企业建网站好,什么颜色做网站显的大气,做网站流程,洛阳建设局网站Python-OpenCV中的图像处理-图像轮廓 轮廓什么是轮廓查找轮廓绘制轮廓轮廓特征图像的矩轮廓面积轮廓周长#xff08;弧长#xff09;轮廓近似凸包凸性检测边界矩形直边界矩形旋转边界矩形#xff08;最小面积矩形#xff09;最小外接圆最小外接三角椭圆拟合直线拟合 轮廓的… Python-OpenCV中的图像处理-图像轮廓 轮廓什么是轮廓查找轮廓绘制轮廓轮廓特征图像的矩轮廓面积轮廓周长弧长轮廓近似凸包凸性检测边界矩形直边界矩形旋转边界矩形最小面积矩形最小外接圆最小外接三角椭圆拟合直线拟合 轮廓的性质长宽比轮廓面积与边界矩形面积的比(Extent)轮廓面积与凸包面积的比(Solidity)与轮廓面积相等的圆形的直径(Equivalent Diameter)轮廓对象的方向轮廓的掩模和像素点最大值和最小值及它们的位置平均颜色及平均灰度对象轮廓的极点轮廓的凸缺陷点到轮廓的最短距离形状匹配轮廓的层次结构 轮廓
什么是轮廓
轮廓可以简单认为成将连续的点连着边界连在一起的曲线具有相同的颜色或者灰度。轮廓在形状分析和物体的检测和识别中很有用。
为了更加准确要使用二值化图像。在寻找轮廓之前要进行阈值化处理或者 Canny 边界检测。查找轮廓的函数会修改原始图像。如果你在找到轮廓之后还想使用原始图像的话你应该将原始图像存储到其他变量中。在 OpenCV 中查找轮廓就像在黑色背景中超白色物体。你应该记住要找的物体应该是白色而背景应该是黑色。
查找轮廓
函数 cv2.findContours() 有三个参数第一个是输入图像第二个是轮廓检索模式第三个是轮廓近似方法。返回值有三个第一个是图像第二个是轮廓第三个是轮廓的层析结构。轮廓第二个返回值是一个 Python列表其中存储这图像中的所有轮廓。每一个轮廓都是一个 Numpy 数组包含对象边界点 x y的坐标。 ret, thresh cv2.threshold(imgray, 127, 255, 0) contours, hierarchy cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE) cv2.CHAIN_APPROX_NONE:储存所有的边界点点数很多 cv2.CHAIN_APPROX_SIMPLE储存所有的近似直线点点数很少
绘制轮廓
函数 cv2.drawContours() 可以被用来绘制轮廓。它可以根据你提供的边界点绘制任何形状。它的第一个参数是原始图像第二个参数是轮廓一个 Python 列表。第三个参数是轮廓的索引在绘制独立轮廓是很有用当设置为 -1 时绘制所有轮廓。接下来的参数是轮廓的颜色和厚度等。
绘制所有轮廓 image cv2.drawContours(img, contours, -1, (0, 255, 0), 3)绘制指定轮廓 image cv2.drawContours(img, contours, 0, (0, 255, 0), 3)
import numpy as np
import cv2# 轮廓连着边界连续的点连在一起的曲线具有相同的颜色或者灰度。
# 轮廓在形状分析和物体的检测和识别中很有用。# 1.为了准确要使用二值化图像。需要进行阀值化处理或Canny边界检测。
# 2.查找轮廓的函数会修改元素图像。
# 3.在OpenCV中查找轮廓就像在黑色背景中找白色物体。# cv2.findContours() # 查找轮廓
# cv2.drawContours() # 绘制轮廓img cv2.imread(./resource/image/opencv-logo2.png)
imgcp cv2.imread(./resource/image/opencv-logo2.png)
imgray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)ret, thresh cv2.threshold(imgray, 127, 255, 0)
contours, hierarchy cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
# contours 轮廓
# hierarchy 层次# image cv2.drawContours(img, contours, -1, (0, 255, 0), 3) # 绘制所有轮廓
image cv2.drawContours(img, contours, 3, (0, 255, 0), 3) # 绘制第4个轮廓
print(cv2.getVersionString())
print(type(contours))
print(len(contours))
cv2.imshow(img, imgcp)
cv2.imshow(image, image)
cv2.waitKey(0)
cv2.destroyAllWindows()轮廓特征
查找轮廓的不同特征矩、面积、周长也叫弧长、重心、边界框等
图像的矩
在图像处理、计算机视觉和相关领域图像矩是图像像素强度的某个特定的加权平均值矩或者是这种矩的函数通常被选择为具有某种吸引人的特性或解释。图像矩在分割后对描述物体很有用。通过图像矩找到的图像的简单属性包括面积或总强度、其中心点和关于其方向的信息。图像的矩可以帮助我们计算图像的质心面积等。函数cv2.moments()计算得到矩返回一个字典。 根据矩值可以计算对象的重心 C x M 10 M 00 , C y M 01 M 00 C_x\frac{M_{10}}{M_{00}},C_y\frac{M_{01}}{M_{00}} CxM00M10,CyM00M01
