本文是OpenCV图像视觉入门之路的第15篇文章，本文详细的介绍了图像轮廓检测的各种操作，例如：轮廓检索模式、轮廓逼近算子等操作。

图像轮廓是具有相同颜色或灰度的连续点的曲线，轮廓在形状分析和物体的检测和识别中很有用。图像轮廓的作用：图形分析、物体的检测和识别。

需要注意的是：为了检测的准确性，需要先对图像进行二值化或Canny操作；画轮廓时会修改输入的图像，如果之后想继续使用原始图像，应该将原始图像存储到其他变量中。

OpenCV 图像轮廓检测目录

1 查找轮廓

2 绘制轮廓

3 轮廓的面积和周长

4 多边形逼近

5 凸包

6 外接矩形

1 查找轮廓

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

image 原图像
mode 查找轮廓的模式
RETR_EXTERNAL= 0，表示只检测外围轮廓。
RETR_LIST = 1，检测的轮廓不建立等级关系，即检测所有轮廓。
RETP_CCOMP = 2，每层最多两级，从小到大，从里到外。
RETP_TREE = 3，按照树型存储轮廓，从小到大，从右到左。
method 轮廓近似方法，也叫ApproximationMode
CHAIN_APPROX_NONE：保存所有轮廓上的点
CHAIN_APPROX_SIMPLE：只保存角点。比如四边形，只保留四边形的四个角，存储信息少，比较常用
返回 contours 和 hierarchy ，即轮廓和层级。

import cv2
import numpy as np
from numpy import unicodedif __name__ == '__main__':img = cv2.imread('D:/Jupyter_Notebooks/1.2.png') #, cv2.IMREAD_GRAYSCALE# 转变成单通道gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 二值化,第一个返回值是执行的结果和状态是否成功，第二个返回值才是真正的图片结果ret, binary = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY)# 轮廓查找,第一个返回值是轮廓，第二个是层级contours, hierarchy = cv2.findContours(binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)# 绘制轮廓cv2.drawContours(img, contours, -1, (0, 0, 255), 1)  # 改变的是img这张图cv2.imshow('img', img)cv2.imshow('binary', binary)cv2.waitKey(0)cv2.destroyAllWindows()

2 绘制轮廓

cv2.drawContours(image, contours, contourIdx, color, thickness, lineType, hierarchy, maxLevel, offset)
image：要绘制的轮廓图像
contours：轮廓点
contourIdx：要绘制的轮廓的编号，-1 表示绘制所有轮廓
color：轮廓的颜色，如 (0, 0, 255) 表示红色
thickness：线宽，-1表示全部填充

import cv2
import numpy as np
from numpy import unicodeif __name__ == '__main__':img = cv2.imread('D:/Jupyter_Notebooks/1.2.png') #, cv2.IMREAD_GRAYSCALEimg_copy = img.copy()gray = cv2.cvtColor(img_copy, cv2.COLOR_BGR2GRAY)# 阈值 结果thresh, binary = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY)# 轮廓 层级contours, hierarchy = cv2.findContours(binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)# 绘制轮廓cv2.drawContours(img_copy, contours, -1, (0, 0, 255), 2)cv2.imshow('img', np.hstack((img, img_copy)))cv2.waitKey(0)cv2.destroyAllWindows()

3 轮廓的面积和周长

轮廓面积是指每个轮廓中所有的像素点围成区域的面积，单位为像素。轮廓面积是轮廓重要的统计特性之一，通过轮廓面积的大小可以进一步分析每个轮廓隐含的信息，例如通过轮廓面积区分物体大小，进而可以识别不同的物体。在查找轮廓后，可能会有很多细小的轮廓，我们可以通过轮廓的面积进行过滤。

