import cv2
import numpy as np
# 創(chuàng)建一個(gè)200*200的黑色空白圖像
img = np.zeros((200, 200), dtype=np.uint8)
# 利用numpy數(shù)組在切片上賦值的功能放置一個(gè)白色方塊
img[50:150, 50:150] = 255

# 對(duì)圖像進(jìn)行二值化操作
# threshold(src, thresh, maxval, type, dst=None)
# src是輸入數(shù)組，thresh是閾值的具體值，maxval是type取THRESH_BINARY或者THRESH_BINARY_INV時(shí)的最大值
# type有5種類型,這里取0： THRESH_BINARY ，當(dāng)前點(diǎn)值大于閾值時(shí)，取maxval，也就是前一個(gè)參數(shù)，否則設(shè)為0
# 該函數(shù)第一個(gè)返回值是閾值的值，第二個(gè)是閾值化后的圖像
ret, thresh = cv2.threshold(img, 127, 255, 0)

# findContours()有三個(gè)參數(shù)：輸入圖像，層次類型和輪廓逼近方法
# 該函數(shù)會(huì)修改原圖像，建議使用img.copy()作為輸入
# 由函數(shù)返回的層次樹很重要，cv2.RETR_TREE會(huì)得到圖像中輪廓的整體層次結(jié)構(gòu)，以此來建立輪廓之間的‘關(guān)系'。
# 如果只想得到最外面的輪廓，可以使用cv2.RETE_EXTERNAL。這樣可以消除輪廓中其他的輪廓，也就是最大的集合
# 該函數(shù)有三個(gè)返回值：修改后的圖像，圖像的輪廓，它們的層次
image, contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)

color = cv2.cvtColor(img, cv2.COLOR_GRAY2BGR)
img = cv2.drawContours(color, contours, -1, (0, 255, 0), 2)
cv2.imshow("contours", color)
cv2.waitKey()
cv2.destroyAllWindows()

import cv2
import numpy as np

# pyrDown():brief Blurs an image and downsamples it.
# 將圖像高斯平滑，然后進(jìn)行降采樣
img = cv2.pyrDown(cv2.imread("hammer.jpg", cv2.IMREAD_UNCHANGED))
# 依然是二值化操作
ret, thresh = cv2.threshold(cv2.cvtColor(img.copy(), cv2.COLOR_BGR2GRAY), 127, 255, cv2.THRESH_BINARY)
# 計(jì)算圖像的輪廓
image, contours, hier = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

for c in contours:
  # find bounding box coordinates
  # 先計(jì)算出一個(gè)簡單的邊界狂，也就是一個(gè)矩形啦
  # 就是將輪廓信息轉(zhuǎn)換為(x,y)坐標(biāo)，并加上矩形的高度和寬度
  x, y, w, h = cv2.boundingRect(c)
  # 畫出該矩形
  cv2.rectangle(img, (x, y), (x + w, y + h), (0, 255, 0), 2)

  # find minimum area
  # 然后計(jì)算包圍目標(biāo)的最小矩形區(qū)域
  # 這里先計(jì)算出最小矩形區(qū)域，然后計(jì)算區(qū)域的頂點(diǎn)，此時(shí)頂點(diǎn)坐標(biāo)是浮點(diǎn)型，但是像素坐標(biāo)是整數(shù)
  # 需要將浮點(diǎn)型轉(zhuǎn)換成矩形
  rect = cv2.minAreaRect(c)
  box = cv2.boxPoints(rect)
  box = np.int0(box)
  # draw contours
  # 畫出最小矩形
  # drawContours()也會(huì)修改源圖像
  # 第二個(gè)參數(shù)保存輪廓的數(shù)組，也就是保存著很多輪廓
  # 第三個(gè)參數(shù)是要繪制的輪廓數(shù)組的索引：-1是繪制所有的輪廓，否則只繪制[box]中指定的輪廓
  # 顏色和thickness(密度,就是粗細(xì))放在最后兩個(gè)參數(shù)
  cv2.drawContours(img, [box], 0, (0, 0, 255), 3)

