【youcans 的 OpenCV 例程200篇】194.寻找图像轮廓(cv.findContours)
OpenCV 例程200篇 总目录-202205更新
【youcans 的 OpenCV 例程200篇】194.寻找图像轮廓(cv.findContours)
1. 轮廓
轮廓是一系列相连的像素点组成的曲线,代表了物体的基本外形。轮廓常用于形状分析和物体的检测和识别。
边缘检测根据灰度的突变检测边界,但检测到的边缘通常还是零散的片段,并未构成整体。从背景中分离目标,就要将边缘像素连接构成轮廓。也就是说,轮廓是连续的,边缘不一定都连续。边缘主要是作为图像的特征使用,而轮廓主要用来分析物体的形态。
1.1 轮廓的查找
OpenCV 提供函数 cv.findContours() 从二值图像中寻找轮廓,函数 cv2.drawContours() 绘制轮廓。
函数说明:
cv.findContours(image, mode, method[, contours[, hierarchy[, offset]]]) → contours, hierarchy
cv.findContours() 对黑色背景的二值图像操作,通常会先使用阈值分割或边缘检测得到二值图像。
参数说明:
- image:原始图像,8 位单通道二值图像
- mode: 轮廓检索模式
- cv.RETR_EXTERNAL:只检索最外层轮廓
- cv.RETR_LIST:检索所有轮廓,不建立任何层次关系
- cv.RETR_CCOMP:检索所有轮廓,并将其组织为两层, 顶层是各部分的外部轮廓,次层是内层轮廓
- cv.RETR_TREE:检索所有轮廓,并重建嵌套轮廓的完整层次结构
- cv.RETR_FLOODFILL:漫水填充法(泛洪填充)
- method: 轮廓近似方法
- cv.CHAIN_APPROX_NONE:输出轮廓的每个像素点
- cv.CHAIN_APPROX_SIMPLE:压缩水平、垂直和斜线,仅保留这些线段的端点
- cv.CHAIN_APPROX_TC89_L1:应用 Teh-Chin 链近似算法 L1
- cv.CHAIN_APPROX_TC89_KCOS:应用 Teh-Chin 链近似算法 KCOS
- contours:检测到的所有轮廓,列表格式,每个轮廓存储为包含边界点坐标 (x,y) 的点向量
- 列表(LIST)长度为 L,对应于找到的 L 个轮廓,按 0,…L-1 顺序排列
- 列表中的第 i 个元素是一个形如 (k,1,2) 的 Numpy 数组,表示第 i 个轮廓,k 是第 i 个轮廓的边界点的数量
- 数组 contours[i] 是构成第 i 个轮廓的各边界点坐标 (x,y) 的点向量
- 注意边界点的坐标表达形式是 (x,y),而不是 OpenCV 中常用的像素坐标表达形式 (y,x)。
- hierarchy:轮廓的层次结构和拓扑信息,是一个形如 (1,k,4) 的 Numpy 数组
- k 对应于找到的轮廓数量
- hierarchy[0][i] 表示第 i 个轮廓的层次结构,是包含 4个值的数组 [Next, Previous, First Child, Parent],分别代表第 i 个轮廓的同层的后一个轮廓、同层的前一个轮廓、第一个子轮廓、父轮廓的编号
- offset:每个轮廓点的偏移量,可选项,
注意事项:
- 原始图像 image 必须是单通道图像,其中的非 0 像素都被视为 1,因此图像被视为二值图像。在查找轮廓之前,可以使用 threshold、inRange、Canny 等方法从灰度或彩色图像中创建二值图像。
- 通常将轮廓近似方法 method 设为 CHAIN_APPROX_SIMPLE,对轮廓的水平、垂直和斜线进行压缩,只保留这些线段的端点,因此轮廓是由一系列线段连接而成的闭合曲线。
- 每一个轮廓都是一个 Numpy 数组,包含对象边界点 (x,y) 的坐标,注意不是 (y,x)。
- 如果从图像 ROI 中提取轮廓,然后在图像上下文中进行分析,偏移量 offset 将非常有用。
- 轮廓的层次结构的表达嵌套在顶级数组中,可以使用 hierarchy[0][i] 访问第 i 个轮廓的层次结构元素。
- 对应于第 i 个轮廓 contours[i],hierarchy [i][0]~hierarchy[i][3] 分别代表它的同层的后一个轮廓、同层的前一个轮廓、第一个子轮廓、父轮廓的编号。
使用说明:
函数 cv.findContours() 是常用的寻找轮廓函数,但在使用中要注意几个问题:
注意 1: OpenCV不同版本中本函数的返回值不同。OpenCV 3 中返回 3个值 image, contours, hierarchy,OpenCV2、OpenCV4、OpenCV5 中函数返回 2个值 contours, hierarchy。
注意2: OpenCV 3.2 之前的早期版本中,函数会对输入图像“原地”修改——这是 OpenCV5 官方文档中的提示,但本文作者认为 OpenCV2 及其它版本到底是否修改原图存疑。为了避免不同版本带来的错误,建议都采用原始图像的 copy 作为函数的输入图像。