import numpy as np
import cv2
from matplotlib import pyplot as plt# 矩图像的矩可以帮助我们计算图像的质心面积等
# cv2.moments() 计算得到矩以一个字典形式返回# 读取图像
img cv2.imread(./resource/opencv/image/box2.png, cv2.IMREAD_COLOR)
img1 img.copy()
gray cv2.imread(./resource/opencv/image/box2.png, cv2.IMREAD_GRAYSCALE)# 阀值处理
(ret, thresh) cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)# 查找所有轮廓
(contours, hierarchy) cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
print(找到轮廓数:,len(contours))# 计算轮廓索引为0的图像矩
cnt contours[0]
M cv2.moments(cnt)
print(moments()计数结果M:,M)# 计算重心质点
#根据这些矩值计算出对象的重心
# Cx M10/M00
# Cy M01/M00
cx int(M[m10]/M[m00])
cy int(M[m01]/M[m00])
print(cx,cy)# 绘制轮廓
cv2.drawContours(img1, contours, 0, (0, 255, 0), 2)# 绘制质点
cv2.circle(img1, (cx, cy), 5, (255, 0, 0), -1)plt.subplot(121), plt.imshow(img)
plt.subplot(122), plt.imshow(img1)
plt.show()程序运行结果 找到轮廓数: 1 moments()计数结果M: {‘m00’: 10032.0, ‘m10’: 1294128.0, ‘m01’: 1284096.0, ‘m20’: 177807168.0, ‘m11’: 165648384.0, ‘m02’: 170838272.0, ‘m30’: 25740205920.0, ‘m21’: 22759317504.0, ‘m12’: 22038137088.0, ‘m03’: 23524638720.0, ‘mu20’: 10864656.0, ‘mu11’: 0.0, ‘mu02’: 6473984.0, ‘mu30’: 0.0, ‘mu21’: 0.0, ‘mu12’: 0.0, ‘mu03’: 0.0, ‘nu20’: 0.10795454545454546, ‘nu11’: 0.0, ‘nu02’: 0.06432748538011696, ‘nu30’: 0.0, ‘nu21’: 0.0, ‘nu12’: 0.0, ‘nu03’: 0.0} 质点: 129 128 下图红色圆点是质点绿色框是轮廓
轮廓面积
轮廓的面积可以使用函数 cv2.contourArea() 计算得到也可以使用矩 0 阶矩 M[‘m00’]。area cv2.contourArea(cnt)
import numpy as np
import cv2
from matplotlib import pyplot as pltimg cv2.imread(./resource/opencv/image/box2.png, cv2.IMREAD_COLOR)
gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)(ret, thresh) cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
(contours, hierarchy) cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)cnt contours[0]
M cv2.moments(cnt)
area cv2.contourArea(cnt)
print(cnt)
print(area)
print(M[m00])[[[ 72 84]] [[ 72 172]] [[186 172]] [[186 84]]] 10032.0 10032.0 轮廓周长弧长
也被称为弧长。可以使用函数 cv2.arcLength() 计算得到。这个函数的第二参数可以用来指定对象的形状是闭合的 True还是打开的一条曲线。perimeter cv2.arcLength(cnt,True)
import numpy as np
import cv2img cv2.imread(./resource/opencv/image/box2.png, cv2.IMREAD_COLOR)
gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)(ret, thresh) cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
(contours, hierarchy) cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)# 第一个参数轮廓第二次参数形状闭合的True,还是打开的一条曲线
perimeter cv2.arcLength(contours[0], True)
print(perimeter) #404.0轮廓近似
