OpenCV中的圖像處理 —— 輪廓入門+輪廓特征

OpenCV中的圖像處理 —— 輪廓入門+輪廓特征

1. OpenCV中的輪廓

1.1 輪廓概述

萬變不離其宗在學(xué)習(xí)OpenCV中的輪廓之前，我們先來了解一下什么是輪廓，輪廓可以簡單地解釋為連接具有相同顏色或強度的所有連續(xù)點（沿邊界）的曲線，輪廓是用于形狀分析以及對象及檢測和識別的有用工具

為了獲取更高的準確性，我們會使用二進制圖像，因此在尋找輪廓之前我們應(yīng)用閾值或Canny邊緣檢測

在OpenCV中，尋找輪廓就是從黑色背景中找到白色物體，因此我們要找的對象應(yīng)是白色，背景應(yīng)該是黑色（應(yīng)用閾值后或Canny邊緣檢測）

想要找到二進制圖像的圖像，我們需要用到一個函數(shù)：cv.findContours()，這個函數(shù)中包括三個參數(shù)，第一個是原圖像，第二個是輪廓檢索模式，第三個是輪廓逼近方法，這個函數(shù)輸出等高線和層次結(jié)構(gòu)，輪廓指的是圖像中所有圖像的Python列表，每個單獨的輪廓是一個(x,y)坐標的Numpy數(shù)組的邊界點的對象

import numpy as np import cv2 as cv im = cv.imread('test.jpg') imgray = cv.cvtColor(im, cv.COLOR_BGR2GRAY) ret, thresh = cv.threshold(imgray, 127, 255, 0) contours, hierarchy = cv.findContours(thresh, cv.RETR_TREE, cv.CHAIN_APPROX_SIMPLE)

第二個參數(shù)輪廓檢索模式的取值可以為：

RETR_EXTERNAL：只檢索最外面的輪廓

RETR_LIST：檢索所有的輪廓，并將其保存到一條鏈表中

RETR_CCOMP：檢索所有的輪廓，并將它們組織為兩層：頂層是各部分的外部邊界，第二層是空洞的邊界

RETR_TREE：常用，檢索所有的輪廓，并重構(gòu)嵌套輪廓的整個層次。保存了所有的輪廓

第三個參數(shù)輪廓逼近方法的取值可以為：

CHAIN_APPROX_NONE：以Freeman鏈碼的方式輸出輪廓，所有其他方法輸出多邊形(頂點的序列)。正常畫出所有輪廓

CHAIN_APPROX_SIMPLE：壓縮水平的、垂直的、斜的部分，即函數(shù)只保留他們的終點坐標。壓縮得到更精簡的結(jié)果，例如一個矩形輪廓只需4個點來保存輪廓信息

資料參考來自文章：【opencv】(6) 圖像輪廓處理

1.2 輪廓繪制

通過cv.findContours()函數(shù)找到輪廓后，我們一般通過cv.drawContours()函數(shù)將輪廓繪制出來，只要有邊界點，它也可以用來你繪制任何形狀，這個函數(shù)的第一個參數(shù)為圖像資源，第二個參數(shù)是應(yīng)該作為Python列表傳遞的輪廓，第三個參數(shù)是輪廓的索引（在繪制單個輪廓時有用，如果需要繪制所有的輪廓，傳入?yún)?shù)-1即可），其余的參數(shù)是顏色厚度等公共參數(shù)