面积 contourArea() cv2.contourArea(contour, oriented) contour：轮廓
周长 arcLength() cv2.arcLength(curve, closed) curve：轮廓 closed：是否为闭合的轮廓

import cv2
import numpy as np
from numpy import unicodeif __name__ == '__main__':img = cv2.imread('D:/Jupyter_Notebooks/1.2.png') #, cv2.IMREAD_GRAYSCALEimg_copy = img.copy()gray = cv2.cvtColor(img_copy, cv2.COLOR_BGR2GRAY)# 阈值 结果thresh, binary = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY)# 轮廓 层级contours, hierarchy = cv2.findContours(binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)# 绘制轮廓cv2.drawContours(img_copy, contours, -1, (0, 0, 255), 2)# 轮廓面积area = cv2.contourArea(contours[1])print('area:', area)# 轮廓周长perimeter = cv2.arcLength(contours[1], closed=True)print('perimeter:', perimeter)cv2.imshow('img', np.hstack((img, img_copy)))cv2.waitKey(0)cv2.destroyAllWindows()

4 多边形逼近

findContours 后的轮廓信息 contours 可能过于复杂不平滑，可以用 approxPolyDP 函数对该多边形曲线做适当近似，这就是轮廓的多边形逼近。approxPolyDP 就是以多边形去逼近轮廓，采用的是 Douglas-Peucker（方法名中的DP）。 DP算法原理比较简单，核心就是不断找多边形最远的点加入，形成新的多边形，直到最短距离小于指定的精度。

approxPolyDP()用法： cv2.approxPolyDP(curve, epsilon, closed, approxCurve)
curve：要近似逼近的轮廓
epsilon：即DP算法使用的阈值
closed：轮廓是否闭合

import cv2
import numpy as np
from numpy import unicodeif __name__ == '__main__':img = cv2.imread('D:/Jupyter_Notebooks/1.3.png') #, cv2.IMREAD_GRAYSCALEimg_ori = img.copy()gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 二值化：阈值 结果ret, binary = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY)# 查找轮廓 轮廓 层级contours, hierarchy = cv2.findContours(binary, 0, cv2.CHAIN_APPROX_SIMPLE)# 绘制轮廓cv2.drawContours(img, contours, 1, (0, 0, 255), 2)# 多边形逼近approx = cv2.approxPolyDP(contours[1], 10, True)# 把多边形逼近的轮廓画出来cv2.drawContours(img, [approx], -1, (200, 255, 0), 2)cv2.imshow('hand', np.hstack((img_ori, img)))cv2.waitKey(0)cv2.destroyAllWindows()

RETR_EXTERNAL=0表示值检测外围轮廓

RETR_LIST=1检测的轮廓不建立等级关系，检测所有的轮廓

5 凸包

多边形逼近是轮廓的高度近似，但有些时候，我们希望使用一个多边形的凸包来简化它。凸包和多边形逼近很类似，只不过它是物体最外层的凸多边形。凸包指的是完全包含原有轮廓，并且仅由轮廓上的点所构成的多边形。凸包上的每一处都是凸的，即在凸包内连接任意两点的直线都在凸包的内部。在凸包内，任意连续三个点的内角小于180°。

convexHull()用法：cv2.convexHull(points, hull, clockwise, returnPoints)
points：轮廓
clockwise：顺时针绘制

import cv2
import numpy as np
from numpy import unicodeif __name__ == '__main__':img = cv2.imread('D:/Jupyter_Notebooks/1.3.png') #, cv2.IMREAD_GRAYSCALEimg_ori = img.copy()gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 二值化：阈值 结果ret, binary = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY)# 查找轮廓 轮廓 层级contours, hierarchy = cv2.findContours(binary, 0, cv2.CHAIN_APPROX_SIMPLE)# 绘制轮廓cv2.drawContours(img, contours, 1, (0, 0, 255), 2)# 多边形逼近approx = cv2.approxPolyDP(contours[1], 10, True)# 把多边形逼近的轮廓画出来cv2.drawContours(img, [approx], -1, (0, 255, 0), 2)# 计算凸包hull = cv2.convexHull(contours[1])cv2.drawContours(img, [hull], -1, (255, 0, 0), 2)cv2.imshow('hand', np.hstack((img_ori, img)))cv2.waitKey(0)cv2.destroyAllWindows()

