课件链接:https://pan.baidu.com/s/1paVjqdf0W_aCksoacPh2aA
提取码:w4qf
一、Canny边缘检测
- 使用高斯滤波器,以平滑图像,滤除噪音
- 计算图像中每个像素点的梯度强度和方向
- 应用非极大值抑制,以消除边缘检测带来的杂散响应
- 应用双阈值检测来确定真正的和潜在的边缘
- 通过抑制孤立的弱边缘最终完成边缘检测
1:高斯滤波器
2:梯度与方向
3:非极大值抑制
4:双阈值检测
从下图可以看出:A点超出最大边界值,被处理为边界,舍弃。C点满足条件,而且与边界相连(A点)。B点虽然在min<B<max,但是没有与边界点相连,舍弃
img=cv2.imread("lena.jpg",cv2.IMREAD_GRAYSCALE)
#设置阈值
v1=cv2.Canny(img,80,150)
v2=cv2.Canny(img,50,100)
#hstack()方法为把两个图合成到一起显示
res = np.hstack((v1,v2))
def cv_show(img,name):
cv2.imshow(name,img)
cv2.waitKey()
cv2.destroyAllWindows()
cv_show(res,'res')
从图中可以看出,右边的图像更复杂,阈值取的小,获取的像素点多。
img=cv2.imread("car.png",cv2.IMREAD_GRAYSCALE)
v1=cv2.Canny(img,120,250)
v2=cv2.Canny(img,50,100)
res = np.hstack((v1,v2))
#调用方法
cv_show(res,'res')
二、图像金字塔
- 高斯金字塔
- 拉普拉斯金字塔
高斯金字塔:向下采样方法(缩小)从下往上
高斯金字塔:向上采样方法(放大)从上往下
把一个数字作为左上边界,其它位置补0
img=cv2.imread("AM.png")
cv_show(img,'img')
print (img.shape)
(442, 340, 3)
up=cv2.pyrUp(img)
cv_show(up,'up')
print (up.shape)
(884, 680, 3)
由于图像太大就不展示了
也可以连续的向下向上采样
down=cv2.pyrDown(img)
cv_show(down,'down')
print (down.shape)
(221, 170, 3)
拉普拉斯金字塔
down=cv2.pyrDown(img)
down_up=cv2.pyrUp(down)
l_1=img-down_up
cv_show(l_1,'l_1')
三、图像轮廓
cv2.findContours(img,mode,method)
mode:轮廓检索模式
- RETR_EXTERNAL :只检索最外面的轮廓;
- RETR_LIST:检索所有的轮廓,并将其保存到一条链表当中;
- RETR_CCOMP:检索所有的轮廓,并将他们组织为两层:顶层是各部分的外部边界,第二层是空洞的边界;
- RETR_TREE:检索所有的轮廓,并重构嵌套轮廓的整个层次;(常用此方法)
method:轮廓逼近方法
- CHAIN_APPROX_NONE:以Freeman链码的方式输出轮廓,所有其他方法输出多边形(顶点的序列)。
- CHAIN_APPROX_SIMPLE:压缩水平的、垂直的和斜的部分,也就是,函数只保留他们的终点部分。
为了更高的准确率,使用二值图像。
#读取图像
img = cv2.imread('contours.png')
#转换成灰度图
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
#使用阈值
ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
cv_show(thresh,'thresh')
-contours:一个列表,每一项都是一个轮廓, 不会存储轮廓所有的点,只存储能描述轮廓的点
-hierarchy:一个ndarray, 元素数量和轮廓数量一样,
-每个轮廓contours[i]对应4个hierarchy元素hierarchy[i][0] ~hierarchy[i][3],分别表示后一个轮廓、前一个轮廓、父轮廓、内嵌轮廓的索引编号,如果没有对应项,则该值为负数
绘制轮廓
#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()
#BGR格式(0,0,255)
res = cv2.drawContours(draw_img, contours, -1, (0, 0, 255), 2)
cv_show(res,'res')
draw_img = img.copy()
res = cv2.drawContours(draw_img, contours, 0, (0, 0, 255), 2)
cv_show(res,'res')
-drawContours的第三个参数:从0开始,0表示内部轮廓,1表示外部。-1表示全部图形轮廓
-最后一个参数:表示线条宽度
轮廓特征
#拿取第一个轮廓,在计算轮廓时要一个一个轮廓计算
cnt = contours[0]
#面积
cv2.contourArea(cnt)
8500.5
#周长,True表示闭合的
cv2.arcLength(cnt,True)
437.9482651948929
轮廓近似
#读取图像
img = cv2.imread('contours2.png')
#转换成灰度图
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
#二值
ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
#图像轮廓
contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)
#读取第一个图像
cnt = contours[0]
#复制一个
draw_img = img.copy()
res = cv2.drawContours(draw_img, [cnt], -1, (0, 0, 255), 2)
cv_show(res,'res')
#按照周长的百分比,这里使用的0.1,根据设置的百分比不同,显示的效果不一样
#百分比越小轮廓越全
epsilon = 0.1*cv2.arcLength(cnt,True)
#近似函数:传入轮廓、百分比值,得到的结果也是一个轮廓
approx = cv2.approxPolyDP(cnt,epsilon,True)
draw_img = img.copy()
#进行展示
res = cv2.drawContours(draw_img, [approx], -1, (0, 0, 255), 2)
cv_show(res,'res')
外界矩形
img = cv2.imread('contours.png')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)
cnt = contours[0]
#得到坐标点
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')
#轮廓面积
area = cv2.contourArea(cnt)
x, y, w, h = cv2.boundingRect(cnt)
#外界矩形面积
rect_area = w * h
extent = float(area) / rect_area
print ('轮廓面积与边界矩形比',extent)
轮廓面积与边界矩形比 0.5154317244724715
外接圆
(x,y),radius = cv2.minEnclosingCircle(cnt)
center = (int(x),int(y))
radius = int(radius)
img = cv2.circle(img,center,radius,(0,255,0),2)
cv_show(img,'img')