Python-OpenCV 笔记6 – 轮廓（Contours）

参考文档： https://docs.opencv.org/3.4/dd/d49/tutorial_py_contour_features.html

1、查找轮廓 findContours

函数原型

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

参数：

image：8位单通道二值图，如果为灰度图非0值为1
mode：轮廓的检索模式
- cv2.RETR_EXTERNAL：表示只检测外轮廓
- cv2.RETR_LIST：检测的轮廓不建立等级关系
- cv2.RETR_CCOMP：建立两个等级的轮廓，上面的一层为外边界，里面的一层为内孔的边界信息。如果内孔内还有一个连通物体，这个物体的边界也在顶层
- cv2.RETR_TREE：建立一个等级树结构的轮廓
method：轮廓的近似办法
- cv2.CHAIN_APPROX_NONE：存储所有的轮廓点，相邻的两个点的像素位置差不超过1，即max（abs（x1-x2），abs（y2-y1））== 1
- cv2.CHAIN_APPROX_SIMPLE：压缩水平方向，垂直方向，对角线方向的元素，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
- cv2.CHAIN_APPROX_TC89_L1，CV_CHAIN_APPROX_TC89_KCOS使用teh-Chinl chain 近似算法

返回值：

image：被处理的图片，正常没用
contours：numpy的ndarray，每个元素都是图像中的一个轮廓，每个元素包括多个点
hierarchy：numpy的ndarray，元素个数和轮廓个数相同，轮廓 contours[i] 对应于hierarchy[i]，每个 hierarchy 元素包括四个元素 hierarchy[i][0] ~ hierarchy[i][3]，分别表示后一个轮廓、前一个轮廓、父轮廓、内嵌轮廓的索引编号，如果没有对应项，则该值为负数。

# 实例
img = cv2.imread('1.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
ret, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)  _, contours, hierarchy = cv2.findContours(binary,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)

2、绘制轮廓 findContours

函数原型

cv2.drawContours(image, contours, contourIdx, color[, thickness[, lineType[, hierarchy[, maxLevel[, offset]]]]])

参数：

image：输入图像
contours：轮廓，一个轮廓2个点的维数为（1,1,2,1,2）
contourIdx：绘制contours中的哪条轮廓，如果是-1，则绘制其中的所有轮廓
color：绘制的轮廓的颜色
thickness：轮廓线的宽度，如果是 -1（cv2.FILLED），则为填充模式

# 实例
cv2.drawContours(img,contours,-1,(0,0,255),3)
cv2.imshow("img", img)
cv2.waitKey(0)

3、轮廓的特征 Contour Features

3.1、矩：cv2.moments()

函数原型：

cv2.moments(array[, binaryImage])

array：单个轮廓，1xNx1x2维的数组，即N个二维点
binaryImage：如果为True，非0的像素值=1，默认为False
返回轮廓区域的矩的字典

实例：

import numpy as np
import cv2img = cv2.imread('star.jpg',0)
ret, thresh = cv2.threshold(img,127,255,0)
im2,contours,hierarchy = cv2.findContours(thresh, 1, 2)
cnt = contours[0]
M = cv2.moments(cnt)# 计算x,y轴的矩
cx = int(M['m10']/M['m00'])
cy = int(M['m01']/M['m00'])

3.2、面积：cv2.contourArea()

函数原型：

cv2.contourArea(contour[, oriented])

contour：单个轮廓，1xNx1x2维的数组，即N个二维点
oriented：如果为True，可以获得轮廓的方向标志，默认为False
返回轮廓区域的面积

实例：

area = cv2.contourArea(cnt)

3.3、周长：cv2.arcLength()

函数原型：

cv2.arcLength(curve, closed)

curve：单个轮廓，1xNx1x2维的数组，即N个二维点
closed：指示曲线是否闭合的标志
返回轮廓区域的周长

实例：

perimeter = cv2.arcLength(cnt, True)

3.4、凸性检测：cv2.isContourConvex()

函数原型：

cv2.isContourConvex(contour)

contour：单个轮廓，1xNx1x2维的数组，即N个二维点
返回轮廓是否为凸性的，是为True，否为False

实例：

k = cv2.isContourConvex(cnt)

4、轮廓近似 Contour Approximation

4.1、多边形近似：cv2.approxPolyDP()

函数原型：

cv2.approxPolyDP(curve, epsilon, closed[, approxCurve])

curve：单个轮廓，1xNx1x2维的数组，即N个二维点
epsilon：点的最大距离
closed：设置曲线是否闭合，即得到首尾两点是否为同一点
返回近似轮廓的二维点集

实例：

epsilon = 0.1*cv2.arcLength(cnt, True)
approx = cv2.approxPolyDP(cnt, epsilon, True)

4.2、凸包近似：cv2.convexHull()

函数原型：

cv2.convexHull(points[, hull[, clockwise[, returnPoints]]])

points：单个轮廓，1xNx1x2维的数组，即N个二维点
hull：输出数组，正常不用
clockwise：如果True，输出的凸包是顺时针方向，否则为默认的逆时针。
returnPoints：默认值为True，返回凸包上点的坐标，如果为False，返回与凸包点对应的轮廓上的点。
返回近似轮廓的二维点集

实例：

hull = cv2.convexHull(cnt)

