轮廓识别

Posted on 2023-09-18 Views:

函数介绍

Canny

用于执行边缘检测，更容易理解单通道图像

1	edges = cv2.Canny(image, threshold1, threshold2, apertureSize, L2gradient)

image:单通道灰度图像
threshold1和threshold2用于控制边缘检测的阈值函数，1设置低阈值，2高阈值。边缘强度高于2的被视为强边缘，介于1和2的被视为弱边缘，其他的被视为非边缘点。通过调整这两个阈值，可以控制检测边缘的数量和质量
L2gradient:布尔值，指定计算梯度幅度时是否使用L2范数（欧氏距离）False使用L1范数计算

findContours

opencv库的一个函数，用于在二进制图像中查找对象（白色）的边界轮廓，四个参数：

image:二进制图像
mode:轮廓的检索模式
- cv2.RETR_EXTERNAL仅提取最外部轮廓
- cv2.RETR_LIST提取所有轮廓，不建立父子关系
- cv2.RETR_CCOMP提取所有轮廓并组织成两层的层次结构
- cv2.RETR_TREE提取所有轮廓，并构建完整的层次结构
method:表示轮廓的逼近方法，用于压缩轮廓的表示
- cv2.CHAIN_APPROX_NONE存储所有轮廓点，不做压缩
- cv2.CHAIN_APPROX_SIMPLE仅存储水平，垂直和对角线方向的端点，其余的舍弃
- cv2.CHAIN_APPROX_TC89_L1和cv2.CHAIN_APPROX_TC89_KCOS应用Teh-Chin链逼近算法，获得更精确的表示
offset:可选参数，通常为(0, 0)，表示偏移量

两个返回值：

contours:一个列表，包含检测到的轮廓

inRange

创建二进制掩码，可以设定RGB的范围来选择感兴趣的图像，在颜色范围内的像素设置为1，不在的设置为0（黑色）

1	cv2.inRange(src, lower_bound, upper_bound)

bitwise_and

执行位与操作，将原始图像与二进制掩码相乘，以保留蓝色像素。用于图像融合，图像分割等任务

# 定义蓝色的颜色范围（BGR值）
lower_blue = np.array([240, 120, 40])  # 蓝色的下限
upper_blue = np.array([255, 255, 110])  # 蓝色的上限

# 创建蓝色的二进制掩码
blue_mask = cv2.inRange(image, lower_blue, upper_blue)

# 将掩码应用到原始图像上
blue_circle = cv2.bitwise_and(image, image, mask=blue_mask)

threshold

将灰度图像二值化

import cv2
# 读取灰度化图像
image = cv2.imread('your_image.jpg', cv2.IMREAD_GRAYSCALE)
# 自定义阈值
threshold_value = 128
# 使用阈值将图像进行二值化
_, binary_image = cv2.threshold(image, threshold_value, 255, cv2.THRESH_BINARY)
# 显示二值化图像
cv2.imshow('Binary Image', binary_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

四个参数：原始灰度化图像，阈值，最大像素值（通常为255，表示前景），阈值类型（THRESH_BIANARY表示像素值大于阈值的被设置为255，小于的被设为0）

两个返回值：使用的阈值（不关心用_表示）和二值化图像

还有其他的阈值类型：

cv2.THRESH_BINARY_INV:反向二进制阈值，像素值大于阈值的被设置为0，小于的被设置为225
cv2.SHRESH_TRUNC:截断阈值。像素值大于阈值的被设为阈值，小于阈值的保持不变
cv2.THRESH_TOZERO:像素值小于阈值被设为0，大于阈值的保持不变
cv2.THRESH_TOZERO_INV:小于阈值的保持不变，大于阈值的被设为0

contourArea

用于计算轮廓面积，接受一个轮廓对象（通常是findContours返回的轮廓列表中的一个轮廓）作为参数，返回轮廓面积

1
2
3

contours = np.array([[100, 100], [200, 100], [150, 200]])
print(cv2.contourArea(contours))
# 结果为5000.0

arcLength

计算轮廓的周长（弧长），两个参数：

curve:轮廓对象
closed:布尔值，指定是否封闭

如果轮廓的第一个点和最后一个点不是相同的点，**True会自动添加一条线段来封闭轮廓，False则不会添加额外的线段 **

getStructuringElement

用于创建形态学操作元素，与形态学操作如腐蚀、膨胀、开运算、闭运算一起使用

cv2.MORPH_RECT：矩形结构元素
cv2.MORPH_CROSS：十字形结构元素
cv2.MORPH_ELLIPSE：椭圆形结构元素
ksize：指定结构元素大小，通常为奇数
anchor：可选参数，指定锚点位置，默认为结构元素中心

该函数返回一个矩阵

morphologyEx

执行形态学操作，应用于二值图像，以改变对象的形状，大小和结构

op形态学操作类型：

cv2.MORPH_ERODE：腐蚀操作
cv2.MORPH_DILATE：膨胀操作
cv2.MORPH_OPEN：开运算（先腐蚀后膨胀）
cv2.MORPH_CLOSE：闭运算（先膨胀后腐蚀）
cv2.MORPH_GRADIENT：形态学梯度（膨胀图像减去腐蚀图像）
cv2.MORPH_TOPHAT：顶帽运算
cv2.MORPH_BLACKHAT：黑帽运算

kernel1 = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))
kernel2 = cv2.getStructuringElement(cv2.MORPH_RECT, (25, 25))