import cv2 as cv import numpy as np from matplotlib import pyplot as plt img = cv.imread('E:/image/test09.png') # 在尋找輪廓時要傳入單通道圖像 gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY) ret, threshold = cv.threshold(gray, 127, 255, cv.THRESH_BINARY) contours, hierarchy = cv.findContours(threshold, cv.RETR_TREE, cv.CHAIN_APPROX_SIMPLE) # 繪制所有輪廓 img1 = cv.drawContours(img, contours, -1, (0, 255, 0), 3) # 繪制單個輪廓 img2 = cv.drawContours(img, contours, 3, (0, 255, 0), 3) # 常用的繪制輪廓的方法 cnt = contours[3] img3 = cv.drawContours(img, [cnt], 0, (0, 255, 0), 3) plt.subplot(1, 3, 1), plt.imshow(img, cmap='gray') plt.title('Original'), plt.xticks([]), plt.yticks([]) plt.subplot(1, 3, 2), plt.imshow(img, cmap='gray') plt.title('ALL_IMG'), plt.xticks([]), plt.yticks([]) plt.subplot(1, 3, 3), plt.imshow(img, cmap='gray') plt.title('Usually'), plt.xticks([]), plt.yticks([]) plt.show()

1.3 輪廓近似方法

我們前面說到的cv.findContours()函數(shù)有三個參數(shù)傳遞，第三個參數(shù)是輪廓逼近方法，也就是我們這里要說的輪廓近似方法。輪廓是強度相同的形狀的邊界，它存儲形狀邊界的(x,y)坐標，但是它也并不是存儲所有的坐標

而它存不存儲所有的坐標，就取決于輪廓逼近方法的使用，如果我們傳入了cv.CHAIN_APPROX_NONE參數(shù)，那么輪廓將存儲所有的坐標，但是在實際情況中，我們有必要存儲所有的坐標嗎？

比如我們找到了一個矩形的輪廓，存儲所有的坐標會浪費很多空間，我們只存儲四個頂點的坐標就可以了，這個操作就是參數(shù)cv.CHAIN_APPROX_SIMPLE，這種輪廓逼近方法可以滿足我們的需求

2. 輪廓特征

2.1 特征矩

在學(xué)習(xí)特征矩之前我們先要了解它的概念，首先特征矩代表了一個輪廓、一幅圖像的全局特征，矩信息包含了對應(yīng)對象不同類型的幾何特征，特征矩分為三種：空間矩、中心矩和歸一化中心矩

中心矩：對于高階圖像，特征矩會隨著位置的變化而變化，為了解決這個問題中心矩就應(yīng)運而生，它通過減去均值而獲取平移的不變性，因而能比較不同位置的兩個對象是否一致，即中心矩具有平移不變性特征

歸一化中心矩：除平移之外，有些圖像我們還會碰到縮放的情況，即在縮放后也能判斷其特征，歸一化中心矩通過除以物體總尺寸而獲得縮放不變性

回到我們OpenCV的特征矩，它可以幫助我們計算一些特征，例如質(zhì)心、面積等，一個重要的函數(shù)cv.moments()提供了所有計算出矩值的字典

import numpy as np import cv2 as cv img = cv.imread('star.jpg',0) ret,thresh = cv.threshold(img,127,255,0) contours,hierarchy = cv.findContours(thresh, 1, 2) cnt = contours[0] M = cv.moments(cnt) print( M )

2.2 輪廓面積 + 周長

輪廓區(qū)域由函數(shù)cv.contourArea()或從矩 M[‘m00’] 中給出

周長也稱為弧長，可以使用cv.arcLength()函數(shù)找到它。第二個參數(shù)指定形狀是閉合輪廓( True )還是曲線

area = cv.contourArea(cnt) perimeter = cv.arcLength(cnt,True)

2.3 輪廓近似

輪廓近似就是根據(jù)我們指定的精讀，通過道格拉斯-普客算法，將輪廓形狀近似為頂點數(shù)量較少的其他形狀

說到道格拉斯-普客算法，那必須來瞧瞧它的本質(zhì)：將圖像數(shù)字化時，對曲線進行采樣，即在曲線上取有限個點，將其連接變成折線，并且在一定程度上保持原有的形狀

