图像轮廓检测教程

释放双眼,带上耳机,听听看~!
本教程介绍了图像轮廓检测的基本知识和使用OpenCV进行轮廓检测的方法,以及如何绘制检测到的轮廓。

引言

这一篇文章我们来讨论图像轮廓相关的知识点,什么叫做轮廓,从定义上来说它是指图像中连续的曲线或边界,表示了图像中目标的形状和外观特征。我们之前已经介绍了一些图像边缘检测相关的内容,我们有一些零零散散的一些线段也可以当做是一个边缘,但是这些不能看做是图像轮廓,因为轮廓首先得是一个整体,是连在一块的,这就是轮廓和边缘之间的区别。我们只要记住:

边缘: 零零散散的

轮廓: 它是一个整体

1.​轮廓检测

接下来我们首先要看的的就是轮廓检测,我们调用OpenCV的 cv2.findContours() 函数来查找图像中的轮廓。这个函数需要输入一个二值化的图像(通常是经过边缘检测后的结果),并返回一组轮廓。可以选择不同的检索模式和轮廓逼近方法来控制轮廓的提取方式。语法如下:

cv2.findContours(image,mode,method)
  • image:输入图像,为了提高准确率,使用二值图像。

  • mode:定义轮廓检索模式,有四种可选模式:

    • cv2.RETR_EXTERNAL:只检索最外面的轮廓;
    • cv2.RETR_LIST:检索所有轮廓,并将其保存在列表中。
    • cv2.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;
    • cv2.RETR_TREE:检索所有的轮廓,并重构嵌套轮廓的整个层次,我们常用这个
  • method:定义轮廓逼近方法,我们这里主要使用下列两种方法

    • cv2.CHAIN_APPROX_NONE:存储所有的边界点。
    • cv2.CHAIN_APPROX_SIMPLE:仅存储水平、垂直和对角线方向的端点。

下面我们来看一下具体的代码部分:

将原始图片转换为二值图像

这里为了方便演示,使用了一个非常规则的图片,包含几种基础的集合图形

import cv2
def cv_show(img,name):
    cv2.imshow(name,img)
​
    
# 第一步:转换为二值图
img = cv2.imread('my_contour.png')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
cv_show(thresh,'contours')

图像轮廓检测教程

轮廓检测

调用cv2.findContours()函数

binary, contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)
  • binary:返回的就是二值图像
  • contours:返回的是我们的轮廓信息
  • hierarchy:返回的是层级结构

绘制轮廓

使用 cv2.drawContours() 函数可以将提取到的轮廓绘制在图像上,这样就可以可视化检测到的目标的形状和位置。主要包含下列几个参数

  • draw_img:要在其上绘制轮廓的图像。
  • contours:要绘制的轮廓列表。
  • contourIdx:指定要绘制的轮廓的索引。使用 -1 表示绘制所有的轮廓。
  • color:绘制轮廓的颜色,格式为 (B, G, R),其中 B、G 和 R 分别表示蓝色、绿色和红色的强度。例如 (255, 0, 0) 表示纯蓝色。
  • thickness:轮廓线的粗细,默认值为 1
# 传入绘制图像,轮廓,轮廓索引,颜色模式,线条厚度draw_img = img.copy() #创建一个图像副本保存
res = cv2.drawContours(draw_img, contours, -1, (0, 0, 255), 2) #绘制所有轮廓
cv_show(res,'res')

图像轮廓检测教程

上述我们绘制了所有的轮廓,有的时候我们只想得到其中的某一个轮廓,我们可以指定相应的轮廓索引,例如

draw_img = img.copy()
res = cv2.drawContours(draw_img, contours, 0, (255, 0, 0), 2)#绘制索引为0的轮廓
cv_show(res,'res')

图像轮廓检测教程

2.轮廓特征

在我们得到轮廓之后,如何利用这些信息呢,像其他图像特征一样,图像轮廓提供了许多与目标形状相关的特征信息,可以用于形状分析、目标检测和图像识别等任务。以下是一些常见的轮廓特征以及计算:

  1. 面积(Area):轮廓所包围的区域的面积。

    • 可以使用 cv2.contourArea(contour) 函数计算轮廓的面积。
  2. 周长(Perimeter):轮廓的周长,即轮廓的闭合曲线的长度。

    • 可以使用 cv2.arcLength(contour, closed) 函数计算轮廓的周长,其中 closed 参数指定轮廓是否为闭合曲线。
  3. 边界框(Bounding Box):将轮廓包围在一个矩形框中。

