快捷導(dǎo)航

opencv 圖像輪廓的實現(xiàn)示例

更新時間：2020年07月08日 11:05:50 作者：總裁余

這篇文章主要介紹了opencv 圖像輪廓的實現(xiàn)示例，文中通過示例代碼介紹的非常詳細，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧

圖像輪廓

Contours：輪廓
輪廓是將沒有連著一起的邊緣連著一起。
邊緣檢測檢測出邊緣，邊緣有些未連接在一起。

注意問題
1.對象為二值圖像，首先進行閾值分割或者邊緣檢測。
2.查找輪廓需要更改原始圖像，通常使用原始圖像的一份進行拷貝。
3.在opencv里，是從黑色背景里找白色。因此對象必須是白色，背景為黑色。

方法

cv2.findContours()
cv2.drawContours()

通過cv2.findContours() 查找輪廓在哪里，再通過 cv2.drawContours()將查找的輪廓繪制出來。

contours,hierarchy=cv2.findContours(image,mode,method)
contours：輪廓
hierarchy:圖像的拓撲信息（輪廓層次）（存儲上一個輪廓，父輪廓…）
image：原始圖像
mode:輪廓檢索方式
method:輪廓的近似方法

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

r:目標圖像
image:原始圖像
contours: 所有的輸入輪廓邊緣數(shù)組
contourIdx ：需要繪制的邊緣索引，如果全部繪制為-1。如果有多個目標，可以繪制第一個目標0，第二個目標1，第三個目標2.。。
color：繪制的顏色，為BGR格式的SCalar
thickness:可選，繪制的密度，即輪廓的畫筆粗細

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)#二值圖像
contours, hierarchy = cv2.findContours(binary,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)
co=o.copy()#對原始圖像進行繪制
r=cv2.drawContours(co,contours,-1,(0,127,127),4)#co為復(fù)制圖像，輪廓會修改原始圖像
cv2.imshow("original",o)
cv2.imshow("contours",r)
cv2.waitKey()

cv2.cvtColor(input_image, flag)用于顏色空間轉(zhuǎn)換。
input_image：需要轉(zhuǎn)換的圖像
flag:轉(zhuǎn)換類型
cv2.COLOR_BGR2GRAY : BGR -灰度
cv2.COLOR_BGR2RGB:BGR-RGB
cv2.COLOR_BGR2HSV：BGR-HSV

最小外接圓

函數(shù)cv2.minEnclosingCircle() 可以幫我們找到一個對象的外切圓。它是所有能夠包括對象的圓中面積最小的一個。

案例：現(xiàn)有下面這樣一張圖片，要求將圖片中心的花朵標記出來。

代碼：

import numpy as np
import cv2 as cv

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

#為了顯示方便，這里將圖片進行縮放
x,y=img.shape
img=cv.resize(img,(y//2,x//2))
#將圖片二值化，由于前景物體是黑色的，因此在二值化時采用cv.THRESH_TOZERO_INV這種方式
ret,thresh=cv.threshold(img,127,255,cv.THRESH_TOZERO_INV)
#尋找圖片中的輪廓，mode=cv.RETR_EXTERNAL，這是為了尋找最外層的輪廓
im,contour,hierarchy=cv.findContours(thresh,cv.RETR_EXTERNAL,cv.CHAIN_APPROX_SIMPLE)

#cv.minEnclosingCircle函數(shù)的參數(shù)要求是ndarray類型，因此這里將找到的
# 輪廓中的所有的點存放在一個列表中，然后使用這個列表創(chuàng)建數(shù)組
point_list=[]
for i in contour:
  for j in i:
    point_list.append(j[0])
point_array=np.array(point_list)

#使用最小外接圓函數(shù)，返回值為這個圓的圓心坐標和圓半徑長度
(x,y),radius=cv.minEnclosingCircle(point_array)

#圖片上的坐標均為整數(shù)，圓的半徑也要求是整數(shù)，因此將它們強制轉(zhuǎn)換為int類型
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)
#顯示圖片
cv.imshow("color",color)
cv.waitKey(0)
cv.destroyAllWindows()

程序結(jié)果：

凸包

凸包與輪廓近似相似，但不同，雖然有些情況下它們給出的結(jié)果是一樣的。函數(shù)cv2.convexHull() 可以用來檢測一個曲線是否具有凸性缺陷，并能糾正缺陷。一般來說，凸性曲線總是凸出來的，至少是平的。在opencv中使用函數(shù)cv.convexhull來尋找輪廓的凸包，該函數(shù)的定義為：

