机器视觉学习-day14-绘制图像轮廓

1. 轮廓的概念

轮廓是目标物体或者区域在图像外部的边界线,通常由一系列像素点相连组成,这些像素点共同构成了一个封闭的形状,这样形状就是轮廓。

轮廓与边缘不同:
轮廓是连续的,边缘可以连续也可以离散

轮廓是完整的,边缘可以是完成的也可以不完整

轮廓主要分析物体的形态,比如计算物体的周长与面积;边缘作为图像特征使用,比如区分脸和手。

代码运行步骤:

图片输入→灰度化→二值化→寻找轮廓→绘制轮廓→图片输出

1.1 寻找轮廓

复制代码
    # 4. 寻找轮廓
    # 返回值1:所有轮廓的点坐标,是一个list列表
    # 返回值2:轮廓的层级关系
    contours, hierarchy = cv2.findContours(
        image = image_np_thresh,  # 二值化之后的图像
        mode = cv2.RETR_EXTERNAL,  # 默认的轮廓查找方式
        method = cv2.CHAIN_APPROX_SIMPLE  # 默认的轮廓近似办法
    )

●contours 轮廓s

tuple类型,所有轮廓的点(每个元素是Numpy数组),可以通过[n-1]取出第n个轮廓的数据

●hierarchy 轮廓关系

如果没有检测到轮廓,则返回的数组为空,通常不会出现。

对于第n个轮廓:

○hierarchy[n][0]表示当前轮廓的后一条轮廓

○hierarchy[n][1]表示当前轮廓的前一条轮廓

○hierarchy[n][2]表示当前轮廓的第一个子轮廓

○hierarchy[n][3]表示当前轮廓的父轮廓

如果出现-1表示没有。

此参数较少使用,通常用于处理复杂画面效果。

●image 输入图像

要求8位的二值化图像,前景色白色,背景色黑色

●mode 轮廓的查找方式

○RETR_EXTERNAL 查找最外层轮廓(不查找内层轮廓)

在hierarchy层级结构中,每一个轮廓只有前后轮廓的索引,没有父轮廓与子轮 廓的索引。

○RETR_LIST 查找所有轮廓(包括外层和内层轮廓)

在hierarchy层级结构中,每一个轮廓只有前后轮廓的索引,没有父轮廓与子轮 廓的索引。

○RETR_CCOMP 查找所有轮廓(包括外层和内层轮廓)

在hierarchy层级结构中,每一个轮廓只有前后轮廓的索引,有父轮廓与子轮 廓的索引,轮廓为两层结构。

○RETR_TREE (包括外层和内层轮廓)

在hierarchy层级结构中,每一个轮廓只有前后轮廓的索引,有父轮廓与子轮 廓的索引,轮廓为树状结构。

●method 轮廓的近似办法

○CHAIN_APPROX_NONE 存储所有轮廓点

○CHAIN_APPROX_SIMPLE 只存储有用的点

比如轮廓中的直线,则只存储起点和终点;比如轮廓是四边形,则只存储四个顶点。

○CHAIN_APPROX_TC89_L1 使用Teh_Chin链进行轮廓逼近

精度高(优化后的点更少),使用少。

1.2 绘制轮廓

使用绘制轮廓的方式把上一步的寻找的轮廓点连接在一起进行绘制,这一步绘制的是前景轮廓。

  • contourIdx 轮廓编号

-1表示绘制所有轮廓

  • color 轮廓颜色
  • thickness 绘制的线宽

1.3 轮廓检测算法 Suzuki

内容复杂,了解即可

2 代码实践

原图3.jpg

python 复制代码
import cv2

if __name__ == '__main__':
    # 1. 图片输入
    path = '3.jpg'
    image_np = cv2.imread(path)
    # 2. 灰度化
    image_np_gray = cv2.cvtColor(
        image_np,
        cv2.COLOR_BGR2GRAY
    )
    # 3. 二值化
    ret, image_np_thresh = cv2.threshold(
        image_np_gray,
        127,
        255,
        cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)
    print(ret)

    # 4. 寻找轮廓
    contours, hierarchy = cv2.findContours(
        image_np_thresh,  # 二值化之后的图像
        cv2.RETR_EXTERNAL,  # 查找方式
        cv2.CHAIN_APPROX_SIMPLE  # 近似办法
    )
    print(len(contours))
    for i in contours:
        print(i.shape)
    """
    cv2.findContours(): 查找图像中的轮廓

    参数详解:
    image_np_thresh: 二值化图像,必须是8位单通道图像
    cv2.RETR_EXTERNAL: 轮廓检索模式,只检测最外层轮廓
    cv2.CHAIN_APPROX_SIMPLE: 轮廓近似方法,压缩水平、垂直和对角线段,只保留它们的端点
    
    返回值:
    contours: 找到的轮廓列表,每个轮廓是一个点集
    hierarchy: 轮廓的层次信息(此代码中未使用)
    print(len(contours)): 打印找到的轮廓数量
    for i in contours: print(i.shape): 遍历所有轮廓并打印每个轮廓的形状(即包含多少个点)
    """

    # 5. 绘制轮廓
    image_np = cv2.drawContours(
        image_np,  # 在哪个图上绘制
        contours,  # 轮廓数据列表
        contourIdx=-1,  # 绘制轮廓的id,-1表示全绘制
        color=(0, 0, 255),  # 绘制的颜色
        thickness=2  # 线宽
    )
    """
    cv2.drawContours(): 在图像上绘制轮廓