将轮廓形状近似到另外一种由更少点组成的轮廓形状新轮廓的点的数目由我们设定的准确度来决定。使用的Douglas-Peucker算法维基百科获得更多此算法的细节。假设要在一幅图像中查找一个矩形但是由于图像的种种原因我们不能得到一个完美的矩形而是一个“坏形状”。现在你就可以使用这个函数来近似这个形状了。epsilon 0.1*cv2.arcLength(cnt,True) approx cv2.approxPolyDP(cnt,epsilon,True)
import numpy as np
import cv2
from matplotlib import pyplot as pltimg cv2.imread(./resource/opencv/image/approx2.jpg, cv2.IMREAD_COLOR)
img_draw1 img.copy()
img_draw2 img.copy()gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
(ret, thresh) cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
(contours, hierarchy) cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)# epsilon10%
epsilon01 0.1 * cv2.arcLength(contours[0], True)
# epsilon1%
epsilon001 0.01 * cv2.arcLength(contours[0], True)
approx_01 cv2.approxPolyDP(contours[0], epsilon01, True)
approx_001 cv2.approxPolyDP(contours[0], epsilon001, True)cv2.drawContours(img_draw1, approx_01, -1, (0, 0, 255), 5)
cv2.drawContours(img_draw2, approx_001, -1, (0, 0, 255), 5)plt.subplot(131), plt.imshow(img), plt.title(original)
plt.subplot(132), plt.imshow(img_draw1), plt.title(epsilon10%)
plt.subplot(133), plt.imshow(img_draw2), plt.title(epsilon1%)
plt.show()凸包
凸包与轮廓近似相似但不同虽然有些情况下它们给出的结果是一样的。函数 cv2.convexHull() 可以用来检测一个曲线是否具有凸性缺陷并能纠正缺陷。 hull cv2.convexHull(points[, hull[, clockwise[, returnPoints]]) 参数 points:传入的轮廓 hull输出通常不需要 clockwise方向标志True:输出的凸包是顺时针方向False逆时针方向。 returnPoints:默认值为True返回凸包上点的坐标。False:返回与凸包点对应的轮廓上的点。获取凸包hull cv2.convexHull(cnt)一般来说凸性曲线总是凸出来的至少是平的。如果有地方凹进去了就被叫做凸性缺陷。例如下图中的手。红色曲线显示了手的凸包凸性缺陷被双箭头标出来了。
凸性检测
cv2.isContourConvex() 可以可以用来检测一个曲线是不是凸 的。它只能返回 True 或 False。k cv2.isContourConvex(cnt)
import numpy as np
import cv2
from matplotlib import pyplot as plt# img cv2.imread(./resource/opencv/image/Back_Projection_Theory2.jpg)
img cv2.imread(./resource/opencv/image/shape.jpg)gray cv2.cvtColor(img.copy(), cv2.COLOR_BGR2GRAY)# 二值化
(ret, thresh) cv2.threshold(gray, 120, 255, cv2.THRESH_BINARY)
# (ret, thresh) cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY cv2.THRESH_OTSU)
# thresh cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 11, 2)
# thresh cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 5, 2)# 查找轮廓
(contours, his) cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)hull_img img.copy()
for i in range(len(contours)):hull cv2.convexHull(contours[i])isConvex cv2.isContourConvex(contours[i])print(hull)print(isConvex)# 绘制凸包cv2.drawContours(hull_img, hull, -1, (0, 255, 0), 2)# 绘制轮廓
