【python】OpenCV—findContours（4.3）

文章目录

• 1、功能描述
• 2、代码实现
• 3、完整代码
• 4、结果展示
• 5、涉及到的库函数
• • 5.1、cv2.Canny
  • [5.2 cv2.boxPoints](#5.2 cv2.boxPoints)
• 6、参考

1、功能描述

找出图片中的轮廓，拟合轮廓外接椭圆和外接矩阵

2、代码实现

导入必要的库，固定好随机种子

import cv2 as cv
import numpy as np
import argparse
import random as rng

rng.seed(12345)

读取输入图片，判定图片是否读入成功

parser = argparse.ArgumentParser(
    description='Code for Creating Bounding rotated boxes and ellipses for contours tutorial.')
parser.add_argument('--input', help='Path to input image.', default='1.png')
args = parser.parse_args()
src = cv.imread(cv.samples.findFile(args.input))

if src is None:
    print('Could not open or find the image:', args.input)
    exit(0)

灰度化图片，并平滑

# Convert image to gray and blur it
src_gray = cv.cvtColor(src, cv.COLOR_BGR2GRAY)
src_gray = cv.blur(src_gray, (3, 3))
source_window = 'Source'
cv.namedWindow(source_window)
cv.imshow(source_window, src)

创建滚动条，动态配置参数，随着滑动条的滑动实现不同的算法效果

max_thresh = 255
thresh = 100  # initial threshold
cv.createTrackbar('Canny Thresh:', source_window, thresh, max_thresh, thresh_callback)
thresh_callback(thresh)
cv.waitKey()

算法核心函数 thresh_callback，下面具体看看细节

def thresh_callback(val):
    global src_gray
    threshold = val
    src_gray = cv.GaussianBlur(src_gray, (3, 3), 0.1)
    canny_output = cv.Canny(src_gray, threshold, threshold * 2)

高斯模糊，canny 算子

    contours, _ = cv.findContours(canny_output, cv.RETR_TREE, cv.CHAIN_APPROX_SIMPLE)

    # Find the rotated rectangles and ellipses for each contour
    minRect = [None] * len(contours)
    minEllipse = [None] * len(contours)
    for i, c in enumerate(contours):
        minRect[i] = cv.minAreaRect(c)
        if c.shape[0] > 5:
            minEllipse[i] = cv.fitEllipse(c)
    # Draw contours + rotated rects + ellipses

找出轮廓，遍历轮廓，最小外接矩形框直接调用 cv2.minAreaRect 即可

如果轮廓多于 5 个点，cv2.fiEllipse 找椭圆

    # Draw contours + rotated rects + ellipses

    drawing = np.zeros((canny_output.shape[0], canny_output.shape[1], 3), dtype=np.uint8)

    for i, c in enumerate(contours):
        color = (rng.randint(0, 256), rng.randint(0, 256), rng.randint(0, 256))
        # contour
        cv.drawContours(drawing, contours, i, color)
        # ellipse
        if c.shape[0] > 5:
            cv.ellipse(drawing, minEllipse[i], color, 2)
        # rotated rectangle
        box = cv.boxPoints(minEllipse[i])
        # box = cv.boxPoints(minRect[i])
        box = np.intp(box)  # np.intp: Integer used for indexing (same as C ssize_t; normally either int32 or int64)
        # box = np.int0(box)  # normally either int32 or int64)
        cv.drawContours(drawing, [box], 0, color)


    cv.imshow('Contours', drawing)
    cv.imshow("Canny", canny_output)

绘制轮廓，轮廓外接矩阵，轮廓拟合出来的椭圆，随机颜色

注意 box = cv.boxPoints(minEllipse[i]) 绘制的是椭圆的外接矩阵，而 box = cv.boxPoints(minRect[i]) 绘制轮廓的外接矩阵被注释掉了

3、完整代码

import cv2 as cv
import numpy as np
import argparse
import random as rng

rng.seed(12345)


def thresh_callback(val):
    global src_gray
    threshold = val
    src_gray = cv.GaussianBlur(src_gray, (3, 3), 0.1)
    canny_output = cv.Canny(src_gray, threshold, threshold * 2)

    contours, _ = cv.findContours(canny_output, cv.RETR_TREE, cv.CHAIN_APPROX_SIMPLE)

    # Find the rotated rectangles and ellipses for each contour
    minRect = [None] * len(contours)
    minEllipse = [None] * len(contours)
    for i, c in enumerate(contours):
        minRect[i] = cv.minAreaRect(c)
        if c.shape[0] > 5:
            minEllipse[i] = cv.fitEllipse(c)

    # Draw contours + rotated rects + ellipses

    drawing = np.zeros((canny_output.shape[0], canny_output.shape[1], 3), dtype=np.uint8)

    for i, c in enumerate(contours):
        color = (rng.randint(0, 256), rng.randint(0, 256), rng.randint(0, 256))
        # contour
        cv.drawContours(drawing, contours, i, color)
        # ellipse
        if c.shape[0] > 5:
            cv.ellipse(drawing, minEllipse[i], color, 2)
        # rotated rectangle
        box = cv.boxPoints(minEllipse[i])
        # box = cv.boxPoints(minRect[i])
        box = np.intp(box)  # np.intp: Integer used for indexing (same as C ssize_t; normally either int32 or int64)
        # box = np.int0(box)  # normally either int32 or int64)
        cv.drawContours(drawing, [box], 0, color)


    cv.imshow('Contours', drawing)
    cv.imshow("Canny", canny_output)


parser = argparse.ArgumentParser(
    description='Code for Creating Bounding rotated boxes and ellipses for contours tutorial.')
parser.add_argument('--input', help='Path to input image.', default='1.png')
args = parser.parse_args()
src = cv.imread(cv.samples.findFile(args.input))

if src is None:
    print('Could not open or find the image:', args.input)
    exit(0)