6 外接矩形

外接矩形分为最小外接矩形和最大外接矩形。

下图中，红色部分为最小外接矩形，绿色部分为最大外接矩形：

minAreaRect()用法： 最小外接矩阵 cv2.minAreaRect(points)

points：轮廓
返回元组，内容是一个旋转矩形（RotatedRect）的参数：矩形的起始坐标x，y，矩形的宽度和高度，矩形的旋转角度

boundingRect()用法：最大外接矩阵 cv2.boundingRect(points)

points：轮廓

import cv2
import numpy as np
from numpy import unicodeif __name__ == '__main__':img = cv2.imread('D:/Jupyter_Notebooks/1.3.png') #, cv2.IMREAD_GRAYSCALEimg_ori = img.copy()gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 二值化：阈值 结果ret, binary = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY)# 查找轮廓 轮廓 层级contours, hierarchy, = cv2.findContours(binary, 0, cv2.CHAIN_APPROX_SIMPLE)# 最小外接矩形rect = cv2.minAreaRect(contours[1])box = cv2.boxPoints(rect)# 四舍五入box = np.round(box).astype('int64')# 绘制最小外接矩形cv2.drawContours(img, [box], 0, (255, 0, 0), 2)# 最大外接矩形x, y, w, h = cv2.boundingRect(contours[1])cv2.rectangle(img, (x, y), (x + w, y + h), (0, 0, 255), 2)cv2.imshow('hand', np.hstack((img_ori, img)))cv2.waitKey(0)cv2.destroyAllWindows()

OpenCV 图像轮廓检测相关推荐

OPENCV图像轮廓检测
前面在图像转换的时候学到canny算子,可以检测出图像的轮廓信息,但是,该算子检测到的轮廓信息还需要我们手动的用眼睛去识别,而实际工程应用中,我们需要得到轮廓的具体数学信息,这就涉及到今天的主题,图像 ...
python+OpenCV图像处理（十一）图像轮廓检测
图像轮廓检测 (一)检测轮廓在OpenCV-python中,使用cv2.findContours()函数来对图像进行轮廓检测. 返回三个值:image,contours,hierarchy cont ...
OpenCV中图像轮廓检测
OpenCV中图像轮廓检测通过之前的Canny方法可以得到图像的边界,但是我们无法得到边界的数学信息.所以就有了今天的图像轮廓检测. 在OpenCV中图像轮廓检测的API: findContours ...
OpenCV（六）之图像轮廓检测
OpenCV(六)之图像轮廓检测 Contour detection系列 Contour detection-图像金字塔图像金字塔-高斯金字塔图像金字塔-拉普拉斯金字塔 Contour detec ...
发现你的身形——OpenCV图像轮廓
文章目录写在最前轮廓发现算法边缘检测写在最后写在最前我的意思不是说你长得很胖,emmmm,而是你的轮廓很大. --五星上将詹姆斯下士如是说果然有图没图,理解是不一样的,这就体现了计算机视 ...
使用Opencv进行轮廓检测，字符提取，简单的直方图字符识别！
一.使用Opencv进行轮廓检测! 所需函数: 1. cvFindContours 函数功能:从二值图像中检索轮廓,并返回检测到的轮廓的个数函数原型: int) cvFindContours( C ...
用实际例子详细探究OpenCV的轮廓检测函数findContours(),彻底搞清每个参数、每种模式的真正作用与含义
关于OpenCV的轮廓检测函数findContours()各参数的大概意义,已在博文 https://blog.csdn.net/wenhao_ir/article/details/51798533中 ...
《OpenCv视觉之眼》Python图像处理十二 :Opencv图像轮廓提取之基于一阶导数的Roberts算法、Prewitt算法及Sobel算法
本专栏主要介绍如果通过OpenCv-Python进行图像处理,通过原理理解OpenCv-Python的函数处理原型,在具体情况中,针对不同的图像进行不同等级的.不同方法的处理,以达到对图像进行去噪.锐 ...
《OpenCv视觉之眼》Python图像处理十四 :Opencv图像轮廓提取之Scharr算法和Canny算法
本专栏主要介绍如果通过OpenCv-Python进行图像处理,通过原理理解OpenCv-Python的函数处理原型,在具体情况中,针对不同的图像进行不同等级的.不同方法的处理,以达到对图像进行去噪.锐 ...

OpenCV 图像轮廓检测

1 查找轮廓

2 绘制轮廓

3 轮廓的面积和周长

4 多边形逼近

5 凸包

6 外接矩形

OpenCV 图像轮廓检测相关推荐

最新文章

热门文章