contours cv2.drawContours(img.copy(), contours, -1, (255, 0, 0), 2)plt.subplot(231), plt.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB)), plt.title(img), plt.xticks([]), plt.yticks([])
plt.subplot(232), plt.imshow(cv2.cvtColor(gray, cv2.COLOR_BGR2RGB)), plt.title(gray), plt.xticks([]), plt.yticks([])
plt.subplot(233), plt.imshow(cv2.cvtColor(thresh, cv2.COLOR_BGR2RGB)), plt.title(thresh), plt.xticks([]), plt.yticks([])
plt.subplot(234), plt.imshow(cv2.cvtColor(contours, cv2.COLOR_BGR2RGB)), plt.title(contours), plt.xticks([]), plt.yticks([])
plt.subplot(235), plt.imshow(cv2.cvtColor(hull_img, cv2.COLOR_BGR2RGB)), plt.title(convex), plt.xticks([]), plt.yticks([])
plt.show() 边界矩形
边界矩形有两类
直边界矩形旋转边界矩形
直边界矩形
直边界矩形一个直矩形就是没有旋转的矩形。它不会考虑对象是否旋转。所以边界矩形的面积不是最小的。可以使用函数cv2.boundingRect() 函数获取直边界矩形。 x y为矩形左上角的坐标 w h是矩形的宽和高。 x,y,w,h cv2.boundingRect(cnt) img cv2.rectangle(img,(x,y),(xw,yh),(0,255,0),2)
旋转边界矩形最小面积矩形
旋转的边界矩形这个边界矩形是面积最小的因为它考虑了对象的旋转。cv2.minAreaRect()函数获取旋转边界矩形。返回的是一个 Box2D 结构其中包含矩形中心点坐标 x y矩形的宽和高 w h以及旋转角度。 (center(x,y), (width, height), angle of rotation) cv2.minAreaRect(points)cv2.boxPoints() 函数获取旋转边界矩形的 4 个角点。 [[x1, y1],[x2, y2], [x3, y3], [x4, y4]] cv2.boxPoints(points)
import numpy as np
import cv2
from matplotlib import pyplot as plt# 轮廓边界矩形 分为两种直边界矩形、旋转边界矩形# 读取图像
img cv2.imread(./resource/opencv/image/boundrect.jpg, cv2.IMREAD_COLOR)
draw img.copy()# 转为灰度并二值化处理
gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
(ret, thresh) cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
(contours, hierarchy) cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)# 获取直边界矩形
x,y,w,h cv2.boundingRect(contours[0])
print(x,y,w,h)
# 绘制直边界矩形
draw cv2.rectangle(draw, (x, y), (xw, yh), (0, 255, 0), 2)# 获取旋转边界矩形 获取Box2D结构 (center(x,y), (width, height), angle of rotation)
box2d cv2.minAreaRect(contours[0])
print(box2d)
# 获取Box2D矩形4个角点坐标[[x1, y1],[x2, y2], [x3, y3], [x4, y4]]
boxpoints cv2.boxPoints(box2d)
print(boxpoints)
boxpoints np.int32(boxpoints)
print(boxpoints[0])# 画 旋转边界矩形4个角点
draw cv2.circle(draw, tuple(boxpoints[0]) , 3, (255, 0, 0), 2)
draw cv2.circle(draw, tuple(boxpoints[1]) , 3, (255, 0, 0), 2)
draw cv2.circle(draw, tuple(boxpoints[2]) , 3, (255, 0, 0), 2)
draw cv2.circle(draw, tuple(boxpoints[3]) , 3, (255, 0, 0), 2)# 画 旋转边界矩形 矩形框
draw cv2.line(draw, tuple(boxpoints[0]), tuple(boxpoints[1]), (0, 0, 255), 2)
draw cv2.line(draw, tuple(boxpoints[1]), tuple(boxpoints[2]), (0, 0, 255), 2)