注意3: cv.findContours() 对黑色背景的二值图像操作,也就是默认需要提取轮廓的目标为亮色、浅色。如果背景为亮色、浅色,如书本通常是白色背景深色文字,要在二值处理时选择取反操作。
注意4: 轮廓边界点的坐标表达形式是 (x,y),而不是 OpenCV 中常用的像素坐标表达形式 (y,x)。
注意5: 第 i 个轮廓 contours[i],hierarchy [i] 按照先外层后内层的顺序从 0~L-1 依次编号,但编号顺序并不体现嵌套结构关系。轮廓之间的嵌套结构关系是由 hierarchy [i] 的数值来表达的。
注意6: 查找轮廓时,推荐使用边缘检测 而不是阈值处理 cv.threshold() 得到二值图,其原因是:
- 提取边缘与阈值处理不同,边缘提取可以识别图片中目标的形状、轮廓,而不是简单的区分出图片中的高光与暗调;
- 使用边缘检测提取结果的白点数量更少,可以提高轮廓检测的性能;
- 边缘检测也可以使用 cv.Sobel,cv.Scharr,cv.Laplacian 等方法,但 cv.Canny 的边缘检测效果往往更好。
例程 12.1:查找图像轮廓
# 12.1 从二值图像中寻找轮廓img = cv2.imread("../images/pattern1.png", flags=1)gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 灰度图像_, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_OTSU+cv2.THRESH_BINARY_INV)plt.figure(figsize=(9, 6))plt.subplot(131), plt.axis('off'), plt.title("Origin")plt.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))plt.subplot(132), plt.axis('off'), plt.title("BinaryInv")plt.imshow(binary, 'gray')# 寻找二值化图中的轮廓binary, contours, hierarchy = cv2.findContours(binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE) # OpenCV3# contours, hierarchy = cv2.findContours(binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) # OpenCV4~# # 绘制轮廓contourPic = img.copy() # OpenCV3.2 之前的早期版本,查找轮廓函数会修改原始图像contourPic = cv2.drawContours(contourPic, contours, -1, (0, 0, 255), 2) # OpenCV3# contourPic = cv.drawContours(img, contours, -1, (0, 0, 255), thickness=cv.FILLED,maxLevel=1)print("len(contours) = ",len(contours)) # 所有轮廓的列表for i in range(len(contours)):print("i=", i, contours[i].shape) # 第 i 个轮廓的边界点print("hierarchy.shape : ", hierarchy.shape) # 层次结构print(hierarchy)plt.subplot(133), plt.axis('off'), plt.title("External contour")plt.imshow(cv2.cvtColor(contourPic, cv2.COLOR_BGR2RGB))plt.tight_layout()plt.show()
运行结果:
len(contours) = 6
hierarchy.shape : (1, 6, 4)
i= 0 ,contours[i]: (5, 1, 2) ,hierarchy[0][i] = [ 1 -1 -1 -1]
i= 1 ,contours[i]: (5, 1, 2) ,hierarchy[0][i] = [ 2 0 -1 -1]
i= 2 ,contours[i]: (4, 1, 2) ,hierarchy[0][i] = [-1 1 3 -1]
i= 3 ,contours[i]: (8, 1, 2) ,hierarchy[0][i] = [-1 -1 4 2]
i= 4 ,contours[i]: (4, 1, 2) ,hierarchy[0][i] = [ 5 -1 -1 3]
i= 5 ,contours[i]: (5, 1, 2) ,hierarchy[0][i] = [-1 4 -1 3]
