0,小于部分被置为255
# cv2.THRESH_TOZERO        大于部分保持不变, 小于阈值部分被置为0
# cv2.THRESH_TOZERO_INV    大于阈值部分被置为0,小于部分保持不变
# cv2.THRESH_TRUNC          截断阈值化,大于阈值部分被置为threshold,小于部分保持原样
'''
ret, thresh = cv2.threshold(gray, 150, 250, cv2.THRESH_BINARY)
'''
    cv2.findContours(image, mode, method, contours, hierarchy, offset)
# image 输入图像, 8位单通道图像(一般为二值图)
# contours: 检测到的轮廓, 每个轮廓存储为一个点向量, 即Point类型的vector表示
# hierarchy: 可选的输出向量, 包含图像的拓扑信息。
# 其作为轮廓数量的表示, 包含了许多元素, 每个轮廓contours[i]对应4个hierarchy元素
# hierarchy[i][0]~hierarchy[i][3], 分别表示后一轮廓、前一轮廓、父轮廓、内嵌轮廓的索引编号, 
# 如果没有对应项, 设置为负数
# mode: 轮廓检索模式, 取值如下:
# cv2.RETR_EXTERNAL=0-----表示只检测最外层轮廓
# cv2.RETR_LIST=1------提取所有轮廓并放置在list中, 轮廓不建立等级关系
# cv2.RETR_CCOMP=2------提取所有轮廓并组织为双层结构
# cv2.RETR_TREE =3------提取所有轮廓并重新建立网状轮廓结构
# method: 轮廓的近似方法,有两种:
# cv2.CHAIN_APPROX_SIMPLE 压缩存储,对于水平、垂直或斜向的线段,只会保存端点
# cv2.CHAIN_APPROX_NONE  连续存储所有的轮廓点,任何两个相邻的点都是水平、垂直或斜相邻的
# offset: 每个轮廓的可选偏移量, 默认值Point()
'''
thresh, contours, hierarchy = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)
# contours: 检测到的轮廓, 每个轮廓存储为一个点向量
'''
    cv2.drawContours(image, contours, contourIdx, color, thickness, lineType, hierarchy, maxLevel, offset)
    ret = cv2.drawContours(img2, contours, -1, (0, 0, 255), 2)
 画出图片中的轮廓值,也可以用来画轮廓的近似值
# img 输入的需要画的图片 contours 轮廓值
# -1表示轮廓的索引, (0, 0, 255)表示颜色, 2表示线条粗细
# lineType: 线条类型, 默认值8
# hierarcy: 可选的层次结构信息, 默认值noArray()
# maxLevel: 表示用于绘制轮廓的最大等级, 默认值INT_MAX
# offset: 可选的轮廓偏移参数, 默认值Point()
'''
for i in range(0, len(contours)):
    cv2.drawContours(img, contours, i, (random.randint(0, 255), random.randint(0, 255), random.randint(0, 255)), -1)
cv2.imshow('contours', img)
'''
cv2.waitKey(delay)
#  delay为正数时,延时delay毫秒结束
#  想要用按下某个键时退出可用以下方法:
#  if(cv2.waitKey(0)  == ord('q')):
        exit(0)
#别的方法也行,不唯一
'''
if cv2.waitKey(0) & 0xFF == 27:
    exit(0)
'''
cv2.destroyWindow(winname)
#结束窗口,winname为窗口名
cv2.destroyAllWindows() 
#结束所有窗口
'''
cv2.destroyAllWindows()

结果如下图。
在这里插入图片描述
在这里插入图片描述
可见膨胀腐蚀的核调整适当的话,不同的区域会被连接在一起,用相同颜色标记出来。

  • 3
    点赞
  • 37
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
### 回答1: OpenCV可以使用函数fillPoly来填充二值图像中的孔洞轮廓。fillPoly函数可以填充多边形区域,使用该函数可以将图像中指定的多边形形状内的像素点颜色填充为指定的灰度值或颜色。 使用fillPoly函数填充孔洞轮廓的步骤如下: 1. 首先,需要准备一个与要填充孔洞轮廓相同大小的图像作为掩膜(mask),该图像的像素值应初始化为0。 2. 然后,需要将孔洞轮廓的顶点坐标按照顺时针或逆时针的顺序保存在一个numpy数组中。 3. 调用fillPoly函数,将掩膜图像、保存顶点坐标的数组、数组长度作为参数传入。 4. 设置要填充的颜色或灰度值。 5. 调用imshow函数显示填充后的图像。 以下是一个示例代码: import numpy as np import cv2 # 创建与原始图像大小一致的掩膜 mask = np.zeros((height, width), dtype=np.uint8) # 定义孔洞轮廓的顶点坐标 contour = np.array([[100, 100], [200, 100], [200, 200], [100, 200]], dtype=np.int32) # 使用fillPoly函数填充孔洞轮廓 cv2.fillPoly(mask, [contour], 255) # 设置填充颜色为白色 color = (255, 255, 255) # 将填充结果显示出来 result = cv2.bitwise_and(image, image, mask=mask) result = cv2.cvtColor(result, cv2.COLOR_BGR2RGB) # 将BGR格式转为RGB格式 cv2.imshow("Filled Image", result) cv2.waitKey(0) cv2.destroyAllWindows() 这样就可以使用OpenCV中的fillPoly函数来实现填充二值图像中的孔洞轮廓。注意,使用fillPoly填充孔洞轮廓前,需要先创建一个与原始图像大小一致的掩膜图像,并将孔洞轮廓的顶点坐标按照顺时针或逆时针的顺序保存在一个numpy数组中。 ### 回答2: 使用OpenCV填充二值图中的孔洞轮廓可以通过以下步骤实现: 1. 首先,加载二值图像并确保图像中只有两个像素值0和255(或1和0),其中0代表背景像素,255(或1)代表对象像素。 2. 使用OpenCV的findContours函数找到图像中对象的轮廓。该函数返回边界点的列表。 3. 遍历每个轮廓,使用OpenCV的drawContours函数将轮廓绘制一个单独的黑色背景图像上。 4. 将绘制轮廓的黑色图像进行二值化,将轮廓内部的像素设置为255。 5. 在原始的二值图像上使用bitwise_or函数与上述二值化的图像进行逻辑或操作。此操作将使用轮廓填充孔洞。 以下是示例代码: ```python import cv2 import numpy as np # 加载二值图像 image = cv2.imread('binary_image.png', cv2.IMREAD_GRAYSCALE) # 创建黑色背景图像 filled_image = np.zeros_like(image) # 寻找轮廓 contours, hierarchy = cv2.findContours(image, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) # 绘制轮廓 cv2.drawContours(filled_image, contours, -1, (255), thickness=cv2.FILLED) # 二值化填充后的图像 filled_image = cv2.threshold(filled_image, 1, 255, cv2.THRESH_BINARY)[1] # 逻辑或操作填充孔洞 filled_image = cv2.bitwise_or(image, filled_image) # 显示填充后的图像 cv2.imshow('Filled Image', filled_image) cv2.waitKey(0) cv2.destroyAllWindows() ``` 上述代码中,我们首先加载二值图像。然后使用findContours函数找到轮廓,并在黑色背景图像上绘制轮廓。接下来,将绘制轮廓的图像进行二值化,然后使用bitwise_or函数与原始二值图像进行逻辑或操作。最后,显示填充后的图像。

“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

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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