draw cv2.line(draw, tuple(boxpoints[2]), tuple(boxpoints[3]), (0, 0, 255), 2)
draw cv2.line(draw, tuple(boxpoints[3]), tuple(boxpoints[0]), (0, 0, 255), 2)plt.subplot(131), plt.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB)), plt.title(original)
plt.subplot(132), plt.imshow(cv2.cvtColor(gray, cv2.COLOR_BGR2RGB)), plt.title(gray)
plt.subplot(133), plt.imshow(cv2.cvtColor(draw, cv2.COLOR_BGR2RGB)), plt.title(draw)
plt.show()下图draw标题的图片绿色矩形是轮廓的直边界矩形红色矩形是轮廓的旋转边界矩形最小面积矩形蓝色的4个点是旋转边界矩形的四个角点
最小外接圆
能包括对象所有的圆中面积最小的一个。cv2.minEnclosingCircle() 获取最小外接圆 (x,y),radius cv2.minEnclosingCircle(cnt)
import numpy as np
import cv2
from matplotlib import pyplot as plt# 读取图像
img cv2.imread(./resource/opencv/image/boundrect.jpg, cv2.IMREAD_COLOR)# 转为灰度并二值化
gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
(ret, thresh) cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)# 查找对象轮廓
(contours, hierarchy) cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)# 根据轮廓查找对象最小外接圆
(x,y), radius cv2.minEnclosingCircle(contours[0])
print((x,y), radius)# 画 对象最小外接圆
img cv2.circle(img, (int(x), int(y)), int(radius), (0, 0, 255), 1)# 显示图像
cv2.imshow(img, img)
cv2.waitKey(0)
cv2.destroyAllWindows() 最小外接三角
能包括对象所有的三角形中面积最小的一个。cv2.minEnclosingTriangle()返回 area, [[[x1, y1]],[[x2, y2]], [[x3, y3]]] area, triangle cv2.minEnclosingTriangle(points)
import numpy as np
import cv2# 读取图像
img cv2.imread(./resource/opencv/image/boundrect.jpg, cv2.IMREAD_COLOR)# 转为灰度并做二值化处理
gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
(ret, thresh) cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)# 查找轮廓
(contours, hierarchy) cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)# 根据轮廓获取对象的最小外接三角 area, [[[x1, y1]],[[x2, y2]], [[x3, y3]]]
area, triangle cv2.minEnclosingTriangle(contours[0])
print(area)
print(triangle)# 最小外接三角的3个角点坐标转为整型获取到的是浮点型不能用于图形绘制
triangle np.int32(triangle)
print(triangle[0][0])
print(triangle[1][0])
print(triangle[2][0])# 绘制最小外接三角
img cv2.line(img, tuple(triangle[0][0]), tuple(triangle[1][0]), (0, 0, 255), 2)
img cv2.line(img, tuple(triangle[1][0]), tuple(triangle[2][0]), (0, 0, 255), 2)
img cv2.line(img, tuple(triangle[2][0]), tuple(triangle[0][0]), (0, 0, 255), 2)# 显示图像
cv2.imshow(img, img)
cv2.waitKey(0)
cv2.destroyAllWindows()椭圆拟合
cv2.ellipse()返回值其实就是旋转边界矩形的内切圆
import numpy as np
import cv2img cv2.imread(./resource/opencv/image/boundrect.jpg, cv2.IMREAD_COLOR)gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
