《深度学习》OpenCV 图像轮廓检测、轮廓处理及代码演示

2024-09-02 23:52

本文主要是介绍《深度学习》OpenCV 图像轮廓检测、轮廓处理及代码演示,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

目录

一、图像轮廓检测

1、边缘检测和轮廓检测

2、常用的图像轮廓检测方法包括:

1)基于梯度的方法

2)基于边缘检测器的方法

3)基于阈值的方法

3、查找轮廓的函数

4、轮廓的绘制

5、轮廓特征

1)轮廓面积

2)轮廓周长

6、轮廓近似

7、模型匹配

二、轮廓检测实现

1、查找轮廓API解析

1)用法

2)参数img :需要实现轮廓检测的原图

3)参数mode :轮廓的检索模式

4)参数method :轮廓近似方法

5)返回值

6)返回值hierachy参数

7)注意

2、图像二值化处理

1)参数解析:

2)返回值:

3)代码实现

运行结果:

3、轮廓的绘制

1)用法

2)参数解析

3)代码实现

运行结果:

4、轮廓面积

1)用法

2)参数解析

3)代码实现

运行结果:

5、轮廓周长

1)用法

2)参数

3)实例

6、根据面积显示特点轮廓

1)代码

2)运行结果:

7、计算轮廓的外接圆及外接矩形

1)代码展示

2)运行结果


一、图像轮廓检测

1、边缘检测和轮廓检测

        边缘检测:主要是通过一些手段检测数字图像中明暗变化剧烈(即梯度变化比较大)像素点,偏向于图像中像素点的变化。

        轮廓检测:指检测图像中的对象边界,指的是在图像中提取出物体边界的一种图像处理方法使用轮廓检测可以获得物体的边界,方便在图像中对他们进行定位。通常在一些有趣的应用中轮廓检测是第一处理环节。比如图像前景提取,简单的图像分割检测以及识别等。

2、常用的图像轮廓检测方法包括:

        1)基于梯度的方法

                利用图像中灰度值的梯度信息来检测轮廓,包括Sobel算子、Prewitt算子、Roberts算子等。

        2)基于边缘检测器的方法

                包括Canny边缘检测器、Laplacian边缘检测器等,这些边缘检测器可以通过检测图像中的强度变化来找到物体的边缘。

        3)基于阈值的方法

                将图像灰度值与设定的阈值进行比较,将高于或低于阈值的像素点标记为边界。

3、查找轮廓的函数

        cv2.findContours( )

4、轮廓的绘制

        cv2.drawContours( )

5、轮廓特征

        获取轮廓后,通常基于轮廓的特征进行筛选、识别和处理。例如,基于轮廓的周长面积对轮廓进行筛选,然后绘制筛选的目标轮廓或其最小外接矩形。

1)轮廓面积

        cv2.contourArea(contour[, oriented] ) 参数contour表示轮廓的列表或数组,可选的参数 oriented 指定是否计算有向面积,默认为 False,即计算无向面积。

        函数返回一个浮点数,表示轮廓的面积。计算面积是通过计算轮廓内部的像素数来实现的。但是注意,该函数假设轮廓是封闭的、连续的,并且按照顺时针或逆时针方向给出。

2)轮廓周长

        cv2.arcLength(contours[0],closed=True) : contour 是一个轮廓数组,可以是单个轮廓或多个轮廓的列表。closed 参数指定轮廓是否封闭,默认为 True,即假设轮廓是封闭的。

        函数返回一个浮点数,表示轮廓的弧长。计算弧长是通过计算轮廓的所有线段的长度之和来实现的。

6、轮廓近似

        指对轮廓进行逼近或拟合,得到近似的轮廓。在图像处理中,轮廓表示了图像中物体的边界,因此轮廓近似可以用来描述和识别物体的形状

7、模型匹配

        模板匹配是一种用于查找与模板图像(补丁)匹配(相似)的图像区域的技术。

        为了识别匹配区域,我们必须通过滑动来将模板图像与源图像进行比较,一次移动一个像素(从左到右,从上到下)。在每个位置,都会计算一个度量(度量计算公式),以便它表示该位置的匹配“好”或“坏”程度

二、轮廓检测实现

1、查找轮廓API解析

1)用法
image,contours,hierarchy = cv2.findContours(img, mode, method)
2)参数img :需要实现轮廓检测的原图

