► 前言
上篇介绍使用OpenCV Python对于图像上的二值化操作,二值化主要用途包括图像分割、物体侦测、文字识别等。这种转换可以帮助检测图像中的物体或特定特征,并提取有用的信息,本篇基于二值化操作进行近一步的操作,透过影像梯度区分影像前景、后景,框选所需目标物件。透过程式码的说明,让各位了解OpenCV Python于图像处理上的基本操作。
►轮廓(Contour)定义
轮廓是由多个点组成的连续曲线或多边形,这些点会包围物体或形状的边界。轮廓描述了物体在影像中的外形和轮廓的形状。这些轮廓提供了对物体形状和结构的描述,可以识别和理解影像中的物体。
►轮廓检测与绘制
OpenCV提供findContours()函数用于在二值化影像中寻找轮廓。
- image: 输入的二值化图像,通常是经过灰度转换和二值化处理后的图像。
- mode: 轮廓检测模式。它指定轮廓的检索模式,可以使用以下值之一:
- RETR_EXTERNAL:只检测最外层的轮廓。
- RETR_LIST:检测所有的轮廓,但不建构轮廓的层次结构。
- RETR_CCOMP:检测所有的轮廓,并将其组织为两级层次结构。
- RETR_TREE:检测所有的轮廓,并将其组织为完整的层次结构。
- method: 轮廓的逼近方法。它指定轮廓的逼近方法,可以使用以下值之一:
- CHAIN_APPROX_NONE:储存所有的轮廓点,不进行逼近。
- CHAIN_APPROX_SIMPLE:仅储存水平、垂直和对角线端点,压缩水平、垂直和对角线节点,只保留该方向上的终点。
- contours(可选): 轮廓的输出列表,每个轮廓是一个由点构成的 numpy 数组。
- hierarchy(可选): 输出的层次结构,描述了轮廓之间的嵌套关系。
- offset(可选): 输入图像的可选偏移参数。
并透过drawContours()函数将轮廓叠加于原始图像上。
- image: 用于绘制轮廓的图像。
- contours: 要绘制的轮廓,是一个包含轮廓的列表,每个轮廓是一个由点构成的 numpy 数组。
- contourIdx: 指定要绘制的轮廓的索引。如果为负值(例如 -1),则绘制所有轮廓。
- color: 绘制轮廓的颜色。它是一个包含三个整数的元组,分别表示蓝色、绿色和红色通道的值。
- thickness(可选): 绘制轮廓的线条宽度。如果 thickness 为正值,表示线条的粗细;如果 thickness 为负值或者等于 0,则轮廓内部被填充。
- lineType(可选): 绘制轮廓的线条类型。预设为 LINE_8,表示 8 连通线条。你也可以使用 cv2.LINE_AA 以获得抗锯齿效果。
- hierarchy(可选): 描述轮廓层次结构的 numpy 数组。在 findContours 中获取,通常不需要手动指定。
- maxLevel(可选): 绘制轮廓的最大层级。如果不指定,则绘制所有层级的轮廓。
- offset(可选): 输入图像的可选偏移参数。
在轮廓检测与绘制分为以下四个步骤:
- 读取图像并转为灰度图
- 灰度图像二值化
- 检测轮廓
- 绘制轮廓
►轮廓周长与面积计算
在 OpenCV 中,可以使用 cv2.arcLength 函数来计算轮廓的周长,使用 cv2.contourArea 函数来计算轮廓的面积。
- contour:要计算周长的轮廓。
- closed:一个布尔值,表示轮廓是否是封闭的。如果是封闭的,则 closed 设为 True;如果不是封闭的,则设为 False。
- contour:要计算面积的轮廓。
►小结
透过以上讲解,搭配程式码进行范例讲解,相信各位对于图像上的轮廓检测能有更深刻的理解,期待下一篇博文吧!
►Q&A
问题一:图像不是二值化的,如何进行轮廓检测?
在进行轮廓检测之前,必须将图像转换为二值化形式。可以使用灰度转换和阈值处理来实现。确保你的图像经过适当的预处理。
问题二:找不到预期的轮廓,检测效果不好。
调整二值化的阈值或使用自适应阈值处理。有时候,图像的光线和对比度变化可能导致检测效果不佳,可以先进行适当的图像增强。
问题三:图像中有噪音或小的斑点,影响轮廓检测。
在进行轮廓检测之前,进行图像平滑处理,例如使用高斯滤波器或中值滤波器,以减少噪音的影响。
问题四:轮廓太多或太少,难以准确识别目标。
调整二值化的阈值,以控制检测到的轮廓数量。另外,可以使用形态学运算进行轮廓的调整和修复。
问题五:轮廓检测后如何进一步处理找到的轮廓?
根据应用需求,可以使用轮廓的特性进行进一步的筛选、过滤或分析。例如,可以根据轮廓的面积、长宽比等进行筛选,以排除不需要的轮廓。