import cv2 import numpy as np from matplotlib import pyplot as plt src = cv2.imread('E:/image/test10.png') gray = cv2.cvtColor(src, cv2.COLOR_BGR2GRAY) ret, thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_OTSU + cv2.THRESH_BINARY) contours, hierarchy = cv2.findContours(~thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE) cnt = contours[0] img1 = src.copy() epslion1 = 0.05 * cv2.arcLength(cnt, True) approx1 = cv2.approxPolyDP(cnt, epslion1, True) img1 = cv2.drawContours(img1, [approx1], 0, (0, 0, 255), 2) img2 = src.copy() epslion2 = 0.01 * cv2.arcLength(cnt, True) approx2 = cv2.approxPolyDP(cnt, epslion2, True) img2 = cv2.drawContours(img2, [approx2], 0, (0, 255, 0), 2) plt.subplot(1, 2, 1), plt.imshow(img1, cmap='gray') plt.title('JinSi1'), plt.xticks([]), plt.yticks([]) plt.subplot(1, 2, 2), plt.imshow(img2, cmap='gray') plt.title('JInSi2'), plt.xticks([]), plt.yticks([]) plt.show()

作為前面知識的回顧，我們分析繪制出圖像的兩個精度不同的近似輪廓的全過程，首先在加載一些我們需要的第三方庫，方便我們在代碼中使用其方法等，然后在第5行代碼我們通過cv,imread()函數(shù)讀取了一個圖像，然后使用了cv.cvtColor()函數(shù)將其轉(zhuǎn)化為灰度圖，為什么要轉(zhuǎn)化為灰度圖呢？因為我們接下來要使用圖像閾值！在全局閾值函數(shù)cv.threshold()函數(shù)中我們要傳入的參數(shù)有四個，第一個參數(shù)是我們的源圖像，它一般是灰度圖像，這就是為什么要把img變?yōu)間ray，第二個參數(shù)是我們設(shè)置的閾值，它用于把圖像中的像素做一個分類，大于閾值的像素都將被設(shè)置為最大值，第三個參數(shù)就是我們設(shè)置的最大值，第四個參數(shù)是一個表示不同類型的標志

代碼到了第8行，從這里開始就要涉及到我們這一部分學(xué)到的內(nèi)容了，首當其沖就是找到輪廓，我們使用了cv.findContours()函數(shù)，這個函數(shù)的三個參數(shù)分別是圖像、輪廓檢索模式和輪廓逼近方法

到了11行，一個陌生的東西出現(xiàn)了，它就是輪廓近似的核心代碼之一，epslion是一個與近似精度密切相關(guān)的參數(shù)，它表示從輪廓到近似輪廓的最大距離，怎么算這個最大距離呢，那就要用到一個函數(shù)了：cv.arcLength()，是不是很眼熟，它就是我們上面說過的求輪廓周長的函數(shù)，我們需要選擇正確的epsilon才能獲得正確的輸出

如果我們把11行代碼的0.05改成0.1，我們就會發(fā)現(xiàn)得不到我們想要的輸出結(jié)果，這就是這個參數(shù)epsilon太粗糙了，這個參數(shù)越小，我們獲得的輪廓就越近似

2.4 輪廓凸包

輪廓凸包與輪廓近似看起來像，其實一點兒關(guān)系沒有，關(guān)于輪廓凸包我們也有一個重要的函數(shù)cv.convexHull()函數(shù)，它用來檢查曲線是否存在凸凹缺陷并對其進行校正，而校不校正呢，這就由這個函數(shù)的參數(shù)說了算

一般來說凸曲線一般都是凸出或平坦的曲線，如果在內(nèi)部凸出了（凹進去了）我們就稱其為凸度缺陷，凸度缺陷我們后面再細說

關(guān)于函數(shù)cv.convexHull()的語法我們攤開說說，它本來長這樣：

hull = cv.convexHull(points[, hull[, clockwise[, returnPoints]]

point是我們傳遞的輪廓（為什么用的是點（point）呢？是不是忘了輪廓的實質(zhì)是由具有相同顏色或強度的所有連續(xù)點連接起來的曲線），hull（凸出）是輸出，我們一般都忽略它，clockwise是方向標記，如果傳入True則是順時針，反之為逆時針，returnPoint默認情況下是True，它返回凸包的坐標，如果為False，則返回與凸包點相對應(yīng)的輪廓點的索引