4.3、矩形近似：Bounding Rectangle

函数原型：

# 普通矩形
cv2.boundingRect(points)  # 1# 可旋转矩形，即最小的外包矩形
cv2.minAreaRect(points)  # 2# 矩形表达形式的装换
cv2.boxPoints(box)  # 3

points：单个轮廓，1xNx1x2维的数组，即N个二维点
box：四个二维点的数组
返回：
- 1：近似矩形的左上角点坐标、矩形的宽和高（x,y,w,h）
- 2：近似矩形的最上角点坐标（x,y），矩形的宽和高（w,h）及旋转角度θ（°）
- 3：转换为矩形的四个角点坐标

实例：

# 普通矩形
x,y,w,h = cv2.boundingRect(cnt)
cv2.rectangle(img,(x,y),(x+w,y+h),(0,255,0),2)# 可旋转矩形，即最小的外包矩形
rect = cv2.minAreaRect(cnt)
box = cv2.boxPoints(rect)
box = np.int0(box)
cv2.drawContours(img,[box],0,(0,0,255),2)

4.4、其它近似

# 最小外接圆
(x,y),radius = cv2.minEnclosingCircle(cnt)
center = (int(x),int(y))
radius = int(radius)
cv2.circle(img,center,radius,(0,255,0),2)# 最小外接椭圆
ellipse = cv2.fitEllipse(cnt)
cv2.ellipse(img,ellipse,(0,255,0),2)# 拟合直线
rows,cols = img.shape[:2]
[vx,vy,x,y] = cv2.fitLine(cnt, cv.DIST_L2,0,0.01,0.01)
lefty = int((-x*vy/vx) + y)
righty = int(((cols-x)*vy/vx)+y)
cv2.line(img,(cols-1,righty),(0,lefty),(0,255,0),2)

Python-OpenCV 笔记6 -- 轮廓（Contours）相关推荐

Python+OpenCV：图像轮廓
Python+OpenCV:图像轮廓轮廓是什么? 轮廓可以简单地解释为一条连接所有连续点(沿边界)的曲线,具有相同的颜色和强度. 轮廓线是形状分析.目标检测和识别的重要工具. 为了获得更好的精度,可 ...
python+OpenCV笔记（二十四）：Shi-Tomasi角点检测
Shi-Tomasi角点检测原理 python+OpenCV笔记(二十二):角点检测原理(Harris角点检测原理.Shi-Tomasi角点检测原理)https://blog.csdn.net/qq ...
python+OpenCv笔记（十三）：边缘检测——Sobel检测算子
Sobel检测算子概述: Sobel边缘检测算法比较简单,实际应用中效率比canny边缘检测效率要高,但是边缘不如Canny检测的准确,但是很多实际应用的场合,sobel边缘却是首选,Sobel算子 ...
python+OpenCV笔记（三十七）：检测运动物体——使用MOG/KNN背景差分器
目录一.基本背景差分器二.MOG背景差分器流程代码编写三.KNN背景差分器目前,许多运动检测技术都是基于简单的背景差分概念的,即假设摄像头(视频)的曝光和场景中的光照条件是稳定的,当摄像头 ...
OpenCV笔记-对轮廓进行平滑处理
项目背景有一个像素数较少的图像,在上面找轮廓,显示轮廓锯齿严重: 如何将轮廓进行平滑? 一开始是想着将轮廓上的拐点拟合出一个贝塞尔曲线,由于要绘制回原图像上,且贝塞尔曲线的生成也没有找到很好的办法: ...
python+OpenCv笔记（七）：图像的形态学操作（腐蚀与膨胀、开闭运算、礼帽与黑帽）
一.腐蚀与膨胀腐蚀就是原图中高亮的部分被蚕食,效果图拥有比原图更小的高亮区域. 腐蚀的作用是:消除物体边界点,使目标缩小,可以消除小于结构元素的噪声点. 膨胀就是使原图中高亮的部分扩张,效果图拥有比 ...
python+OpenCV笔记（三十五）：特征匹配——基于FLANN的匹配、基于FLANN进行单应性匹配
目录一.基于FLANN的匹配 FLANN匹配流程: 代码编写二.基于FLANN进行单应性匹配什么是单应性? FLANN进行单应性匹配流程代码编写 FLANN库全称是Fast Library f ...
python+OpenCv笔记（六）：图像的几何变换（缩放、平移、旋转、仿射、透射、金字塔）
一.图像的缩放 OpenCv API: cv2.resize(src, dsize, fx, fy, interpolation) 参数: src:输入的图像 dsize:绝对尺寸,直接将图像调整为指 ...
python+OpenCv笔记（十七）：模板匹配
模板匹配 OpenCV框架提供了用于对象检测.跟踪和计数的许多不同方法.其中,模板匹配是OpenCV中最基本的对象检测方法之一. OpenCV API: res = cv.matchTemplate( ...
python+OpenCv笔记（二）：绘制几何图形
一.绘制直线 cv.line(img,pt1,pt2,color,thickness,lineType) 参数: img:要绘制的图像 pt1 pt2:绘制的起点与终点 color:颜色 thickn ...

Python-OpenCV 笔记6 -- 轮廓（Contours）

Python-OpenCV 笔记6 – 轮廓（Contours）

1、查找轮廓 findContours

2、绘制轮廓 findContours

3、轮廓的特征 Contour Features

3.1、矩：cv2.moments()

3.2、面积：cv2.contourArea()

3.3、周长：cv2.arcLength()

3.4、凸性检测：cv2.isContourConvex()

4、轮廓近似 Contour Approximation

4.1、多边形近似：cv2.approxPolyDP()

4.2、凸包近似：cv2.convexHull()

4.3、矩形近似：Bounding Rectangle

4.4、其它近似

Python-OpenCV 笔记6 -- 轮廓（Contours）相关推荐

最新文章

热门文章