opencv 图像轮廓的实现示例_Python

图像轮廓

Contours：轮廓
轮廓是将没有连着一起的边缘连着一起。
边缘检测检测出边缘，边缘有些未连接在一起。

opencv 图像轮廓的实现示例

注意问题
1.对象为二值图像，首先进行阈值分割或者边缘检测。
2.查找轮廓需要更改原始图像，通常使用原始图像的一份进行拷贝。
3.在opencv里，是从黑色背景里找白色。因此对象必须是白色，背景为黑色。

方法

cv2.findContours()
cv2.drawContours()

通过cv2.findContours() 查找轮廓在哪里，再通过 cv2.drawContours()将查找的轮廓绘制出来。

contours,hierarchy=cv2.findContours(image,mode,method)
contours：轮廓
hierarchy:图像的拓扑信息（轮廓层次）（存储上一个轮廓，父轮廓…）
image：原始图像
mode:轮廓检索方式
method:轮廓的近似方法

opencv 图像轮廓的实现示例

1	`r=cv2.drawContours(image, contours, contourIdx, color[, thickness])`

r:目标图像
image:原始图像
contours: 所有的输入轮廓边缘数组
contourIdx ：需要绘制的边缘索引，如果全部绘制为-1。如果有多个目标，可以绘制第一个目标0，第二个目标1，第三个目标2.。。
color：绘制的颜色，为BGR格式的SCalar
thickness:可选，绘制的密度，即轮廓的画笔粗细

									import cv2

									import numpy as np

									o = cv2.imread('lena256.bmp')

									gray = cv2.cvtColor(o,cv2.COLOR_BGR2GRAY)#BGR-灰度

									ret, binary = cv2.threshold(gray,127,255,cv2.THRESH_BINARY)#二值图像

									contours, hierarchy = cv2.findContours(binary,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)

									co=o.copy()#对原始图像进行绘制

									r=cv2.drawContours(co,contours,-1,(0,127,127),4)#co为复制图像，轮廓会修改原始图像

									cv2.imshow("original",o)

									cv2.imshow("contours",r)

									cv2.waitKey()

opencv 图像轮廓的实现示例

cv2.cvtColor(input_image, flag)用于颜色空间转换。
input_image：需要转换的图像
flag:转换类型
cv2.COLOR_BGR2GRAY : BGR -灰度
cv2.COLOR_BGR2RGB:BGR-RGB
cv2.COLOR_BGR2HSV：BGR-HSV

最小外接圆

函数cv2.minEnclosingCircle() 可以帮我们找到一个对象的外切圆。它是所有能够包括对象的圆中面积最小的一个。

案例：现有下面这样一张图片，要求将图片中心的花朵标记出来。

opencv 图像轮廓的实现示例

代码：

									import numpy as np

									import cv2 as cv

									img=cv.imread("image.jpg",0)

									#为了显示方便，这里将图片进行缩放

									x,y=img.shape

									img=cv.resize(img,(y//2,x//2))

									#将图片二值化，由于前景物体是黑色的，因此在二值化时采用cv.THRESH_TOZERO_INV这种方式

									ret,thresh=cv.threshold(img,127,255,cv.THRESH_TOZERO_INV)

									#寻找图片中的轮廓，mode=cv.RETR_EXTERNAL，这是为了寻找最外层的轮廓

									im,contour,hierarchy=cv.findContours(thresh,cv.RETR_EXTERNAL,cv.CHAIN_APPROX_SIMPLE)

									#cv.minEnclosingCircle函数的参数要求是ndarray类型，因此这里将找到的

									# 轮廓中的所有的点存放在一个列表中，然后使用这个列表创建数组

									point_list=[]

									for i in contour:

									  for j in i:

									    point_list.append(j[0])

									point_array=np.array(point_list)

									#使用最小外接圆函数，返回值为这个圆的圆心坐标和圆半径长度

									(x,y),radius=cv.minEnclosingCircle(point_array)

									#图片上的坐标均为整数，圆的半径也要求是整数，因此将它们强制转换为int类型

									center=(int(x),int(y))

									color=cv.cvtColor(img,cv.COLOR_GRAY2BGR)

									color=cv.circle(color,center,radius=int(radius),color=(0,0,255),thickness=2)

									#显示图片

									cv.imshow("color",color)

									cv.waitKey(0)

									cv.destroyAllWindows()

程序结果：

opencv 图像轮廓的实现示例

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。一般来说，凸性曲线总是凸出来的，至少是平的。在opencv中使用函数cv.convexhull来寻找轮廓的凸包，该函数的定义为：

