图像的轮廓检测,如计算多边形外界、形状毕竟、计算感兴趣区域等。
Contours : Getting Started
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
NOTE
- 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
findContours(image, mode, method[, contours[, hierarchy[, offset]]])
- image:原图像
- mode:轮廓检索模式
- method:轮廓近似方法
输出为: 修改后的图像,轮廓,层次结构
轮廓是所有轮廓的列表.每个单独的轮廓是对象边界点的坐标.
轮廓检索模式 | 含义 |
cv2.RETR_EXTERNAL | 只检测外轮廓 |
cv2.RETR_LIST | 提取所有轮廓并将其放入列表,不建立等级关系 |
cv2.RETR_CCOMP | 建立两个等级的轮廓,上面的一层为外边界,里面的一层为内孔的边界信息。如果内孔内还有一个连通物体,这个物体的边界也在顶层 |
cv2.RETR_TREE | 建立一个等级树结构的轮廓 |
轮廓逼近方法 | 含义 |
cv2.CHAIN_APPROX_NONE | 存储所有的轮廓点,相邻的两个点的像素位置差不超过1,即max(abs(x1-x2),abs(y2-y1))==1 |
cv2.CHAIN_APPROX_SIMPLE | 压缩水平方向,垂直方向,对角线方向的元素,只保留该方向的终点坐标,例如一个矩形轮廓只需4个点来保存轮廓信息 |
cv2.CHAIN_APPROX_TC89_L1 或 cv2.CHAIN_APPROX_TC89_KCOS | 应用Teh-Chin链近似算法 |
代码:
1
2
3
4
5
6
7
|
import cv2
import numpy as np
img = cv2.imread( 'img.jpg' )
imgray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
ret, thresh = cv2.threshold(imgray, 127 , 255 , 0 )
im2, contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
|
绘制轮廓
cv2.drawContours(image, contours, contourIdx, color[, thickness[, lineType[, hierarchy[, maxLevel[, offset]]]]])
- image:原图像
- contours:作为Python列表传递的轮廓
- contourIdx:轮廓索引(在绘制单个轮廓时很有用。绘制所有轮廓,传递-1)
要绘制图像中的所有轮廓:cv.drawContours(img,contours,-1,(0,255,0),3)
要绘制单个轮廓,比如第4个轮廓:cv.drawContours(img,contours,3,(0,255,0),3)
但大多数情况下,绘制第4个轮廓,以下方法将非常有用:cnt = contours[4]
cv.drawContours(img,[cnt],0,(0,255,0),3)
代码:
1
2
3
4
5
6
7
8
9
10
11
12
13
|
import cv2
import numpy as np
img = cv2.imread( 'img7.png' )
imgray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
ret, thresh = cv2.threshold(imgray, 127 , 255 , 0 )
im2, contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
cnt = contours[ 0 ]
cv2.drawContours(img,[cnt], 0 ,( 0 , 255 , 0 ), 3 )
cv2.imshow( 'src' ,img)
cv2.waitKey()
|
以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持服务器之家。
原文链接:https://segmentfault.com/a/1190000015662096