(ret, thresh) cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)(contuors, hierarchy) cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)ellipse1 cv2.fitEllipse(contuors[0])
ellipse2 cv2.fitEllipseAMS(contuors[0])
ellipse3 cv2.fitEllipseDirect(contuors[0])
print(ellipse1)
print(ellipse2)
print(ellipse3)img cv2.ellipse(img, ellipse1, (255, 0, 0), 3)
img cv2.ellipse(img, ellipse2, (0, 255, 0), 2)
img cv2.ellipse(img, ellipse3, (0, 0, 255), 1)cv2.imshow(img, img)
cv2.waitKey(0)
cv2.destroyAllWindows()直线拟合
根据一组点拟合出一条直线同样也可以为图像中的白色点拟合出一条直线。
import numpy as np
import cv2img cv2.imread(./resource/opencv/image/boundrect.jpg, cv2.IMREAD_COLOR)gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
(ret, thresh) cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)(contuors, hierarchy) cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)# 获取并绘制 直线拟合直接绘制获取的坐标只有一半的线段
L cv2.fitLine(contuors[0], cv2.DIST_L2, 0, 0.01, 0.01)
L np.int32(L)
img cv2.line(img, (L[0][0], L[1][0]), (L[2][0], L[3][0]), (0, 0, 255), 2)# 获取并绘制 计算出整幅图的直线拟合线
rows, cols img.shape[:2]
[vx,vy,x,y] cv2.fitLine(contuors[0], cv2.DIST_L2,0,0.01,0.01)
lefty int((-x*vy/vx) y)
righty int(((cols-x)*vy/vx)y)
img cv2.line(img,(cols-1,righty),(0,lefty),(0,255,0),2)cv2.imshow(img, img)
cv2.waitKey(0)
cv2.destroyAllWindows()轮廓的性质
长宽比
边界矩形的长宽比 A s p e c t R a t i o n W i d t h H e i g h t Aspect Ration \frac{Width}{Height} AspectRationHeightWidth x,y,w,h cv2.boundingRect(points) aspect_ratio float(w)/h
轮廓面积与边界矩形面积的比(Extent)
轮廓面积与边界矩形面积的比 E x t e n t O b j e c t A r e a B o u n d i n g R e c t a n g l e A r e a Extent \frac{Object Area}{Bounding Rectangle Area} ExtentBoundingRectangleAreaObjectArea area cv2.contourArea(cnt) x,y,w,h cv2.boundingRect(cnt) rect_area w*h extent float(area)/rect_area 轮廓面积与凸包面积的比(Solidity)
轮廓面积与凸包面积的比: S o l i d i t y C o n t o u r A r e a C o n v e x H u l l A r e a Solidity \frac{Contour Area}{Convex Hull Area} SolidityConvexHullAreaContourArea area cv2.contourArea(cnt) hull cv2.convexHull(cnt) hull_area cv2.contourArea(hull) solidity float(area)/hull_area 与轮廓面积相等的圆形的直径(Equivalent Diameter)
与轮廓面积相等的圆形的直径: E q u i v a l e n t D i a m e t e r 4 ∗ C o n t o u r A r e a π Equivalent Diameter \sqrt{\frac{4*Contour Area}{\pi}} EquivalentDiameterπ4∗ContourArea area cv2.contourArea(cnt) equi_diameter np.sqrt(4*area/np.pi) 轮廓对象的方向
(x,y),(MA,ma),angle cv2.fitEllipse(cnt)返回中心坐标长轴和短轴的长度对象的方向。
轮廓的掩模和像素点