然后上例子?。ú粩鄬嵺`才能成長?。?/p>

import cv2 import numpy as np from matplotlib import pyplot as plt src = cv2.imread('E:/image/test11.png') gray = cv2.cvtColor(src, cv2.COLOR_BGR2GRAY) ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY) # 尋找輪廓 contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE) for cnt in contours: hull = cv2.convexHull(cnt) length = len(hull) # 如果凸包點集中的點個數(shù)大于5 if length > 5: # 繪制圖像凸包的輪廓 for i in range(length): cv2.line(src, tuple(hull[i][0]), tuple(hull[(i + 1) % length][0]), (0, 0, 255), 2) cv2.imshow('line', src) cv2.waitKey()

文章借鑒來源：OpenCV入門之尋找圖像的凸包（convex hull）

2.5 邊界矩形（直角矩形+旋轉(zhuǎn)矩形）

直角矩形不考慮物體的旋轉(zhuǎn)，所以直角邊界矩形的面積不是最小的，尋找這個矩形涉及了一個函數(shù)：cv.boundingRect()

# (x,y)為左上角坐標，(w,h)為寬和高 x,y,w,h = cv.boundingRect(cnt) cv.rectangle(img,(x,y),(x+w,y+h),(0,255,0),2)

旋轉(zhuǎn)邊界矩形是用最小面積繪制的，所以它考慮了物體的旋轉(zhuǎn)，尋找旋轉(zhuǎn)邊界矩形涉及的函數(shù)是cv.minAreaRect()，它返回的是一個Box2D結(jié)構(gòu)，其中包含了坐標、寬高和旋轉(zhuǎn)角度，但是我們想要得到這個矩形還是比較麻煩的，我們需要四個頂點的坐標

rect = cv.minAreaRect(cnt) box = cv.boxPoints(rect) box = np.int0(box) cv.drawContours(img,[box],0,(0,0,255),2)

2.8 最小閉合圓 + 擬合橢圓

查找對象的最小閉合圓需要用到函數(shù)：cv.minEnclosingCircle()，它是一個以最小面積完全覆蓋物體的圓

(x,y),radius = cv.minEnclosingCircle(cnt) center = (int(x),int(y)) radius = int(radius) cv.circle(img,center,radius,(0,255,0),2)

擬合一個對象的橢圓會使用到函數(shù)：cv.fitEllipse()

ellipse = cv.fitEllipse(cnt) cv.ellipse(img,ellipse,(0,255,0),2)

我們來看看應(yīng)用代碼：

import cv2 import numpy as np from matplotlib import pyplot as plt img = cv2.imread('E:/image/test13.png') gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 設(shè)置閾值 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] x, y, w, h = cv2.boundingRect(cnt) img = cv2.rectangle(img, (x, y), (x + w, y + h), (0, 255, 0), 2) rect = cv2.minAreaRect(cnt) box = cv2.boxPoints(rect) box = np.int0(box) img = cv2.drawContours(img, [box], 0, (0, 0, 255), 2) cv2.imshow('img', img) cv2.waitKey(0) cv2.destroyWindow()

（注：文章內(nèi)容參考OpenCV4.1中文官方文檔）

如果文章對您有所幫助，記得一鍵三連支持一下哦

AI OpenCV 圖像處理 機器學(xué)習(xí) 機器視覺

版權(quán)聲明：本文內(nèi)容由網(wǎng)絡(luò)用戶投稿，版權(quán)歸原作者所有，本站不擁有其著作權(quán)，亦不承擔相應(yīng)法律責(zé)任。如果您發(fā)現(xiàn)本站中有涉嫌抄襲或描述失實的內(nèi)容，請聯(lián)系我們jiasou666@gmail.com 處理，核實后本網(wǎng)站將在24小時內(nèi)刪除侵權(quán)內(nèi)容。