《OpenCV》——边缘检测、轮廓检测

文章目录

• 边缘检测
• • sobel算子
  • [Scharr 算子](#Scharr 算子)
  • canny边缘检测
• 轮廓检测
• • 查找轮廓
  • 轮廓的绘制
  • 轮廓特征
  • 轮廓的近似

边缘检测

• 在图像中，边缘通常是指那些像素值发生急剧变化的地方。这种变化可以是从亮到暗（如物体的阴影边界），也可以是从暗到亮（如光照下物体的轮廓），或者是在不同颜色区域之间的过渡。
• 边缘包含了图像中物体形状的重要信息。通过提取边缘，可以大大减少图像中的数据量，同时保留物体的关键结构特征。这对于后续的图像分析任务，如目标识别、图像分割和形状匹配等非常有帮助。例如，在自动驾驶汽车中，边缘检测可以帮助识别道路、车辆和行人的轮廓，从而为驾驶决策提供依据。

sobel算子

sobel算子

# cv2.Sobel(src, ddepth, dx, dy[, ksize[, scale[, delta[, borderType]]]])
# 参数：
# src：输入图像
# ddepth: 输出图像的深度（可以理解为数据类型），-1表示与原图像相同的深度
# dx,dy:当组合为dx=1,dy=0时求x方向的一阶导数，当组合为dx=0,dy=1时求y方向的一阶导数（如果同时为1，通常效果不佳）
# ksize:（可选参数）Sobel算子的大小，必须是1,3,5或者7,默认为3。
yuan = cv2.imread('yuan.png')
cv2.imshow('yuan',yuan)
cv2.waitKey(0)
# # x方向上的边缘
yuan_x = cv2.Sobel(yuan,-1,dx=1,dy=0)
cv2.imshow('yuan_x',yuan_x)
cv2.waitKey(0)
# x方向上的边缘,包括负数信息（右端），但显示不出来，因为范围是(0~255）
yuan_x_64 = cv2.Sobel(yuan,cv2.CV_64F,dx=1,dy=0)#默认uint8改为float64，可保存负数
cv2.imshow('yuan_x_64',yuan_x_64)
cv2.waitKey(0)
# #x方向上的边缘,包括负数信息,进行取绝对值的操作，右端的负值信息就可以显示出来了
yuan_x_full = cv2.convertScaleAbs(yuan_x_64)#转换为绝对值，负数转换为正数
cv2.imshow('yuan_x_full',yuan_x_full)
cv2.waitKey(0)
# # y方向上的边缘
yuan_y = cv2.Sobel(yuan,-1,dx=0,dy=1)
cv2.imshow('yuan_y',yuan_y)
cv2.waitKey(0)
# y方向上的边缘,包括负数信息（下端），但显示不出来，因为范围是(0~255）
yuan_y_64 = cv2.Sobel(yuan,cv2.CV_64F,dx=0,dy=1)#默认int8改为float64，可保存负数
yuan_y_full = cv2.convertScaleAbs(yuan_y_64)#转换为绝对值，负数转换为正数
cv2.imshow('yuan_y_full',yuan_y_full)
cv2.waitKey(0)
# #如果同时使用x，y方向的结果如何呢？（不建议使用）
yuan_xy = cv2.Sobel(yuan,-1,dx=1,dy=1)
cv2.imshow('yuan_xy',yuan_xy)
cv2.waitKey(100000)
# #使用图像加权运算组合x和y方向的2个边缘。
yuan_xy_full = cv2.addWeighted(yuan_x_full,1,yuan_y_full,1,0)
cv2.imshow('yuan_xy_full',yuan_xy_full)
cv2.waitKey(0)

读取图像观看效果 sobel算子

zl = cv2.imread('HFC.jpg',cv2.IMREAD_GRAYSCALE)#不用灰度试试效果
zl_x_64 = cv2.Sobel(zl,cv2.CV_64F,dx=1,dy=0)#默认int8改为float64，可保存负数
zl_x_full = cv2.convertScaleAbs(zl_x_64)#转换为绝对值，负数转换为正数
zl_y_64 = cv2.Sobel(zl,cv2.CV_64F,dx=0,dy=1)#默认int8改为float64，可保存负数
zl_y_full = cv2.convertScaleAbs(zl_y_64)#转换为绝对值，负数转换为正数
zl_xy_sobel_full = cv2.addWeighted(zl_x_full,1,zl_y_full,1,0)
cv2.imshow('zl_xy_sobel_full',zl_xy_sobel_full)
cv2.waitKey(0)