有时我们需要构成对象的所有像素点 mask np.zeros(imgray.shape,np.uint8) 这里一定要使用参数-1, 绘制填充的的轮廓 cv2.drawContours(mask,[cnt],0,255,-1) pixelpoints np.transpose(np.nonzero(mask)) 或 pixelpoints cv2.findNonZero(mask) 最大值和最小值及它们的位置
可以使用掩模图像得到这些参数 min_val, max_val, min_loc, max_loc cv2.minMaxLoc(imgray,mask mask) 平均颜色及平均灰度
可以使用相同的掩模求一个对象的平均颜色或平均灰度: mean_val cv2.mean(im,mask mask) 对象轮廓的极点
一个对象最上面最下面最左边最右边的点。 leftmost tuple(cnt[cnt[:,:,0].argmin()][0]) rightmost tuple(cnt[cnt[:,:,0].argmax()][0]) topmost tuple(cnt[cnt[:,:,1].argmin()][0]) bottommost tuple(cnt[cnt[:,:,1].argmax()][0]) 轮廓的凸缺陷
cv.convexityDefect()以帮助我们找到凸缺陷。函数调用如下 hull cv2.convexHull(cnt,returnPoints False) defects cv2.convexityDefects(cnt,hull) 它会返回一个数组其中每一行包含的值是 [起点终点最远的点到最远点的近似距离]。我们可以在一张图上显示它。我们将起点和终点用一条绿线连接在最远点画一个圆圈要记住的是返回结果的前三个值是轮廓点的索引。所以我们还要到轮廓点中去找它们。
import numpy as np
import cv2img cv2.imread(./resource/opencv/image/shape.jpg, cv2.IMREAD_COLOR)
gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)(ret, thresh) cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
contours, hierarchy cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
cnt contours[0]hull cv2.convexHull(cnt, returnPointsFalse)
defects cv2.convexityDefects(cnt, hull)for i in range(defects.shape[0]):s,e,f,d defects[i, 0]start tuple(cnt[s][0])end tuple(cnt[e][0])far tuple(cnt[f][0])cv2.line(img, start, end, [0, 255, 0], 2)cv2.circle(img, far, 5, [0, 0, 255], -1)cv2.imshow(img, img)
cv2.waitKey(0)
cv2.destroyAllWindows()点到轮廓的最短距离
求解一个点到轮廓的最短距离
dist cv2.pointPolygonTest(contours[0], (20, 20), True) measureDistTrue,返回结果 小于零点在轮廓外部。 等于零点在轮廓线上。 大于零点在轮廓内部。stat cv2.pointPolygonTest(contours[0], (20, 20), False) measureDistFalse,返回结果 -1点在轮廓外部 0点在轮廓线上。 1点在轮廓内部。
import numpy as np
import cv2img cv2.imread(./resource/opencv/image/shape.jpg, cv2.IMREAD_COLOR)
gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)(ret, thresh) cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
(contours, hierarchy) cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)# 求解图像中的一个点到一个对象轮廓的最短距离。
# 小于零点在轮廓外部。
# 等于零点在轮廓线上。
# 大于零点在轮廓内部。
dist cv2.pointPolygonTest(contours[0], (20, 20), True)#-1点在轮廓外部
# 0点在轮廓线上。
# 1点在轮廓内部。
stat cv2.pointPolygonTest(contours[0], (20, 20), False)print(dist)
print(stat)形状匹配
match cv2.matchShapes(cntA, cntB, cv2.CONTOURS_MATCH_I1, 0.0) 返回值越小表示两个图形越相似。
有3中匹配方法
cv2.CONTOURS_MATCH_I1cv2.CONTOURS_MATCH_I2cv2.CONTOURS_MATCH_I3
import numpy as np
import cv2
