OpenCV 实战:绘制花朵的精确轮廓与近似轮廓

在计算机视觉领域,轮廓检测与轮廓近似是图像分析的基础操作。本文将以 "hua.png" 为例,使用 OpenCV 在同一窗口内完成两个核心操作:用红色绘制花朵的精确外部轮廓,用绿色绘制基于周长比例的近似轮廓,帮助新手理解轮廓检测的核心逻辑与实操技巧。

一、知识点与环境准备

1.1 关键概念

  • 轮廓:图像中连续的、相同像素值的点组成的曲线,是物体边界的数字化表示。

  • 轮廓近似 :通过减少轮廓点的数量,用更简洁的多边形逼近原始轮廓(本文使用 Douglas-Peucker 算法),ε(近似精度)是核心参数,本文设置为轮廓周长的 0.005。

  • OpenCV 颜色规则 :默认使用 BGR 格式,红色为(0,0,255),绿色为(0,255,0)。

1.2 环境准备

确保安装 OpenCV 库:

复制代码
pip install opencv-python

二、完整代码实现与分步解析

1. 完整可运行代码

python 复制代码
import cv2

# 1. 读取并预处理图像
hua = cv2.imread('hua.png')  # 读取原图(BGR格式)
if hua is None:
    raise ValueError("未找到'hua.png',请检查文件路径是否正确!")

hua_gray = cv2.cvtColor(hua, cv2.COLOR_BGR2GRAY)  # 转为灰度图(简化计算)
# 二值化处理:将灰度图转为黑白,240为阈值,高于240设为255(白),低于设为0(黑)
ret, hua_binary = cv2.threshold(hua_gray, 240, 255, cv2.THRESH_BINARY)

# 2. 检测轮廓
# RETR_TREE:检索所有轮廓并建立层级关系;CHAIN_APPROX_NONE:保留所有轮廓点
contours, hierarchy = cv2.findContours(hua_binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)
print(f"检测到的轮廓数量:{len(contours)}")

# 3. 筛选有效轮廓(按面积排序,取最大的轮廓,避免干扰)
# 按轮廓面积降序排序,取第1个(索引0为最大,需根据实际调整)
sort_cnt = sorted(contours, key=cv2.contourArea, reverse=True)[0]

# 4. 创建原图副本(避免修改原图)
image_copy = hua.copy()

# 5. 绘制红色精确轮廓
# contourIdx=-1:绘制指定轮廓;thickness=3:轮廓线宽度
cv2.drawContours(image_copy, [sort_cnt], contourIdx=-1, color=(0, 0, 255), thickness=3)

# 6. 计算近似轮廓并绘制绿色近似轮廓
# 计算轮廓周长(True表示轮廓闭合)
perimeter = cv2.arcLength(sort_cnt, True)
epsilon = 0.005 * perimeter  # 近似精度:周长的0.005
approx = cv2.approxPolyDP(sort_cnt, epsilon, True)  # 计算近似轮廓
cv2.drawContours(image_copy, [approx], contourIdx=-1, color=(0, 255, 0), thickness=2)

# 7. 显示结果(同一窗口展示红色精确轮廓+绿色近似轮廓)
cv2.imshow('花朵轮廓(红:精确 绿:近似)', image_copy)
cv2.waitKey(0)  # 等待按键输入(任意键关闭窗口)
cv2.destroyAllWindows()  # 释放窗口资源

2.关键步骤解析

步骤 1:图像预处理

  • 灰度转换:将 3 通道的彩色图转为单通道灰度图,减少计算量,是轮廓检测的前置操作。

  • 二值化:通过阈值分割(threshold)将图像转为黑白,突出物体边界,240是经验阈值,可根据图片亮度调整(若花朵偏暗,可降低阈值)。

步骤 2:轮廓检测

cv2.findContours是核心函数,返回值说明:

  • contours:轮廓列表,每个轮廓是N×1×2的数组(存储轮廓点坐标)。

  • hierarchy:轮廓层级关系,本文未使用,仅作为返回值接收。

步骤 3:筛选有效轮廓

通过cv2.contourArea计算轮廓面积,排序后取最大轮廓,避免背景噪点形成的小轮廓干扰(原代码取索引 1,需根据实际图片调整,本文改为索引 0 更通用)。

步骤 4-6:绘制轮廓

  • 绘制精确轮廓:使用红色(0,0,255),线宽 3,突出原始轮廓。

  • 轮廓近似核心公式:epsilon = 0.005 * cv2.arcLength(sort_cnt, True),cv2.arcLength计算闭合轮廓的周长,cv2.approxPolyDP生成近似轮廓,最后用绿色(0,255,0)绘制。

步骤 7:结果展示

cv2.imshow在同一窗口展示最终效果,cv2.waitKey(0)等待用户操作,cv2.destroyAllWindows()避免窗口残留。

三、结果显示

相关推荐
伞伞悦读19 分钟前
【第90期】KNN分类回归流水线与K值对照的实验与排查
大数据·人工智能·python·深度学习·机器学习
老余说AI21 分钟前
跨境电商、课程出海:六款多语言视频翻译工具选型指南
大数据·运维·人工智能
码农杂谈00071 小时前
不止三折叠:网易智企 IM UIKit 鸿蒙版一键升级多形态适配
人工智能
泯泷1 小时前
别再手动盯盘了!用这个免费工具实现股市自动监控
人工智能
会飞锦鲤1 小时前
基于 RT-DETR 的 PCB 缺陷检测
深度学习·目标检测·计算机视觉·pyqt5·rt-detr·工业质检·pcb缺陷检测
陈如水1 小时前
Spring AI Alibaba 在多 Agent 场景下的实践
java·人工智能·spring
瓶瓶持续学习中2 小时前
物理AI与具身智能的技术架构区别:从空间建模到机器人动作执行
人工智能·机器人
羲云网络2 小时前
GPT Image 2.6 精准编辑前,先排查参考图的访问权限与输入交接
图像处理·人工智能·aigc
snakeshe10102 小时前
ChatGLM行业垂直领域微调实战:从需求分析到数据集加载完整流程
人工智能