    • 可以使用 cv2.boundingRect(contour) 函数获取包围轮廓的最小矩形框的位置和大小。
  4. 最小外接圆(Minimum Enclosing Circle):包围轮廓的最小半径的圆。

    • 可以使用 cv2.minEnclosingCircle(contour) 函数获取包围轮廓的最小外接圆的圆心和半径。
  5. 最小外接矩形(Minimum Enclosing Rectangle):包围轮廓的最小面积的矩形。

    • 可以使用 cv2.minAreaRect(contour) 函数获取包围轮廓的最小外接矩形的位置、大小和旋转角度。
  6. 凸包(Convex Hull):能够完全包围轮廓的凸多边形。

    • 可以使用 cv2.convexHull(points) 函数获取轮廓的凸包。
  7. 近似多边形(Approximation Polygon):用直线段逼近轮廓的多边形。

    • 可以使用 cv2.approxPolyDP(curve, epsilon, closed) 函数对轮廓进行近似,其中 epsilon 是逼近精度参数。
  8. 形心(Centroid):轮廓所包围区域的重心或平均位置。

    • 可以使用 cv2.moments(contour) 函数计算轮廓的矩,然后通过计算质心来获取重心。

这里我们以前两个为例演示如何使用,其他的特征计算都是直接调用相应的函数即可。 在上面我们已经得到了轮廓的信息contours,但是我们不能直接将其进行特征计算,因为它包含了所有的轮廓信息,因此我们要指定相应的索引再进行特征计算

cnt = contours[0] #指定索引为0的轮廓
#面积
print(cv2.contourArea(cnt))
​
#周长,True表示闭合的
print(cv2.arcLength(cnt,True))
24578.0
586.4995617866516

3.轮廓近似

轮廓近似是指用直线段或曲线段逼近实际轮廓的过程,从而减少轮廓中的点数并简化轮廓的表示。这可以帮助我们更有效地处理和分析轮廓。

在 OpenCV 中,可以使用 cv2.approxPolyDP(curve, epsilon, closed) 函数来进行轮廓的近似。参数说明如下:

  • curve:输入的轮廓。
  • epsilon:表示近似精度的参数。较小的值会产生更准确的逼近,但会保留更多的细节和点。较大的值会导致更粗糙的逼近,但会减少点的数量。
  • closed:一个布尔值,指示是否闭合轮廓。

下面我们来看一个具体例子

img = cv2.imread('contours2.png')
​
# 获取轮廓特征
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
binary, contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)
cnt = contours[0]
# 原始轮廓
draw_img = img.copy()
original = cv2.drawContours(draw_img, [cnt], -1, (0, 0, 255), 2)
​
# 近似轮廓
epsilon = 0.1*cv2.arcLength(cnt,True) 
approx = cv2.approxPolyDP(cnt,epsilon,True)
draw_img = img.copy()
approx = cv2.drawContours(draw_img, [approx], -1, (0, 255, 0), 2)
​
res = np.hstack((original,approx))
cv_show(res,'res')
​

图像轮廓检测教程

左边是原始轮廓,右边是近似轮廓,可以看出对于轮廓变化较大的区域,近似效果有一定偏差,如果我们将epsilon设置的更小一点,如下所示

图像轮廓检测教程

此时近似效果非常接近。

4.外接矩形

很多时候,我们不是直接利用图像的轮廓进行操作,因为这些图像往往不规则,我们需要对其外接矩形或外接圆来进行分析,在opencv中,我们可以利用cv2.boundingRect()函数得到轮廓的外接矩形信息。

img = cv2.imread('contours.png')

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
binary, contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)
cnt = contours[0]

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')

图像轮廓检测教程

总结

我们介绍了如何进行图形轮廓的检测、特征计算、轮廓近似处理。总的来说,图像轮廓具有以下特点:

  • 轮廓是由连续的曲线或边界组成的,能够准确地描述目标的形状。
  • 轮廓可以用于目标的识别、分类和形状分析。
  • 轮廓可以通过计算形状的特征(如面积、周长、重心等)来获取更多的信息。
  • 可以使用图像轮廓进行图像分割、边缘检测和图像增强等任务。
本网站的内容主要来自互联网上的各种资源,仅供参考和信息分享之用,不代表本网站拥有相关版权或知识产权。如您认为内容侵犯您的权益,请联系我们,我们将尽快采取行动,包括删除或更正。
AI教程

Canny边缘检测算法及参数调整方法

2023-11-25 12:39:14

AI教程

基于Weka的数据库挖掘-朴素贝叶斯分类方法

2023-11-25 12:46:14

个人中心
购物车
优惠劵
今日签到
有新私信 私信列表
搜索