原图为白色背景深色目标,先进行二值化处理,并取反成为黑色背景白色目标。用 findContours() 寻找轮廓并显示,关于构造和显示轮廓图像函数 drawContours() 在下一节介绍。
轮廓检索模式 mode 设为 RETR_TREE,查找所有的轮廓(树状结构);mode 设为 RETR_EXTERNAL,只查找最外层的轮廓,不查找图中内层菱形目标的轮廓。
返回值 contours 是所有轮廓的列表:
- 列表长度为 6,对应于找到的 6 个轮廓。
- 列表中的第 i 个元素表示第 i 个轮廓,是一个形如 (k,1,2) 的 Numpy 数组。
- 数组 contours[i] 是构成第 i 个轮廓的各边界点坐标 (x,y) 的点向量,k 是描述第 i 个轮廓的边界点的个数。
- 注意边界点的坐标表达形式是 (x,y),而不是 OpenCV 中常用的像素坐标表达形式 (y,x)。
通常将轮廓近似方法 method 设为 CHAIN_APPROX_SIMPLE,对轮廓的水平、垂直和斜线进行压缩,只保留这些线段的端点,因此轮廓是由一系列线段连接而成的闭合曲线。一个矩形轮廓最少可以用 4 个边界点表示,如例程的结果中 i=2 的轮廓只有 4个顶点。但由于图像本身和轮廓查找的算法的影响,一个看起来是矩形的目标,其轮廓也可能多于 4个边界点。
返回值 hierarchy 是轮廓的层次结构和拓扑信息,是一个形如 (1,k,4) 的 Numpy 数组:
- k 对应于找到的轮廓数量。
- hierarchy[0][i]表示第 i 个轮廓的层次结构,hierarchy [0][i][0]~hierarchy[0][i][3] 分别代表第 i 个轮廓的同层的后一个轮廓、同层的前一个轮廓、第一个子轮廓、父轮廓的编号。-1 表示没有/不适用。
第 i 个轮廓 contours[i],hierarchy [i] 按照 0~L-1 顺序编号,编号顺序并不体现嵌套结构关系。轮廓之间的嵌套结构关系是由 hierarchy [i] 的数值来表达的。
例程找到 6个轮廓,返回值 hierarchy 的形状为 (1, 6, 4) 。
hierarchy[0][0]=[ 1 -1 -1 -1],表示第 0 个轮廓同层后一个轮廓编号为 1,没有同层前一个轮廓,没有子轮廓,没有父轮廓;
hierarchy[0][1]=[ 2 0 -1 -1],表示第 1 个轮廓同层后一个轮廓编号为 2,同层前一个轮廓编号为 0,没有子轮廓,没有父轮廓;
hierarchy[0][2]=[-1 1 3 -1],表示第 2 个轮廓没有同层后一个轮廓,同层前一个轮廓编号为 1,子轮廓编号为 3,没有父轮廓;
hierarchy[0][3]=[-1 -1 4 2],表示第 3 个轮廓没有同层后一个轮廓,没有同层前一个轮廓,子轮廓编号为 4,父轮廓编号为 2;
hierarchy[0][4]=[ 5 -1 -1 3],表示第 4 个轮廓同层后一个轮廓编号为 5,没有同层前一个轮廓,没有子轮廓,父轮廓编号为 3;
hierarchy[0][5]= [-1 4 -1 3],表示第 5 个轮廓没有同层后一个轮廓,同层前一个轮廓编号为4,没有子轮廓,父轮廓编号为 3。
(本节完)
版权声明:
OpenCV 例程200篇 总目录-202205更新
youcans@xupt 原创作品,转载必须标注原文链接:(https://blog.csdn.net/youcans/article/details/124970610)
Copyright 2022 youcans, XUPT
Crated:2022-5-25
欢迎关注 『youcans 的 OpenCV 例程 200 篇』 系列,持续更新中
欢迎关注 『youcans 的 OpenCV学习课』 系列,持续更新中【youcans 的 OpenCV 例程200篇】194.寻找图像轮廓(cv.findContours)
【youcans 的 OpenCV 例程200篇】195.绘制图像轮廓(cv.drawContours)
【youcans 的 OpenCV 例程200篇】196.图像的矩和不变矩(cv.moments)
【youcans 的 OpenCV 例程200篇】197.轮廓的基本特征
【youcans 的 OpenCV 例程200篇】198.基于不变矩的形状相似性检测
【youcans 的 OpenCV 例程200篇】199.轮廓的外接边界框
【youcans 的 OpenCV 例程200篇】200.轮廓的基本属性
更多内容,请见:
【OpenCV 例程200篇 总目录-202206更新】
【youcans 的 OpenCV 例程200篇】194.寻找图像轮廓(cv.findContours)相关推荐
- 【youcans 的 OpenCV 例程 200 篇】119. 图像的形态学梯度
欢迎关注 『youcans 的 OpenCV 例程 200 篇』 系列,持续更新中 欢迎关注 『youcans 的 OpenCV学习课』 系列,持续更新中 [youcans 的 OpenCV 例程 2 ...
