Python使用Opencv实现边缘检测以及轮廓检测的实现_Python

边缘检测

canny边缘检测器是一种被广泛使用的算法，并被认为是边缘检测最优的算法，该方法使用了比高斯差分算法更复杂的技巧，如多向灰度梯度和滞后阈值化。

canny边缘检测器算法基本步骤：

平滑图像：通过使用合适的模糊半径执行高斯模糊来减少图像内的噪声。
计算图像的梯度：这里计算图像的梯度，并将梯度分类为垂直、水平和斜对角。这一步的输出用于在下一步中计算真正的边缘。
非最大值抑制：利用上一步计算出来的梯度方向，检测某一像素在梯度的正方向和负方向上是否是局部最大值，如果是，则抑制该像素（像素不属于边缘）。这是一种边缘细化技术，用最急剧的变换选出边缘点。
用滞后阈值化选择边缘：最后一步，检查某一条边缘是否明显到足以作为最终输出，最后去除所有不明显的边缘。

opencv使用canny边缘检测相对简单，代码如下：

				?

									import cv2

									import numpy as np

									img = cv2.imread("hammer.jpg", 0)

									cv2.imwrite("canny.jpg", cv2.canny(img, 200, 300))

									cv2.imshow("canny", cv2.imread("canny.jpg"))

									cv2.waitkey()

									cv2.destroyallwindows()

运行结果：

Python使用Opencv实现边缘检测以及轮廓检测的实现

canny函数的原型为

				?

									cv2.canny(image, threshold1, threshold2[, edges[, aperturesize[, l2gradient ]]])

必要参数：
第一个参数是需要处理的原图像，该图像必须为单通道的灰度图；
第二个参数是滞后阈值1；
第三个参数是滞后阈值2。

轮廓检测

轮廓检测主要由cv2.findcontours函数实现的。
函数的原型为

				?

									cv2.findcontours(image, mode, method[, contours[, hierarchy[, offset ]]])

函数参数
第一个参数是寻找轮廓的图像；

第二个参数表示轮廓的检索模式，有四种（本文介绍的都是新的cv2接口）：

cv2.retr_external表示只检测外轮廓。
cv2.retr_list检测的轮廓不建立等级关系。
cv2.retr_ccomp建立两个等级的轮廓，上面的一层为外边界，里面的一层为内孔的边界信息。如果内孔内还有一个连通物体，这个物体的边界也在顶层。
cv2.retr_tree建立一个等级树结构的轮廓。

第三个参数method为轮廓的逼近方法

cv2.chain_approx_none存储所有的轮廓点，相邻的两个点的像素位置差不超过1，即max（abs（x1-x2），abs（y2-y1））==1。
cv2.chain_approx_simple压缩水平方向，垂直方向，对角线方向的元素，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。
cv2.chain_approx_tc89_l1和cv2.chain_approx_tc89_kcos都是使用teh-chinl chain近似算法。

返回值

如：image, contours, hier = cv2.findcontours(thresh, cv2.retr_external, cv2.chain_approx_simple)

image：是原图像

contours：图像的轮廓，以列表的形式表示，每个元素都是图像中的一个轮廓。

hier：相应轮廓之间的关系。这是一个ndarray，其中的元素个数和轮廓个数相同，每个轮廓contours[i]对应4个hierarchy元素hierarchy[i][0] ~hierarchy[i][3]，分别表示后一个轮廓、前一个轮廓、父轮廓、内嵌轮廓的索引编号，如果没有对应项，则该值为负数。

原图：

Python使用Opencv实现边缘检测以及轮廓检测的实现

示例一

				?

									import cv2

									import numpy as np

									img = cv2.pyrdown(cv2.imread("hammer.jpg", cv2.imread_unchanged))

									# threshold 函数对图像进行二化值处理，由于处理后图像对原图像有所变化，因此img.copy()生成新的图像，cv2.thresh_binary是二化值

									ret, thresh = cv2.threshold(cv2.cvtcolor(img.copy(), cv2.color_bgr2gray), 127, 255, cv2.thresh_binary)