Scharr 算子

# # # #Scharr 算子  ʃaːɐ̯
# # # # cv.Scharr(src, ddepth, dx, dy[, dst[, scale[, delta[, borderType]]]])
# # # # src：输入图像
# # # # ddepth：输出图片的数据深度，由输入图像的深度进行选择
# # # # dx：x 轴方向导数的阶数
# # # # dy：y 轴方向导数的阶数
zl = cv2.imread('HFC.jpg',cv2.IMREAD_GRAYSCALE)
zl_x_64 = cv2.Scharr(zl,cv2.CV_64F,dx=1,dy=0)#默认int8改为float64，可保存负数
zl_x_full = cv2.convertScaleAbs(zl_x_64)#转换为绝对值，负数转换为正数
zl_y_64 = cv2.Scharr(zl,cv2.CV_64F,dx=0,dy=1)#默认int8改为float64，可保存负数
zl_y_full = cv2.convertScaleAbs(zl_y_64)#转换为绝对值，负数转换为正数
zl_xy_Scharr_full = cv2.addWeighted(zl_x_full,1,zl_y_full,1,0)
cv2.imshow('zl_xy_Scharr_full',zl_xy_Scharr_full)
cv2.waitKey(0)
# #$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$
# # #cv2.Laplacian(src, ddepth[, dst[, ksize[, scale[, delta[, borderType]]]]])
# # # 参数说明：
# # # src：输入图像，可以是灰度图像，也可以是多通道的彩色图像
# # # ddepth：输出图片的数据深度：
# # # ksize：计算二阶导数滤波器的孔径大小，必须为正奇数，可选项
# # # scale：缩放比例因子，可选项，默认值为 1
# # # delta：输出图像的偏移量，可选项，默认值为 0
#
zl = cv2.imread('HFC.jpg',cv2.IMREAD_GRAYSCALE)
zl_lap = cv2.Laplacian(zl,cv2.CV_64F)
zl_lap_full = cv2.convertScaleAbs(zl_lap)#转换为绝对值，负数转换为正数
cv2.imshow('zl_lap_full',zl_lap_full)
cv2.waitKey(0)

canny边缘检测

# # # canny边缘检测
# # # cv.Canny( image, threshold1, threshold2[, apertureSize[, L2gradient]])
# # # image 为输入图像。
# # # threshold1 表示处理过程中的第一个阈值。fL
# # # threshold2 表示处理过程中的第二个阈值。fH
# #
zl = cv2.imread('HFC.jpg',cv2.IMREAD_GRAYSCALE)
cv2.imshow('zl',zl)
cv2.waitKey(0)
zl_canny = cv2.Canny(zl,100,150)#低，高
cv2.imshow('zl_canny',zl_canny)
cv2.waitKey(0)

轮廓检测

• 帮助我们提取图像中的关键信息，如物体的形状、纹理、结构等

查找轮廓

# 查找轮廓的API：image, contours, hierarchy = cv2.findContours(img, mode, method)#
# 参数：img：需要实现轮廓检测的原图
# mode: 轮廓的检索模式，主要有四种方式：
#    cv2.RETR_EXTERNAL：只检测外轮廓，所有子轮廓被忽略
#    cv2.RETR_LIST：检测的轮廓不建立等级关系，所有轮廓属于同一等级
#    cv2.RETR_CCOMP：返回所有的轮廓，只建立两个等级的轮廓。一个对象的外轮廓为第1级组织结构。
#                   而对象内部中空洞的轮廓为第2级组织结构，空洞中的任何对象的轮廓又是第 1 级组织结构。
# -> cv2.RETR_TREE：返回所有的轮廓，建立一个完整的组织结构的轮廓。
# method：轮廓的近似方法，主要有以下两种：
# -> cv2.CHAIN_APPROX_NONE：存储所有的轮廓点。
#    cv2.CHAIN_APPROX_SIMPLE：压缩模式，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。
# 返回：image：返回处理的原图
# contours：包含图像中所有轮廓的list对象。其中每一个独立的轮廓信息以边界点坐标（x,y）的形式储存在numpy数组中。
# hierarchy：轮廓的层次结构。一个包含4个值的数组：[Next, Previous, First Child, Parent]
#   Next：与当前轮廓处于同一层级的下一条轮廓
#   Previous：与当前轮廓处于同一层级的上一条轮廓
#   First Child：当前轮廓的第一条子轮廓
#   Parent：当前轮廓的父轮廓
# 注意：做轮廓检测前需要将图片读取为二值数据，即像素值只为0和255。
import cv2
phone = cv2.imread('phone.png')#读取原图
phone_gray = cv2.cvtColor(phone,cv2.COLOR_BGR2GRAY)#灰度图的处理
cv2.imshow('phone_b',phone_gray)
cv2.waitKey(0)
# phone_gray=cv2.imread('phone.png',0)  #读取灰度图
ret, phone_binary = cv2.threshold(phone_gray, 120, 255, cv2.THRESH_BINARY)#阈值处理为二值
cv2.imshow('phone_binary',phone_binary)
cv2.waitKey(0)
_,contours, hierarchy = cv2.findContours(phone_binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)
print(hierarchy)
print(len(contours))

