Python + Opencv2 实现轮廓提取，轮廓区域面积计算

对图像处理时，会遇到这样一个场景：找到图像主体轮廓，这是其一，可能为了凸显轮廓，需要用指定的颜色进行标记；轮廓标记完可能任务还没有结束，还需对轮廓所勾勒的像素面积区域统计计算。

本篇文章的主要内容就是要解决上面场景遇到的三个问问题

找到图像主题轮廓；
用指定颜色对源图像进行轮廓标记；
计算轮廓中的主体;

实验环境配置为 Python + Opencv 3.4，处理的图像如下：

第一步，提取轮廓，Opencv 中的 findContours() 函数可以直接提取轮廓，但对输入图像有一定要求

一，输入的图像必须是单通道，三通道不允许；
二，输入的图像数据类型需是 8UC1；否则程序会报错的，报错信息如下：

error: (-210) [start]FindContours supports only CV_8UC1 images when mode != CV_RETR_FLOODFILL otherwise supports CV_32SC1 images only in function cvStartFindContours_Impl

解决方法，在读取时加入下面这行代码进行数据格式转换，同时解决上面两个问题:

mat_img2 = cv2.imread(img_path,cv2.CV_8UC1)

三、输入的图像背景需是黑色的，否则轮廓提取失败，就以本次图像为例，如果直接提取效果如下：

图片最外层是一层黑色部分，所以最终结果就是标记最外层；对这类背景非黑色的图片做轮廓提取时，需要进行预处理：把背景变为黑色

提供一个简单办法，阈值化处理：设定一个阈值 Threshold 和一个指定值 OutsideValue ，当图像中像素满足某种条件(大于或小于设定的阈值时)，像素值发生变化。

自适应阈值化分割

这里用到的是 Opencv 提供的自适应阈值分割算法，其函数格式为:

dst=cv2.adaptiveThreshold(src, maxValue, adaptiveMethod, thresholdType, blockSize, C)

src 需要分割的图像( adarray 类型)；
maxValue ,满足条件是替换的像素值，等价于上面提到的 OutsideValue；
adaptiveMetheod: 自适应阈值分割算法，Opencv 中提供两种方法

1，ADAPTIVE_THRESH_MEAN_C : 最后的像素值 \(T(x,y)\) 为原像素值 \((x,y)\) \(blocksize*blocksize\) 区域像素的平均值 \(C\);

2，ADAPTIVE_THRESH_GAUSSIAN_C : 最后像素值 \(T(x,y)\) 为原像素值 \((x,y)\) 附近 \(blocksize*blocksize\) 区域大小最小值 \(C\);

thresholdType 阈值分割方法，Opencv 提供了5 种；

1，THRESH_BINARY:

\[dst(x,y) = \left\{ \begin{aligned} maxval & &if\ src(x,y)>thresh\\ 0 & & otherwise\\ \end{aligned} \right. \]

2，THRESH_BINARY_INV:

\[dst(x,y) = \left\{ \begin{aligned} 0 & &if\ src(x,y)>thresh\\ maxval & & otherwise\\ \end{aligned} \right. \]

3，THRESH_TRUNC:

\[dst(x,y)=\left\{ \begin{aligned} threshold & & if\ src(x,y)>thresh\\ src(x,y)& &otherwise\\ \end{aligned} \right. \]

4，THRESH_TOZERO:

\[dst(x,y)=\left\{\begin{aligned}src(x,y) & & if\ src(x,y)>thresh\\0& &otherwise\\\end{aligned}\right. \]

5，THRESH_TOZERO_INV;

\[dst(x,y)=\left\{\begin{aligned}0 & & if\ src(x,y)>thresh\\src(x,y)& &otherwise\\\end{aligned}\right. \]

dst : 返回的阈值分割图像(是 ndarray 类型)

下面这行代码就是本次实验设置的参数：

dst = cv2.adaptiveThreshold(mat_img2,210,cv2.BORDER_REPLICATE,cv2.THRESH_BINARY_INV,3,10)

自适应阈值分割的结果：

轮廓提取

接下来就是进行轮廓提取了，用到的函数：

image, contours, hierarchy=cv2.findContours(image, mode, method)

image 返回的图像，在 Opencv 4.0 之后就没有这个参数了；
contours 标记的轮廓，以 list 形式存在，每个轮廓中都包含了轮廓像素的坐标向量；
hierarchy 表示轮廓的继承关系，一般用不到;d
image 后面image 表示需要标记轮廓的图像，以 ndarray 格式存在；
mode 标记轮廓的模式，Opencv 提供了4种；

1，RETR_EXTERNAL；只提取整体外部轮廓；

2，RETR_LIST；提取所有轮廓，不需要建立任何继承关系；

3， RETR_CCOMP ；提取所有轮廓，最后形成连个水平集，外面一个，内部一个；

4， RETR_TREE ；提取所有轮廓，构建等级关系（父子继承关系）

method :轮廓近似点连接方式，例如一个长方形，可以由数百个点连接而成，单节省内存的方式就是找到四个角点即可；
- 其中前者为 CHAIN_APPROX_NONE 后者为 CHAIN_APPROX_SIMPLE

这里分别对 mode 设置不同的参数，一个设为 RETR_TREE (提取全部轮廓)，一个设置 RETR_EXTRENAL (只提取最外部轮廓 )；可以看一下提取轮廓效果：

RETR_TREE 结果：

RETR_EXTRENAL 结果：

是不是感受到了mode 不同导致轮廓的差距；一般只提取一个轮廓用 RETR_EXTRENAL，多个的话用 RETR_TREE；

轮廓标记

对轮廓颜色绘制，用到的函数

cv2.drawContours(image, contours, contourIdx, color,thickness)

image 绘制轮廓的图像 ndarray 格式；
contours ,findContours 函数找到的轮廓列表；
contourIdx 绘制轮廓的索引数，取整数时绘制特定索引的轮廓，为负值时，绘制全部轮廓；
color 绘制轮廓所用到的颜色，这里需要提醒一下，想使用 RGB 彩色绘制时，必须保证输入的 image 为三通道，否则轮廓线非黑即白；
thickness ，用于绘制轮廓线条的宽度，取负值时将绘制整个轮廓区域；

以下就是分别取 thickness 为3(左)、-3(右) 绘制的结果

轮廓区域面积计算

最后计算轮廓面积，用到 cv2.contourArea(contour) 函数，里面的参数指的就是计算的轮廓

area = 0
for i in contours:
    area += cv2.contourArea(i)
print(area)


>>>16397.5 #最后结果

本篇文章用到的完整代码如下：

import cv2

img_path = "E:/data_ceshi/images.jpg"
#读取文件
mat_img = cv2.imread(img_path)
mat_img2 = cv2.imread(img_path,cv2.CV_8UC1)

#自适应分割
dst = cv2.adaptiveThreshold(mat_img2,210,cv2.BORDER_REPLICATE,cv2.THRESH_BINARY_INV,3,10)
#提取轮廓
img,contours,heridency = cv2.findContours(dst,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)
#标记轮廓
cv2.drawContours(mat_img,contours,-1,(255,0,255),3)

#计算轮廓面积
area = 0
for i in contours:
    area += cv2.contourArea(i)
print(area)

#图像show
cv2.imshow("window1",mat_img)
cv2.waitKey(0)

秒客网

Python + Opencv2 实现轮廓提取，轮廓区域面积计算

自适应阈值化分割

轮廓提取

轮廓标记

轮廓区域面积计算

相关文章