									# findcontours函数查找图像里的图形轮廓

									# 函数参数thresh是图像对象

									# 层次类型，参数cv2.retr_external是获取最外层轮廓，cv2.retr_tree是获取轮廓的整体结构

									# 轮廓逼近方法

									# 输出的返回值，image是原图像、contours是图像的轮廓、hier是层次类型

									image, contours, hier = cv2.findcontours(thresh, cv2.retr_external, cv2.chain_approx_simple)

									for c in contours:

									  # 轮廓绘制方法一

									  # boundingrect函数计算边框值，x，y是坐标值，w，h是矩形的宽和高

									  x, y, w, h = cv2.boundingrect(c)

									  # 在img图像画出矩形，(x, y), (x + w, y + h)是矩形坐标，(0, 255, 0)设置通道颜色，2是设置线条粗度

									  cv2.rectangle(img, (x, y), (x + w, y + h), (0, 255, 0), 2)

									  # 轮廓绘制方法二

									  # 查找最小区域

									  rect = cv2.minarearect(c)

									  # 计算最小面积矩形的坐标

									  box = cv2.boxpoints(rect)

									  # 将坐标规范化为整数

									  box = np.int0(box)

									  # 绘制矩形

									  cv2.drawcontours(img, [box], 0, (0, 0, 255), 3)

									  # 轮廓绘制方法三

									  # 圆心坐标和半径的计算

									  (x, y), radius = cv2.minenclosingcircle(c)

									  # 规范化为整数

									  center = (int(x), int(y))

									  radius = int(radius)

									  # 勾画圆形区域

									  img = cv2.circle(img, center, radius, (0, 255, 0), 2)

									# # 轮廓绘制方法四

									# 围绕图形勾画蓝色线条

									cv2.drawcontours(img, contours, -1, (255, 0, 0), 2)

									# 显示图像

									cv2.imshow("contours", img)

									cv2.waitkey()

									cv2.destroyallwindows()

运行结果如图所示：

Python使用Opencv实现边缘检测以及轮廓检测的实现

示例二

				?

									import cv2

									import numpy as np

									img = cv2.pyrdown(cv2.imread("hammer.jpg", cv2.imread_unchanged))

									ret, thresh = cv2.threshold(cv2.cvtcolor(img.copy(), cv2.color_bgr2gray) , 127, 255, cv2.thresh_binary)

									# findcontours函数查找图像里的图形轮廓

									# 函数参数thresh是图像对象

									# 层次类型，参数cv2.retr_external是获取最外层轮廓，cv2.retr_tree是获取轮廓的整体结构

									# 轮廓逼近方法

									# 输出的返回值，image是原图像、contours是图像的轮廓、hier是层次类型

									image, contours, hier = cv2.findcontours(thresh, cv2.retr_external, cv2.chain_approx_simple)

									# 创建新的图像black

									black = cv2.cvtcolor(np.zeros((img.shape[1], img.shape[0]), dtype=np.uint8), cv2.color_gray2bgr)

									for cnt in contours:

									  # 轮廓周长也被称为弧长。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）

									  epsilon = 0.01 * cv2.arclength(cnt, true)

									  # 函数approxpolydp来对指定的点集进行逼近，cnt是图像轮廓，epsilon表示的是精度，越小精度越高，因为表示的意思是是原始曲线与近似曲线之间的最大距离。

									  # 第三个函数参数若为true,则说明近似曲线是闭合的，它的首位都是相连，反之，若为false，则断开。

									  approx = cv2.approxpolydp(cnt, epsilon, true)

									  # convexhull检查一个曲线的凸性缺陷并进行修正，参数cnt是图像轮廓。

									  hull = cv2.convexhull(cnt)

									  # 勾画图像原始的轮廓

									  cv2.drawcontours(black, [cnt], -1, (0, 255, 0), 2)

									  # 用多边形勾画轮廓区域

									  cv2.drawcontours(black, [approx], -1, (255, 255, 0), 2)

									  # 修正凸性缺陷的轮廓区域

									  cv2.drawcontours(black, [hull], -1, (0, 0, 255), 2)

									# 显示图像

									cv2.imshow("hull", black)

									cv2.waitkey()

									cv2.destroyallwindows()