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

這個函數(shù)的參數(shù)如下：

Points：我們需要傳入的輪廓

Hull：輸出，通常不需要

clockwise: 取向標志，如果為True，凸包的方向是順時針方向，否則為逆時針方向；

returnPoints: 默認為True. 它會返回凸包上點的坐標。如果設(shè)置為False，就會返回與凸包點對應(yīng)的輪廓上的點。

還是上面的這副圖片，我們對上面的代碼稍加修改，可以得到凸包的形狀，代碼如下：

import numpy as np
import cv2 as cv

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

#為了顯示方便，這里將圖片進行縮放
x,y=img.shape
img=cv.resize(img,(y//2,x//2))
#將圖片二值化，由于前景物體是黑色的，因此在二值化時采用cv.THRESH_TOZERO_INV這種方式
ret,thresh=cv.threshold(img,127,255,cv.THRESH_TOZERO_INV)
#尋找圖片中的輪廓，mode=cv.RETR_EXTERNAL，這是為了尋找最外層的輪廓
im,contour,hierarchy=cv.findContours(thresh,cv.RETR_EXTERNAL,cv.CHAIN_APPROX_SIMPLE)

#cv.minEnclosingCircle函數(shù)的參數(shù)要求是ndarray類型，因此這里將找到的
# 輪廓中的所有的點存放在一個列表中，然后使用這個列表創(chuàng)建數(shù)組
point_list=[]
for i in contour:
  for j in i:
    point_list.append(j[0])
point_array=np.array(point_list)

#尋找凸包，返回值是凸包上的點
hull=cv.convexHull(point_array,returnPoints=True)
color=cv.cvtColor(img,cv.COLOR_GRAY2BGR)

#將凸包繪制出來，需要注意的是：這里需要將凸包上點的坐標寫成一個
#列表傳入函數(shù)cv.ploylines，否則繪制出來的只是凸包上的一系列點
color=cv.polylines(color,[hull],True,(0,0,255),2)
#顯示圖片
cv.imshow("color",color)
cv.waitKey(0)
cv.destroyAllWindows()

程序運行結(jié)果為：

圖像掩模和像素點

有時我們需要構(gòu)成對象的所有像素點，我們可以將圖像的所有輪廓提取出來，然后使用函數(shù)cv.drawContours()將輪廓內(nèi)的區(qū)域填充為指定的顏色。然后使用cv.findNonZeros()函數(shù)將非零像素點的坐標提取出來，這樣就得到了構(gòu)成對象的像素點。我們還是在上面的圖片上進行操作，代碼如下：

import numpy as np
import cv2 as cv

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

#為了顯示方便，這里將圖片進行縮放
x,y=img.shape
img=cv.resize(img,(y//2,x//2))
#將圖片二值化，由于前景物體是黑色的，因此在二值化時采用cv.THRESH_TOZERO_INV這種方式
ret,thresh=cv.threshold(img,127,255,cv.THRESH_TOZERO_INV)
#尋找圖片中的輪廓，mode=cv.RETR_EXTERNAL，這是為了尋找最外層的輪廓
im,contour,hierarchy=cv.findContours(thresh,cv.RETR_EXTERNAL,cv.CHAIN_APPROX_SIMPLE)
#創(chuàng)建一個填充輪廓內(nèi)像素點的畫板，背景顏色為黑色，這里我們使用numpy創(chuàng)建一個全零的二維數(shù)組
mask=np.zeros(img.shape,dtype=np.uint8)
#將參數(shù)thickness設(shè)置為-1，這樣cv.drawContours函數(shù)就會將輪廓內(nèi)的像素點填充為指定的顏色
mask=cv.drawContours(mask,contour,contourIdx=-1,color=(255,255,255),thickness=-1)

#尋找mask內(nèi)非零像素點，將其存放為一個numpy數(shù)組
NonZeroPoints=np.array(cv.findNonZero(mask))
#形狀變換，將其改變?yōu)橐粋€二維數(shù)組，數(shù)組的每一行存放一個非零像素點的坐標
NonZeroPoints=NonZeroPoints.reshape((-1,2))
#驗證我們提取出來的像素點坐標是否正確，我們使用變量
#column和row分別存放非零像素點在圖像中坐標的列數(shù)和行數(shù)
column=NonZeroPoints[:,0]
row=NonZeroPoints[:,1]
#在新的畫板上將這些點繪制出來，將這些坐標對應(yīng)的像素點的值設(shè)為255
mask1=np.zeros(img.shape)
mask1[row,column]=255
#顯示結(jié)果
cv.imshow("mask",mask)
cv.imshow("mask1",mask1)
cv.waitKey(0)
cv.destroyAllWindows()

程序運行結(jié)果：