# Convert image to gray and blur it
src_gray = cv.cvtColor(src, cv.COLOR_BGR2GRAY)
src_gray = cv.blur(src_gray, (3, 3))
source_window = 'Source'
cv.namedWindow(source_window)
cv.imshow(source_window, src)
max_thresh = 255
thresh = 100  # initial threshold
cv.createTrackbar('Canny Thresh:', source_window, thresh, max_thresh, thresh_callback)
thresh_callback(thresh)
cv.waitKey()

4、结果展示

Canny Thresh：0

Canny Thresh：5

Canny Thresh：15

Canny Thresh：25

Canny Thresh：35

Canny Thresh：45

Canny Thresh：100

Canny Thresh：150

Canny Thresh：200

Canny Thresh：255

5、涉及到的库函数

5.1、cv2.Canny

cv2.Canny 是 OpenCV 库中用于边缘检测的一个函数，它实现了 Canny 边缘检测算法。Canny 边缘检测是一种非常流行的边缘检测算法，由 John F. Canny 在 1986 年提出。这个算法旨在寻找图像中的最优边缘，它通过应用多尺度高斯滤波来减少噪声，然后计算图像梯度，接着通过非极大值抑制和滞后阈值化来检测边缘。

edges = cv2.Canny(image, threshold1, threshold2[, edges[, apertureSize[, L2gradient]]])

• image：输入的灰度图像。在进行 Canny 边缘检测之前，通常需要先将图像转换为灰度图像。
• threshold1：第一个阈值，用于滞后阈值化中的低阈值。
• threshold2：第二个阈值，用于滞后阈值化中的高阈值。只有那些梯度值高于 threshold2 的像素才会被当作边缘，而梯度值位于 threshold1 和 threshold2 之间的像素只有在它们连接到高阈值边缘时才会被接受。
• edges：输出参数，用于存储检测到的边缘。如果不指定，则会自动创建一个同大小的输出图像。
• apertureSize：Sobel 算子的大小，默认为 3。这个参数影响梯度计算的精度，但增加大小也会增加计算时间。
• L2gradient：一个布尔值，指示是否使用更精确的 L2 范数来计算图像梯度幅值。默认值为 False，即使用 L1 范数（即简单地将梯度在 x 和 y 方向的分量相加）。

返回值：

• edges：一个二值图像，其中检测到的边缘像素被设置为白色（255），其他像素被设置为黑色（0）。

Canny 边缘检测的优点在于它能够有效地抑制噪声，并且检测到的边缘通常是连续的。然而，它的效果也依赖于所选的阈值，因此在实际应用中，可能需要根据具体情况调整 threshold1 和 threshold2 的值。

5.2 cv2.boxPoints

cv2.boxPoints 用于计算给定矩形旋转后的顶点坐标。这个函数在需要处理旋转矩形时非常有用，比如在图像中绘制旋转的边界框时。

points = cv2.boxPoints(box[, rotMat])

参数解释：

• box：表示矩形的参数。这可以是一个包含四个元素的元组或列表 (center_x, center_y, width, height)，其中 (center_x, center_y) 是矩形中心的坐标，width 和 height 分别是矩形的宽度和高度（注意：这里的宽度和高度是按照矩形的原始大小，不考虑旋转）。在某些版本的 OpenCV 中，box 也可能是一个 cv2.RotatedRect 对象。
• rotMat：可选参数，表示旋转矩阵。这是一个 2x3 的浮点数数组，用于指定对矩形进行额外旋转的角度。如果未提供此参数，则矩形不会被额外旋转，只返回根据 box 参数计算出的四个顶点坐标。

返回值：

• points：一个包含四个点的 NumPy 数组，每个点都是一个包含两个元素的元组或列表 (x, y)，表示旋转后矩形的顶点坐标。

需要注意的是，如果 box 是一个 cv2.RotatedRect 对象，那么它本身就包含了旋转信息（即旋转角度和中心点），此时 rotMat 参数将被忽略，因为 cv2.RotatedRect 已经定义了矩形的旋转状态。

示例代码：

import cv2  
import numpy as np  
  
# 定义一个中心点、宽度、高度的矩形  
center = (100, 100)  
width = 200  
height = 100  
angle = 45  # 旋转角度（以度为单位）  
  
# 创建一个旋转矩形对象  
rect = cv2.RotatedRect(center, (width, height), angle)  
  
# 获取旋转矩形的顶点  
points = cv2.boxPoints(rect)  
points = np.intp(points)  # 将坐标转换为整数类型，以便在图像上绘制  
  
# 创建一个黑色图像  
image = np.zeros((256, 256, 3), dtype=np.uint8)  
  
# 在图像上绘制旋转矩形的边  
for i in range(4):  
    cv2.line(image, tuple(points[i]), tuple(points[(i+1)%4]), (255, 0, 0), 2)  
# 显示图像  
cv2.imshow('Rotated Rectangle', image)  
cv2.waitKey(0)  
cv2.destroyAllWindows()

在这个示例中，我们首先定义了一个矩形的中心点、宽度、高度和旋转角度，然后创建了一个 cv2.RotatedRect 对象来表示这个旋转矩形。接着，我们使用 cv2.boxPoints 函数来获取旋转矩形的顶点坐标，并在一个黑色图像上绘制了这个矩形的边。最后，我们显示了包含旋转矩形的图像。

6、参考

• 根据轮廓创建旋转框和椭圆
• 【python】OpenCV---findContours（4.2）