轮廓的绘制

# # # # 轮廓的绘制
# # # # cv2.drawContours(image, contours, contourIdx, color, thickness=None,
# # # #                  lineType=None, hierarchy=None, maxLevel=None, offset=None)
# # # # 参数含义如下：
# # # # image:要在其上绘制轮廓的输入图像。
# # # # contours:轮廓列表，通常由cv2.findContours()函数返回。
# # # # contourIdx:要绘制的轮廓的索引。如果为负数，则绘制所有轮廓。 -1
# # # # color:轮廓的颜色，以BGR格式表示。例如，(0, 255, 0)表示绿色。
# # # # thickness:轮廓线的粗细。默认值为1。
# # # # lineType:轮廓线的类型。默认值为cv2.LINE_8。
# # # # hierarchy:轮廓层次结构。通常由cv2.findContours()函数返回。
# # # # maxLevel:绘制的最大轮廓层级。默认值为None,表示绘制所有层级。
# # # # offset:轮廓点的偏移量。默认值为None。
# # #
image_copy = phone.copy()
image_copy = cv2.drawContours(image=image_copy, contours=contours, contourIdx=-1,color=(0,255,0),thickness=3)
cv2.imshow('Contours_show', image_copy)
cv2.waitKey(0)

轮廓特征

# #轮廓特征
# # cv2.contourArea(contour[, oriented]) → retval      面积
# # contour：顶点构成的二维向量组（如轮廓列表contours中的一个轮廓）
# # oriented：定向区域标志，默认值为 False，返回面积的绝对值，Ture 时则根据轮廓方向返回带符号的数值
#
area_0 = cv2.contourArea(contours[0])
print(area_0)
area_1 = cv2.contourArea(contours[1])
print(area_1)
#
# # arcLength(InputArray curve, bool closed)              周长
# # curve，输入的二维点集（轮廓顶点），可以是 vector 或 Mat 类型。
# # closed，用于指示曲线是否封闭。
length = cv2.arcLength(contours[0],closed=True)
print(length)
# 根据面积显示特定轮廓
a_list=[]
# for i in range(len(contours)):
#     if cv2.contourArea(contours[i])>10000:
#         a_list.append(contours[i])
for i in contours:
    if cv2.contourArea(i)>10000:
        a_list.append(i)
image_copy = phone.copy()
image_copy = cv2.drawContours(image=image_copy, contours=a_list, contourIdx=-1,color=(0,255,0),thickness=3)
cv2.imshow('Contours_show_10000', image_copy)
cv2.waitKey(0)

轮廓的近似

# 轮廓的近似
# approx = cv2.approxPolyDP(curve, epsilon, closed)
# 参数说明：
# curve：输入轮廓。
# epsilon：近似精度，即两个轮廓之间最大的欧式距离。该参数越小，得到的近似结果越接近实际轮廓；反之，得到的近似结果会更加粗略。
# closed：布尔类型的参数，表示是否封闭轮廓。如果是 True，表示输入轮廓是封闭的，近似结果也会是封闭的；否则表示输入轮廓不是封闭的，近似结果也不会是封闭的。
# 返回值：approx：近似结果，是一个ndarray数组，为1个近似后的轮廓，包含了被近似出来的轮廓上的点的坐标

phone = cv2.imread('phone.png')
phone_gray = cv2.cvtColor(phone,cv2.COLOR_BGR2GRAY) #转换为灰度图
ret,phone_thresh = cv2.threshold(phone_gray,120,255,cv2.THRESH_BINARY)  #二值化

image, contours, hierarchy = cv2.findContours(phone_thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)#获取轮廓
# #
epsilon = 0.01 * cv2.arcLength(contours[0],True)        #设置近似精度
approx = cv2.approxPolyDP(contours[0], epsilon, True)   #对轮廓进行近似
print(approx.shape)
phone_new = phone.copy()
image_contours = cv2.drawContours(phone_new,[approx],contourIdx=-1,color=(0,255,0),thickness=3)#绘制轮廓
cv2.imshow('phone',phone)
cv2.waitKey(0)
cv2.imshow('image_contours',image_contours)
cv2.waitKey(0)
# # # $$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$
# # # 外接圆、外接矩形,...
cnt = contours[6]
(x,y),r = cv2.minEnclosingCircle(cnt)#计算轮廓的外接圆
phone_circle = cv2.circle(phone,(int(x),int(y)),int(r),(0,255,0),2)#绘制外接圆的方法
cv2.imshow('phone_circle',phone_circle)
cv2.waitKey(0)

x,y,w,h = cv2.boundingRect(cnt)#计算轮廓的最小外接矩形
phone_rectangle = cv2.rectangle(phone,(x,y),(x+w,y+h),(0,255,0),2)  #在图像上绘制矩形
cv2.imshow('phone_rectangle',phone_rectangle)
cv2.waitKey(0)