    参数详解:
    image_np: 要绘制轮廓的目标图像(会在原图上直接修改)    
    contours: 要绘制的轮廓列表    
    contourIdx=-1: 指定要绘制哪个轮廓,-1表示绘制所有轮廓    
    color=(0, 0, 255): 轮廓颜色,BGR格式(这里是红色)    
    thickness=2: 轮廓线宽度
    """
    # 6. 图片输出
    cv2.imshow('image_np', image_np)
    cv2.waitKey(0)
    cv2.imwrite('image.png', image_np)

# 读取图像 → 2. 转换为灰度图 → 3. 二值化处理 → 4. 查找轮廓 → 5. 绘制轮廓 → 6. 显示结果

运行后图片:image.png

练习:绘制图像的所有轮廓,并使用不同的颜色标识。

图片:3.jpg

python 复制代码
"""绘制图像的所有轮廓,并使用不同的颜色标识。"""
import cv2
import numpy as np

if __name__ == '__main__':
    # 1.图片输入
    path = '3.jpg'  # 图像文件路径
    image_np = cv2.imread(path)  # 读取图像为NumPy数组(BGR格式)

    # # 2. 灰度化
    # image_np_gray = cv2.cvtColor(
    #     image_np,
    #     cv2.COLOR_BGR2GRAY
    # )
    # cv2.imshow('image_np_gray', image_np_gray)
    # # 3. 二值化
    # ret, image_np_thresh = cv2.threshold(
    #     image_np_gray,
    #     192,  # 191/192为青色和粉色的临界值
    #     255,
    #     cv2.THRESH_BINARY_INV
    # )

    # 使用灰度化、二值化后,颜色浅的 无法选中
    # 2.HSV空间转换
    hsv_image_np = cv2.cvtColor(image_np, cv2.COLOR_BGR2HSV)  # BGR转HSV

    # 3. 制作掩膜
    # 定义绿色范围/背景图掩膜
    green_low = np.array([35, 43, 46])  # 红色下限(Hmin, Smin, Vmin)
    green_high = np.array([77, 255, 255])  # 红色上限(Hmax, Smax, Vmax)

    mask1 = cv2.inRange(  # 创建掩膜
        hsv_image_np,  # 基于哪个图像, 输入HSV图像
        green_low,  # 颜色下限
        green_high  # 颜色上限
    )
    # 合并掩膜
    mask_image_np = cv2.bitwise_or(mask1, mask1)  # 红
    cv2.imshow('mask_image_np4', mask_image_np)

    # 4.反阈值二值化取到前景图片
    ret, image_np_thresh = cv2.threshold(
        mask_image_np,  # 输入的灰度图像
        127,  # 阈值(127),但使用OTSU方法时会自动计算最佳阈值
        255,  # 最大值(255),当像素值超过阈值时赋予的值
        cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU
    )
    cv2.imshow('image_np_thresh', image_np_thresh)

    # 5. 寻找轮廓
    contours, hierarchy = cv2.findContours(
        image_np_thresh,  # 二值化之后的图像
        cv2.RETR_LIST,  # 查找方式:查找所有轮廓(包括外层和内层轮廓)
        cv2.CHAIN_APPROX_SIMPLE  # 近似办法
    )
    print(len(contours))
    for i in contours:
        print(i.shape)

    # 定义不同颜色用于绘制不同轮廓
    colors = [
        (0, 0, 0),  # 黑色
        (255, 255, 0),  # 青色
        (255, 0, 0),  # 蓝色
        (255, 0, 255),  # 粉色
    ]

    # 遍历所有找到的轮廓
    for i, cnt in enumerate(contours):
        # enumerate()函数返回的是(index, value)元组对,所以不能直接将循环变量用于索引

        # 计算当前轮廓的面积,过滤掉太小的轮廓(可能是噪声)
        area = cv2.contourArea(cnt)
        if area < 197:  # 忽略面积小于100像素的轮廓
            continue
        # 选择颜色(循环使用预定义的颜色)
        # color = colors[i]  # 当i≥4时会报IndexError
        color = colors[i % len(colors)]  # 0%4=0...5%4=1(循环)

        # 6. 绘制轮廓
        image_np = cv2.drawContours(
            image_np,  # 在哪个图上绘制
            contours,  # 轮廓数据列表
            contourIdx=i,  # 绘制轮廓的id,-1表示全绘制,从0开始代表下标
            color=color,  # 使用选择的颜色
            thickness=2  # 线宽
        )

    # 6. 图片输出
    cv2.imshow('image_np', image_np)
    cv2.waitKey(0)
    cv2.imwrite('123.png', image_np)

运行结果:123.png

相关推荐
CCCC13101638 小时前
嵌入式学习(day37) 数据库 Sqlite相关命令函数
数据库·学习
悠哉悠哉愿意8 小时前
【机器学习学习笔记】numpy基础2
笔记·学习·机器学习
HABuo8 小时前
【C++进阶篇】学习C++就看这篇--->多态超详解
c语言·开发语言·c++·后端·学习
霜绛8 小时前
Unity笔记(八)——资源动态加载、场景异步加载
笔记·学习·unity·游戏引擎
魔术师Dix10 小时前
在 Unity 中调用腾讯云机器翻译
学习·unity·c#·腾讯云·机器翻译
clover_pro12 小时前
扩展中国剩余定理脚本(恢复密文c)
学习·ctf
2501_9262279412 小时前
.Net程序员就业现状以及学习路线图(二)
学习·.net
Magnetic_h12 小时前
【iOS】关键字复习
笔记·学习·ios·objective-c·cocoa·xcode
微露清风13 小时前
系统性学习数据结构-第二讲-顺序表与链表
数据结构·学习·链表