# 执行开运算
opened_image = cv2.morphologyEx(thresholded_image, cv2.MORPH_OPEN, kernel1)

# 执行闭运算
closed_image = cv2.morphologyEx(floodfilled_image, cv2.MORPH_CLOSE, kernel2)

approxPloyDP

用于多边形逼近，简化和近似复杂轮廓的多边形，减少顶点，用于在轮廓检测后对轮廓进行后处理。三个参数：

curve:轮廓对象，一个numpy数组
epsilon:逼近精度，是一个最大允许距离的参数（原始轮廓和逼近后的多边形之间的最大距离），较大的epsilon会导致更少的点，较小的会产生更多的点
closed:布尔值，指定逼近后的多边形是否封闭，若为True，则逼近后的多边形首尾连接

#获取轮廓角点坐标
approx = cv2.approxPolyDP(obj,0.02*perimeter,True)  
#轮廓角点的数量
CornerNum = len(approx)

rectangle

绘制矩形，可以是实心或仅包含边框，用于标记对象，参数：

img:要在其上绘制矩形的图像
pt1:矩形的左上角顶点坐标，两个整数值的元组
pt2:右下角
color
thickness
lineType
shift:像素坐标的小数位数，通常为0

putText

在图像上绘制文本，用于标注

img
text
org:文本的左下角坐标，元组
fontFace:字体类型
fontScale:文本大小比例因子
color、thickness、lineType
bottomLeftOrigin:布尔值，指定坐标原点位置，True左下角，False左上角，默认为False

boundingRect

用于计算包含整个轮廓的最小矩形边框

1	x, y, w, h = cv2.boundingRect(points)

(x,y)是矩形左上角坐标（遍历轮廓的所有点，找到最小、最大x,y坐标）
w,h是矩形的宽度和高度

drawContours

用于在已有图像上绘制轮廓线，参数：

image:要在其上绘制轮廓的图像
contours:轮廓列表
contoursIdx:要绘制轮廓的索引，如果为负数，则绘制所有轮廓
color:颜色
thickness:轮廓线的粗细，如果为负数，则轮廓被填充
lineType:线条类型
hierarchy:层次结构

import cv2
import numpy as np
# 创建一个黑色背景的图像
image = np.zeros((400, 400, 3), dtype=np.uint8)
# 创建一个对象的轮廓
contours = [np.array([[100, 100], [200, 100], [150, 200]])]
# 在图像上绘制轮廓
cv2.drawContours(image, contours, -1, (0, 255, 0), 2)
# 显示图像
cv2.imshow('Contours', image)
cv2.waitKey(0)
cv2.destroyAllWindows()

np.zeros用于创建一个零填充的数组，所有元素（像素值）初始化为0，（400, 400, 3）表示尺寸为400x400像素，三维数组（三个颜色通道）代表了一个彩色图像，这里是一个黑色画布。np.unit8指定数组的数据类型为无符号的8位整数，用于表示像素值在0到255的图像

contours = [np.array([[100, 100], [200, 100], [150, 200]])]解释：contours是一个列表，包含一个元素（NumPy数组），即一个轮廓，一组像素的坐标。该轮廓由三个坐标点组成，若为4个坐标，就是根据顺序首尾相连。而且每个轮廓是个独立的numpy数组

完整代码

import cv2
import numpy as np

image = cv2.imread("kh.jpg")

# 定义蓝色的颜色范围（BGR值）
lower_blue = np.array([200, 90, 0])  # 蓝色的下限
upper_blue = np.array([255, 255, 125])  # 蓝色的上限

# 创建蓝色的二进制掩码
blue_mask = cv2.inRange(image, lower_blue, upper_blue)

# 将掩码应用到原始图像上
blue_circle = cv2.bitwise_and(image, image, mask=blue_mask)
gray_image = cv2.cvtColor(blue_circle, cv2.COLOR_BGR2GRAY)
_, thresholded_image = cv2.threshold(gray_image, 20, 255, cv2.THRESH_BINARY_INV)

kernel1 = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))
kernel2 = cv2.getStructuringElement(cv2.MORPH_RECT, (25, 25))

# 执行开运算
opened_image = cv2.morphologyEx(thresholded_image, cv2.MORPH_OPEN, kernel1)

# 执行漫水法
floodfilled_image = opened_image.copy()
cv2.floodFill(floodfilled_image, None, (0, 0), 0)

# 执行闭运算
closed_image = cv2.morphologyEx(floodfilled_image, cv2.MORPH_CLOSE, kernel2)

# 轮廓
contours, hierarchy = cv2.findContours(closed_image, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)

area = [0] * len(contours)  # 创建一个与轮廓数目相同大小的零数组

for i in range(len(hierarchy)):
    area[i] = cv2.contourArea(contours[i])  # 计算轮廓的面积

for i in range(len(hierarchy)):
        rect = cv2.minAreaRect(contours[i])  # 计算最小外接矩形
        box1 = cv2.boxPoints(rect).astype(int)  # 获取最小外接矩形的四个端点
        cv2.circle(image, (int(rect[0][0]), int(rect[0][1])), 5, (0, 255, 0), -1)  # 绘制最小外接矩形的中心点
        for j in range(4):
            cv2.line(image, tuple(box1[j]), tuple(box1[(j + 1) % 4]), (0, 255, 0), 2)  # 绘制最小外接矩形每条边

# cv2.imshow("thresh", thresholded_image)
# cv2.imshow("open_close", opened_image)
# cv2.imshow("flood_image", floodfilled_image)
cv2.imshow("close_img", closed_image)
cv2.imshow("img", image)
cv2.waitKey(0)
cv2.destroyAllWindows()