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

这个函数的参数如下：

Points：我们需要传入的轮廓

Hull：输出，通常不需要

clockwise: 取向标志，如果为True，凸包的方向是顺时针方向，否则为逆时针方向；

returnPoints: 默认为True. 它会返回凸包上点的坐标。如果设置为False，就会返回与凸包点对应的轮廓上的点。

还是上面的这副图片，我们对上面的代码稍加修改，可以得到凸包的形状，代码如下：

									import numpy as np

									import cv2 as cv

									img=cv.imread("image.jpg",0)

									#为了显示方便，这里将图片进行缩放

									x,y=img.shape

									img=cv.resize(img,(y//2,x//2))

									#将图片二值化，由于前景物体是黑色的，因此在二值化时采用cv.THRESH_TOZERO_INV这种方式

									ret,thresh=cv.threshold(img,127,255,cv.THRESH_TOZERO_INV)

									#寻找图片中的轮廓，mode=cv.RETR_EXTERNAL，这是为了寻找最外层的轮廓

									im,contour,hierarchy=cv.findContours(thresh,cv.RETR_EXTERNAL,cv.CHAIN_APPROX_SIMPLE)

									#cv.minEnclosingCircle函数的参数要求是ndarray类型，因此这里将找到的

									# 轮廓中的所有的点存放在一个列表中，然后使用这个列表创建数组

									point_list=[]

									for i in contour:

									  for j in i:

									    point_list.append(j[0])

									point_array=np.array(point_list)

									#寻找凸包，返回值是凸包上的点

									hull=cv.convexHull(point_array,returnPoints=True)

									color=cv.cvtColor(img,cv.COLOR_GRAY2BGR)

									#将凸包绘制出来，需要注意的是：这里需要将凸包上点的坐标写成一个

									#列表传入函数cv.ploylines，否则绘制出来的只是凸包上的一系列点

									color=cv.polylines(color,[hull],True,(0,0,255),2)

									#显示图片

									cv.imshow("color",color)

									cv.waitKey(0)

									cv.destroyAllWindows()

程序运行结果为：

opencv 图像轮廓的实现示例

图像掩模和像素点

有时我们需要构成对象的所有像素点，我们可以将图像的所有轮廓提取出来，然后使用函数cv.drawContours()将轮廓内的区域填充为指定的颜色。然后使用cv.findNonZeros()函数将非零像素点的坐标提取出来，这样就得到了构成对象的像素点。我们还是在上面的图片上进行操作，代码如下：

									import numpy as np

									import cv2 as cv

									img=cv.imread("image.jpg",0)

									#为了显示方便，这里将图片进行缩放

									x,y=img.shape

									img=cv.resize(img,(y//2,x//2))

									#将图片二值化，由于前景物体是黑色的，因此在二值化时采用cv.THRESH_TOZERO_INV这种方式

									ret,thresh=cv.threshold(img,127,255,cv.THRESH_TOZERO_INV)

									#寻找图片中的轮廓，mode=cv.RETR_EXTERNAL，这是为了寻找最外层的轮廓

									im,contour,hierarchy=cv.findContours(thresh,cv.RETR_EXTERNAL,cv.CHAIN_APPROX_SIMPLE)

									#创建一个填充轮廓内像素点的画板，背景颜色为黑色，这里我们使用numpy创建一个全零的二维数组

									mask=np.zeros(img.shape,dtype=np.uint8)

									#将参数thickness设置为-1，这样cv.drawContours函数就会将轮廓内的像素点填充为指定的颜色

									mask=cv.drawContours(mask,contour,contourIdx=-1,color=(255,255,255),thickness=-1)

									#寻找mask内非零像素点，将其存放为一个numpy数组

									NonZeroPoints=np.array(cv.findNonZero(mask))

									#形状变换，将其改变为一个二维数组，数组的每一行存放一个非零像素点的坐标

									NonZeroPoints=NonZeroPoints.reshape((-1,2))

									#验证我们提取出来的像素点坐标是否正确，我们使用变量

									#column和row分别存放非零像素点在图像中坐标的列数和行数

									column=NonZeroPoints[:,0]

									row=NonZeroPoints[:,1]

									#在新的画板上将这些点绘制出来，将这些坐标对应的像素点的值设为255

									mask1=np.zeros(img.shape)

									mask1[row,column]=255

									#显示结果

									cv.imshow("mask",mask)

									cv.imshow("mask1",mask1)

									cv.waitKey(0)

									cv.destroyAllWindows()