- 【youcans 的 OpenCV 例程200篇】186.图像金字塔之拉普拉斯金字塔
OpenCV 例程200篇 总目录-202205更新 [youcans 的 OpenCV 例程200篇]186.图像金字塔之拉普拉斯金字塔 图像金字塔是一种以多分辨率来解释图像的结构,常用于图像分割. ...
- 【youcans 的 OpenCV 例程200篇】185.图像金字塔之高斯金字塔
OpenCV 例程200篇 总目录-202205更新 [youcans 的 OpenCV 例程200篇]185.图像金字塔之高斯金字塔 6. 图像金字塔 图像金字塔是一种以多分辨率来解释图像的结构,常 ...
- 【youcans 的 OpenCV 例程200篇】152. 边缘检测之 LoG 算子
欢迎关注 『youcans 的 OpenCV 例程 200 篇』 系列,持续更新中 欢迎关注 『youcans 的 OpenCV学习课』 系列,持续更新中 [youcans 的 OpenCV 例程20 ...
- 【youcans 的 OpenCV 例程200篇】150. 边缘检测梯度算子
欢迎关注 『youcans 的 OpenCV 例程 200 篇』 系列,持续更新中 欢迎关注 『youcans 的 OpenCV学习课』 系列,持续更新中 [youcans 的 OpenCV 例程20 ...
- 【youcans 的 OpenCV 例程200篇】125. 形态算法之提取连通分量
欢迎关注 『youcans 的 OpenCV 例程 200 篇』 系列,持续更新中 欢迎关注 『youcans 的 OpenCV学习课』 系列,持续更新中 [youcans 的 OpenCV 例程 2 ...
- 【youcans 的 OpenCV 例程 200 篇】107. 退化图像的维纳滤波
欢迎关注 『youcans 的 OpenCV 例程 200 篇』 系列,持续更新中 欢迎关注 『youcans 的 OpenCV学习课』 系列,持续更新中 [youcans 的 OpenCV 例程 2 ...
- 【youcans 的 OpenCV 例程 200 篇】101. 自适应中值滤波器
欢迎关注 『youcans 的 OpenCV 例程 200 篇』 系列,持续更新中 欢迎关注 『youcans 的 OpenCV学习课』 系列,持续更新中 [youcans 的 OpenCV 例程 2 ...
- 【youcans 的 OpenCV 例程200篇】158. 阈值处理之固定阈值法
欢迎关注 『youcans 的 OpenCV 例程 200 篇』 系列,持续更新中 欢迎关注 『youcans 的 OpenCV学习课』 系列,持续更新中 [youcans 的 OpenCV 例程20 ...
最新文章
- OpenCV自适应阈值化函数adaptiveThreshold详解,并附实例源码
- 第六代微型计算机是,AMD Carrizo第六代A系列处理器技术解析
- 一季度网络支付58万亿,腾讯金融用户渗透率达89.2%
- Python3 中 sys.argv[ ]的用法解释
- 在Java中使用内存映射文件时检测(写入)失败
- html dom手机版,HTML DOM - 元素
- 160个crackme 008 Andrénalin.1
- 海康4200服务器进不去系统,ivms-4200客户端登入不了云服务器
- 华为无线ensp跨ac三层漫游
- 阿涛读书之——《坏血》
- 层次分析法(附代码)
- 满足三角不等式的TSP问题的近似算法
- 一个阿里小二“改写”了《阿里巴巴与四十大盗》 | 悦读
- 微信公众号服务器配置url,微信公众号平台设置服务器地址(URL)和令牌(Token)配对启用方法...
- 后台模拟页面登陆_微信直播小程序后台,微信朋友圈可直达小程序直播了
- u盘中毒数据还能恢复吗?
- 关于浏览器核心的一些思考
- 3D模型欣赏:Hydra 3D角色 黑暗邪恶之感 相当吸睛 【3D游戏建模教程】
- BeautifulSoup详解
- 蜗牛星际之安装PVE+LEDE+群辉
热门文章
- linux声卡测试命令,[zz]Linux audio简单测试
- chrome os简介
- SPSS聚类分析(含k-均值聚类,系统聚类和二阶聚类)
- 【前后端结合】从 0 到 1 实现一个网站框架(一、注册 [1] )
- 2023最新微信群裂变推广分享加群HTML源码/纯开源/UI简约大气
- GoAhead2.5源代码分析之7-form请求处理(form.c)
- Application Log--使用BAL_DSP_LOG_DISPLAY展现日志
- XTU online judge 1279 Dual Prime
- win10 + uefi
- 【Unity Shader】 Fog