  # calculate center and radius of minimum enclosing circle
  # 最后檢查的邊界輪廓為最小閉圓
  # minEnclosingCircle()會(huì)返回一個(gè)二元數(shù)組，第一個(gè)是圓心坐標(biāo)組成的元祖，第二個(gè)元素是元的半徑
  (x, y), radius = cv2.minEnclosingCircle(c)
  # cast to integers
  center = (int(x), int(y))
  radius = int(radius)
  # draw the circle
  img = cv2.circle(img, center, radius, (255, 0, 0), 3)

# 繪制輪廓
cv2.drawContours(img, contours, -1, (255, 0, 0), 1)
cv2.imshow("contours", img)

cv2.waitKey()
cv2.destroyAllWindows()

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)
# 創(chuàng)建與源圖像一樣大小的矩陣
black = cv2.cvtColor(np.zeros((img.shape[1], img.shape[0]), dtype=np.uint8), cv2.COLOR_GRAY2BGR)

image, contours, hier = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

for cnt in contours:
  # 得到輪廓的周長作為參考
  epsilon = 0.01 * cv2.arcLength(cnt,True)
  # approxPolyDP()用來計(jì)算近似的多邊形框。有三個(gè)參數(shù)
  # cnt為輪廓，epsilon為ε——表示源輪廓與近似多邊形的最大差值，越小越接近
  # 第三個(gè)是布爾標(biāo)記，用來表示這個(gè)多邊形是否閉合
  approx = cv2.approxPolyDP(cnt,epsilon,True)
  # convexHull()可以從輪廓獲取凸形狀
  hull = cv2.convexHull(cnt)
  # 源圖像輪廓-綠色
  cv2.drawContours(black, [cnt], -1, (0, 255, 0), 2)
  # 近似多邊形-藍(lán)色
  cv2.drawContours(black, [approx], -1, (255, 0, 0), 2)
  # 凸包-紅色
  cv2.drawContours(black, [hull], -1, (0, 0, 255), 2)

cv2.imshow("hull", black)
cv2.waitKey()
cv2.destroyAllWindows()

import cv2
import numpy as np

img = cv2.imread('lines.jpg')
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
edges = cv2.Canny(gray,50,120)
# 最小直線長度，小于該長度會(huì)被消除
minLineLength = 20
# 最大線段間隙，一條直線的間隙長度大于這個(gè)值會(huì)被認(rèn)為是兩條直線
maxLineGap = 5
# HoughLinesP()會(huì)接受一個(gè)由Canny邊緣檢測(cè)濾波器處理過的單通道二值圖像
# 不一定需要Canny濾波器，但是輸入是去噪且只有邊緣的圖像，效果會(huì)很好
# 第一個(gè)參數(shù)是輸入圖像
# 第二、第三個(gè)參數(shù)是線段的幾何表示rho和theta，一般取1和np.pi/180
# 第四個(gè)參數(shù)是閾值，低于該閾值的直線會(huì)被忽略
# 第五第六已經(jīng)解釋
lines = cv2.HoughLinesP(edges,1,np.pi/180,20,minLineLength,maxLineGap)
for x1,y1,x2,y2 in lines[0]:
  cv2.line(img,(x1,y1),(x2,y2),(0,255,0),2)

cv2.imshow("edges", edges)
cv2.imshow("lines", img)
cv2.waitKey()
cv2.destroyAllWindows()

import cv2
import numpy as np

planets = cv2.imread('planet_glow.jpg')
gray_img = cv2.cvtColor(planets, cv2.COLOR_BGR2GRAY)
img = cv2.medianBlur(gray_img, 5)
cimg = cv2.cvtColor(img, cv2.COLOR_GRAY2BGR)

# 與直線檢測(cè)類似，需要圓心距的最小距離和圓的最小以及最大半徑
circles = cv2.HoughCircles(img,cv2.HOUGH_GRADIENT,1,120,param1=100,param2=30,minRadius=0,maxRadius=0)

circles = np.uint16(np.around(circles))

for i in circles[0,:]:
  # draw the outer circle
  cv2.circle(planets,(i[0],i[1]),i[2],(0,255,0),2)
  # draw the center of the circle
  cv2.circle(planets,(i[0],i[1]),2,(0,0,255),3)

cv2.imwrite("planets_circles.jpg", planets)
cv2.imshow("HoughCirlces", planets)
cv2.waitKey()
cv2.destroyAllWindows()