from matplotlib import pyplot as pltimg cv2.imread(./resource/opencv/image/matchshapesA.jpg, cv2.IMREAD_COLOR)
imgA cv2.imread(./resource/opencv/image/matchshapesA.jpg, cv2.IMREAD_COLOR)
imgB cv2.imread(./resource/opencv/image/matchshapesB.jpg, cv2.IMREAD_COLOR)
imgC cv2.imread(./resource/opencv/image/matchshapesC.jpg, cv2.IMREAD_COLOR)gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
grayA cv2.cvtColor(imgA, cv2.COLOR_BGR2GRAY)
grayB cv2.cvtColor(imgB, cv2.COLOR_BGR2GRAY)
grayC cv2.cvtColor(imgC, cv2.COLOR_BGR2GRAY)(ret, th) cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
(retA, thA) cv2.threshold(grayA, 127, 255, cv2.THRESH_BINARY)
(retB, thB) cv2.threshold(grayB, 127, 255, cv2.THRESH_BINARY)
(retC, thC) cv2.threshold(grayC, 127, 255, cv2.THRESH_BINARY)(contours, hierarchy) cv2.findContours(th, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
(contoursA, hierarchyA) cv2.findContours(thA, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
(contoursB, hierarchyB) cv2.findContours(thB, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
(contoursC, hierarchyC) cv2.findContours(thC, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)cnt contours[0]
cntA contoursA[0]
cntB contoursB[0]
cntC contoursC[0]m1 cv2.matchShapes(cnt, cntA, cv2.CONTOURS_MATCH_I1, 0.0)
m2 cv2.matchShapes(cnt, cntB, cv2.CONTOURS_MATCH_I1, 0.0)
m3 cv2.matchShapes(cnt, cntC, cv2.CONTOURS_MATCH_I1, 0.0)# 程序运行结果
print(m1) # A与A的匹配度0.0
print(m2) # A与B的匹配度0.010547834665352251
print(m3) # A与C的匹配度0.3313932685758914从结果可以看出两个图形越相似值就越小计算结果和图形的旋转相关性小和图形的形状差异相关性大
轮廓的层次结构
(contours, hierarchy) cv2.findContours(th, mode, method) 轮廓的检索模式mode有如下几种 cv2.RETR_LIST只是提取所有的轮廓而不去创建任何父子关系。换句话说就是“人人平等”所有轮廓属于同一级组织轮廓。 cv2.RETR_TREE返回所有轮廓并且创建一个完整的组织结构列表。它甚至会告诉你谁是爷爷爸爸儿子孙子等。 cv2.RETR_CCOMP返回所有的轮廓并将轮廓分为两级组织结构。 cv2.RETR_EXTERNAL只会返回最外边的的轮廓所有的子轮廓都会被忽略掉。 不管层次结构是什么样的每一个轮廓都包含自己的信息谁是父谁是子等。 OpenCV 使用一个含有四个元素的数组表示。 [Next PreviousFirst_Child Parent]。 Next 表示同一级组织结构中的下一个轮廓。以下图中的轮廓 0 为例轮廓 1 就是他的 Next。同样轮廓 1 的 Next是 2 Next2。那轮廓 2 呢在同一级没有 Next。这时 Next-1。而轮廓 4 的 Next为 5所以它的 Next5。 Previous 表示同一级结构中的前一个轮廓。与前面一样轮廓 1 的 Previous 为轮廓 0轮廓 2 的 Previous 为轮廓 1。轮廓 0 没有 Previous所以 Previous-1。 First_Child 表示它的第一个子轮廓。没有必要再解释了轮廓 2 的子轮廓为 2a。所以它的 First_Child 为2a。那轮廓 3a 呢它有两个子轮廓。但是我们只要第一个子轮廓所以是轮廓 4按照从上往下从左往右的顺序排序。 Parent 表示它的父轮廓。与 First_Child 刚好相反。轮廓 4 和 5 的父轮廓是轮廓 3a。而轮廓 3a的父轮廓是 3。
轮廓的层次结构比如轮廓之间的父子关系 在这幅图像中给这几个形状编号为 0-5。 2 和 2a 分别代表最外边矩形 的外轮廓和内轮廓。在这里边轮廓 0 1 2 在外部或最外边。我们可以称他们为组织结构0 级简单来说就是他们属于同一级。