3)参数mode :轮廓的检索模式

        1、cv2.RETR_EXTERNAL:只检测外轮廓,所有子轮被忽略
        2、cv2.RETR_LIST:返回所有的轮廓,所有轮廓属于同一等级,都被当作外部轮廓
        3、cv2.RETR_CCOMP:返回所有的轮廓,只建立两个等级的轮。一个对象的外轮廓为第1级组织结构。而对象内部中空洞的轮廓为第2级组织结构,空洞中的任何对象的轮又是第 1 级组织结构。
        4、cv2.RETR_TREE:返回所有的轮廓,建立一个完整的层级结构

4)参数method :轮廓近似方法

        1、CV2.CHAIN_APPROX_NONE:存储所有的轮廓点
        2、CV2.CHAIN_APPROX_SIMPLE:压缩模式,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。

5)返回值

        image:返回处理的原图
        contours:包含图像中所有轮廓的list对象。其中每一个独立的轮廓信息边界点坐标(x,y)的形式储存在numpy数组中
        hierarchy:轮廓的层次结构。一个包含4个值的数组:[Next,Previous,First child,Parent]

6)返回值hierachy参数

        Next:与当前轮廓处于同一层级下一条轮廓
        Previous:与当前轮廓处于同一层级上一条轮
        First Child:当前轮廓的第一条子轮廓
        Parent:当前轮廓的父轮廓

7)注意

        做轮廓检测前需要将图片读取为二值数据,即像素值只为0和255

2、图像二值化处理

ret,phone_binary = cv2.threshold(phone_gray,120,25,cv2.THRESH_BINARY)
1)参数解析:
  • phone_gray 是输入的灰度图像
  • 120 是设定的阈值,这里设定为 120,小于120的阈值设定为25,大于120的设置为0
  • 25 是设置的阈值最大值
  • cv2.THRESH_BINARY 是指定了二值化的类型,此处为二进制阈值化
2)返回值:
  • ret 是返回的阈值,用于后续处理。
  • phone_binary 是经过二值化处理后的图像,其中像素值只有两种可能,黑色或白色

3)代码实现
import cv2phone = cv2.imread('phone.png')
phone_gray = cv2.cvtColor(phone,cv2.COLOR_BGR2GRAY)  # 导入图像的灰度图
cv2.imshow('phone_b',phone_gray)  # 展示灰度图
cv2.waitKey(0)ret,phone_binary = cv2.threshold(phone_gray,120,25,cv2.THRESH_BINARY)  # 使用函数threshold进行图像的二值化处理,ret为阈值,phone_binary为二值化后的图像
# 对图像phone_gray处理,灰度值小于120的设置为25,大于120的设置为0,cv2.THRESH_BINARY为二值化转换类型
cv2.imshow('phone_binary',phone_binary)
cv2.waitKey(0)
_,contours,hierarchy = cv2.findContours(phone_binary,cv2.RETR_TREE,cv2.CHAIN_APPROX_NONE)
# _为返回的原图,contours为一个list对象,其中存放着所有的轮廓信息,边界点坐标的形式,hierachy为图像的层次结构
# 图像为phone_binary,轮廓检测方式为cv2.RETR_TREE,返回所有轮廓及完整层次结构,CV2.CHAIN_APPROX_NONE为存储所有的轮廓点
print(hierarchy)  # 打印层级结构
print(len(contours))   # 打印轮廓的个数
运行结果:

3、轮廓的绘制

1)用法
cv2.drawContours(image, contours, contourIdx, color, thickness=None,lineType=None, hierarchy=None, maxLevel=None, offset=None)
2)参数解析

        1、image:将要绘制的图像

        2、contours:轮廓列表,通常由cv2.findCountours()函数返回

        3、contourIdx:要绘制轮廓的索引,如果为负数则绘制所有的轮廓

        4、color:轮廓的颜色,以BGR格式返回,例如(0,255,0)表示绿色

        5、thickness:轮廓线的粗细,默认为1

        6、LineType:轮廓线的类型,默认为cv2.LINE_8

        7、hierarchy:轮廓层次结构,通常由cv2.findCountours()函数返回

        8、maxLevel:绘制的最大轮廓层级,默认None,表示绘制所以的层级

        9、offset:轮廓点的偏移量,默认为None

3)代码实现

连接上述代码:

image_copy = phone.copy()  # 复制原图,生成一个副本
image_copy = cv2.drawContours(image=image_copy,contours=contours,contourIdx=-1,color=(0,255,0),thickness=3)
# 绘制的图像为image_copy,使用上述返回的轮廓列表,以及所有的轮廓,绘制的图线颜色为绿色,粗细为3个像素
cv2.imshow('Contours_show',image_copy)
cv2.waitKey(0)
运行结果:

4、轮廓面积

1)用法
cv2.contourArea(contour[,oriented])

2)参数解析

        contour:输入的轮廓,通常是一个由一系列点组成的 Numpy 数组。
        oriented:指定轮廓的方向性。如果设置为 True,则函数会计算有方向的轮廓面积。默认值为 False,表示计算无方向的轮廓面积。

3)代码实现

连接上述代码使用

area_0 = cv2.contourArea(contours[0])
area_1 = cv2.contourArea(contours[1])
print(area_0,area_1)
运行结果:

表示第一个轮廓面积为50716.5个像素,第二个像素为255.5个像素

5、轮廓周长

1)用法
cv2.arcLength(InputArray curve,bool closed)

2)参数

        curve:输入的二维点集(轮廓顶点),可以是vector 或 Mat 类型。
        closed:用于指不曲线是否封闭。

3)实例
length = cv2.arcLength(contours[0],closed=True)
print(length)

运行结果:

6、根据面积显示特点轮廓

1)代码
a_list = []   # 建立一个空列表用于存放轮廓坐标信息
for i in range(len(contours)):   # 遍历每一个轮廓if cv2.contourArea(contours[i])>10000:  # 判断面积大于10000个像素点的轮廓a_list.append(contours[i])  # 将大于10000像素点的轮廓坐标存入列表
# #
image_copy = phone.copy()  # 建立一个图像副本
image_copy = cv2.drawContours(image=image_copy,contours=a_list,contourIdx=-1,color=(0,255,0),thickness=1)  # 绘制图像轮廓,指定了图像的坐标信息
cv2.imshow('Contours_show_10000',image_copy)  # 展示轮廓
cv2.waitKey(0)
2)运行结果:

7、计算轮廓的外接圆及外接矩形

1)代码展示
cnt = contours[6]  # 从轮廓列表中提取第7个轮廓,并将其存储在变量 cnt 中。
(x,y),r = cv2.minEnclosingCircle(cnt)   # 计算给点轮廓的最小外接圆,(x,y)是外接圆圆心坐标,r为外接圆半径
phone_circle = cv2.circle(phone,(int(x),int(y)),int(r),(0,255,0),2)  # 绘制外接圆的方法,(int(x),int(y)),int(r)为圆心坐标及半径,(0,255,0)为图像颜色,2为线条粗细
cv2.imshow('phone_circle',phone_circle)
cv2.waitKey(0)
# # #
x,y,w,h = cv2.boundingRect(cnt)    # 计算轮廓的最小外接矩形,x, y 是矩形左上角点的坐标,w, h 是矩形的宽度和高度。
# 在图像上绘制矩形,(x, y) 是矩形的左上角点坐标。(x+w, y+h) 是矩形的右下角点坐标。(0, 255, 0) 是矩形的颜色,这里使用的是 RGB 颜色空间,所以是绿色。2 是矩形的线宽。
phone_rectangle = cv2.rectangle(phone,(x,y),(x+w,y+h),(0,255,0),2)
cv2.imshow('phone_rectangle',phone_rectangle)
cv2.waitKey(0)
2)运行结果

这篇关于《深度学习》OpenCV 图像轮廓检测、轮廓处理及代码演示的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1131433

相关文章

HarmonyOS学习(七)——UI(五)常用布局总结

自适应布局 1.1、线性布局(LinearLayout) 通过线性容器Row和Column实现线性布局。Column容器内的子组件按照垂直方向排列,Row组件中的子组件按照水平方向排列。 属性说明space通过space参数设置主轴上子组件的间距,达到各子组件在排列上的等间距效果alignItems设置子组件在交叉轴上的对齐方式,且在各类尺寸屏幕上表现一致,其中交叉轴为垂直时,取值为Vert

Ilya-AI分享的他在OpenAI学习到的15个提示工程技巧

Ilya(不是本人,claude AI)在社交媒体上分享了他在OpenAI学习到的15个Prompt撰写技巧。 以下是详细的内容: 提示精确化:在编写提示时,力求表达清晰准确。清楚地阐述任务需求和概念定义至关重要。例:不用"分析文本",而用"判断这段话的情感倾向:积极、消极还是中性"。 快速迭代:善于快速连续调整提示。熟练的提示工程师能够灵活地进行多轮优化。例:从"总结文章"到"用

基于人工智能的图像分类系统

目录 引言项目背景环境准备 硬件要求软件安装与配置系统设计 系统架构关键技术代码示例 数据预处理模型训练模型预测应用场景结论 1. 引言 图像分类是计算机视觉中的一个重要任务,目标是自动识别图像中的对象类别。通过卷积神经网络(CNN)等深度学习技术,我们可以构建高效的图像分类系统,广泛应用于自动驾驶、医疗影像诊断、监控分析等领域。本文将介绍如何构建一个基于人工智能的图像分类系统,包括环境

无人叉车3d激光slam多房间建图定位异常处理方案-墙体画线地图切分方案

墙体画线地图切分方案 针对问题:墙体两侧特征混淆误匹配,导致建图和定位偏差,表现为过门跳变、外月台走歪等 ·解决思路:预期的根治方案IGICP需要较长时间完成上线,先使用切分地图的工程化方案,即墙体两侧切分为不同地图,在某一侧只使用该侧地图进行定位 方案思路 切分原理:切分地图基于关键帧位置,而非点云。 理论基础:光照是直线的,一帧点云必定只能照射到墙的一侧,无法同时照到两侧实践考虑:关

【前端学习】AntV G6-08 深入图形与图形分组、自定义节点、节点动画(下)

【课程链接】 AntV G6:深入图形与图形分组、自定义节点、节点动画(下)_哔哩哔哩_bilibili 本章十吾老师讲解了一个复杂的自定义节点中,应该怎样去计算和绘制图形,如何给一个图形制作不间断的动画,以及在鼠标事件之后产生动画。(有点难,需要好好理解) <!DOCTYPE html><html><head><meta charset="UTF-8"><title>06

学习hash总结

2014/1/29/   最近刚开始学hash,名字很陌生,但是hash的思想却很熟悉,以前早就做过此类的题,但是不知道这就是hash思想而已,说白了hash就是一个映射,往往灵活利用数组的下标来实现算法,hash的作用:1、判重;2、统计次数;

使用opencv优化图片(画面变清晰)

文章目录 需求影响照片清晰度的因素 实现降噪测试代码 锐化空间锐化Unsharp Masking频率域锐化对比测试 对比度增强常用算法对比测试 需求 对图像进行优化,使其看起来更清晰,同时保持尺寸不变,通常涉及到图像处理技术如锐化、降噪、对比度增强等 影响照片清晰度的因素 影响照片清晰度的因素有很多,主要可以从以下几个方面来分析 1. 拍摄设备 相机传感器:相机传

综合安防管理平台LntonAIServer视频监控汇聚抖动检测算法优势

LntonAIServer视频质量诊断功能中的抖动检测是一个专门针对视频稳定性进行分析的功能。抖动通常是指视频帧之间的不必要运动,这种运动可能是由于摄像机的移动、传输中的错误或编解码问题导致的。抖动检测对于确保视频内容的平滑性和观看体验至关重要。 优势 1. 提高图像质量 - 清晰度提升:减少抖动,提高图像的清晰度和细节表现力,使得监控画面更加真实可信。 - 细节增强:在低光条件下,抖

活用c4d官方开发文档查询代码

当你问AI助手比如豆包,如何用python禁止掉xpresso标签时候,它会提示到 这时候要用到两个东西。https://developers.maxon.net/论坛搜索和开发文档 比如这里我就在官方找到正确的id描述 然后我就把参数标签换过来

零基础学习Redis(10) -- zset类型命令使用

zset是有序集合,内部除了存储元素外,还会存储一个score,存储在zset中的元素会按照score的大小升序排列,不同元素的score可以重复,score相同的元素会按照元素的字典序排列。 1. zset常用命令 1.1 zadd  zadd key [NX | XX] [GT | LT]   [CH] [INCR] score member [score member ...]