圖形檢測(cè)在計(jì)算機(jī)視覺開發(fā)中是一項(xiàng)非常重要的操作，算法通過對(duì)圖像的檢測(cè)，分析出圖像中可能存在哪些形狀。除此之外，除了讓計(jì)算機(jī)識(shí)別輪廓之外，輪廓也需要讓人看到，這就需要再分別讀這些輪廓的形狀進(jìn)行描繪。

1. 輪廓識(shí)別與描繪

cv2.findContours() & cv2.drawContours() 方法

在Python中OpenCV提供了findContours() 方法來(lái)判斷圖像的輪廓，drawContours()方法來(lái)繪制輪廓。

1.1 cv2.findComtours()方法

cv2.findComtours()方法的語(yǔ)法如下

cv2.contours, hierarchy = findContours(image, mode, method)

其中

• image 即原圖像
• mode 輪廓檢索模式，具體參數(shù)被總結(jié)在了下表中
• method 使用的方法，具體參數(shù)也被總結(jié)在了下表中

contours是一個(gè)列表，列表的每一個(gè)元素都是由某個(gè)輪廓的像素的坐標(biāo)組成的數(shù)組。

hierarchy是輪廓與輪廓之間的層次關(guān)系。

mode取值表

method取值表

1.2 cv2.drawContours() 方法

cv2.drawContours(image, contours, contourIdx, color, thickness=None, lineType=None, hierarchy=None, maxLevel=None, offset=None)

• image 目標(biāo)圖像
• contours findComtours()方法得到的輪廓列表
• contourldx 輪廓中列表中，繪制輪廓的對(duì)象的索引，如果為-1則表示繪制所有
• color 繪制線條時(shí)的顏色，使用BGR格式描述
• thickness 線條粗細(xì)程度，-1表示實(shí)心
• lineType 繪制輪廓時(shí)線條的類型（可選參數(shù)）
• hierarchy findComtours()方法得到的層次關(guān)系（可選參數(shù)）
• maxLevel 繪制輪廓的層次深度，最深繪制在maxLevel層。（可選參數(shù)）
• offset 偏移量 （可選參數(shù)）

drawContours() 方法返回的是一個(gè)圖像（數(shù)組）。

1.3 代碼示例

以隊(duì)此小鳥圖操作為例（test1.jpg）：

import cv2
img = cv2.imread("test1.jpg")  
# 彩色圖像轉(zhuǎn)為變成單通道灰度圖像
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)  
# 二值化處理
t, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)  
# 檢測(cè)圖像中出現(xiàn)的所有輪廓，記錄輪廓的每一個(gè)點(diǎn)
contours, hierarchy = cv2.findContours(binary, cv2.RETR_LIST, cv2.CHAIN_APPROX_NONE)
# 繪制所有輪廓，寬度為5，顏色為紅色
cv2.drawContours(img, contours, -1, (0, 0, 255), 5)
cv2.imshow("img", img)
cv2.waitKey()
cv2.destroyAllWindows()

程序執(zhí)行結(jié)果展示如下，圖中所有能夠識(shí)別出的輪廓被描出：

2. 輪廓擬合

輪廓擬合，即，將凹凸不平的輪廓用平整的幾何圖形體現(xiàn)出來(lái)。這里展示使用矩形和圓形擬合兩種方法。

2.1 矩形包圍框擬合 - cv2.boundingRect()

在Python中OpenCV提供了cv2.boundingRect()來(lái)計(jì)算輪廓的最小矩形邊界的坐標(biāo) ，其語(yǔ)法如下

retval = cv2.boundingRect(array)

其中參數(shù)array為輪廓數(shù)組。即，cv2.findComtours()方法的執(zhí)行結(jié)果中的contours中的元素。

返回值retval是一個(gè)包含著四個(gè)整數(shù)值的元組，四個(gè)值依次是左上角頂點(diǎn)的橫坐標(biāo)，左上角頂點(diǎn)的縱坐標(biāo)，矩形的寬，矩形的高。

常常也可以寫成x,y,w,h = retval = cv2.boundingRect(array)

還以這張小鳥圖片（test1.jpg）為例，在上一個(gè)部分的示例中，我們找出并繪制出了圖中所有的輪廓，經(jīng)過調(diào)試，發(fā)現(xiàn)被識(shí)別出的輪廓共有94個(gè)。

我們要從數(shù)組列表中，選擇出表示小鳥輪廓的位置的數(shù)組。

從上圖中可以看出，小鳥的輪廓是所有輪廓中最大的。即該數(shù)組的 shape[0] 最大。即我們只用找出 shape[0]最大的即可。

import cv2
img = cv2.imread("test1.jpg")?
# 從彩色圖像變成單通道灰度圖像
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) ?
# 將灰度圖像進(jìn)行二值化閾值處理
t, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
# 獲取二值化圖像中的輪廓極輪廓層次數(shù)據(jù)
contours, hierarchy = cv2.findContours(binary, cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)
# 找出小鳥的輪廓
n1 = 1
n2 = 0
index = 0
for arr in contours:
? ? if len(arr) > n1:
? ? ? ? n1 = len(arr)
? ? ? ? index = n2
? ? n2 += 1
print(index)

x, y, w, h = cv2.boundingRect(contours[index])
# 繪制紅色矩形
cv2.rectangle(img, (x, y), (x + w, y + h), (0, 0, 255), 2) ?
cv2.imshow("img", img)?
cv2.waitKey()
cv2.destroyAllWindows()?

繪制出矩形包圍框效果如下：

2.2圓形包圍框擬合 - cv2.minEnclosingCircle()

在Python中OpenCV提供了cv2.minEnclosingCircle()來(lái)計(jì)算輪廓的最小圓形邊界的圓心和半徑 ，其語(yǔ)法如下

center,radius = minEnclosingCircle(points)

其中

• points的輪廓數(shù)組
• center最小圓形包圍框的圓心的橫縱坐標(biāo)。是元組類型。
• radius是最小圓形包圍款更多半徑，浮點(diǎn)類型。

同樣的算法，只是這次調(diào)用cv2.minEnclosingCircle()方法，其他不變：

import cv2
img = cv2.imread("test1.jpg")  # 讀取原圖
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)  # 從彩色圖像變成單通道灰度圖像
# 將灰度圖像進(jìn)行二值化閾值處理
t, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
# 獲取二值化圖像中的輪廓極輪廓層次數(shù)據(jù)
contours, hierarchy = cv2.findContours(binary, cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)

n1 = 1
n2 = 0
index = 0
for arr in contours:
    if len(arr) > n1:
        n1 = len(arr)
        index = n2
    n2 += 1


center, radius = cv2.minEnclosingCircle(contours[index])
# 圓心點(diǎn)橫坐標(biāo)轉(zhuǎn)為近似整數(shù)
x = int(round(center[0]))
# 圓心點(diǎn)縱坐標(biāo)轉(zhuǎn)為近似整數(shù)  
y = int(round(center[1]))  
cv2.circle(img, (x, y), int(radius), (0, 0, 255), 2)
cv2.imshow("img", img)
cv2.waitKey()
cv2.destroyAllWindows()

繪制出圓形包圍框效果如下（因?yàn)槌叽鐔栴}，只畫出了一部分）：

3. 凸包 繪制

使用矩形框和圓形框?qū)D形的貼合程度往往都會(huì)較差。為了提高這個(gè)貼合程度，我們可以使用“凸包”。

所謂凸包，就是最逼近輪廓的多邊形。

在Python中OpenCV提供了 cv2.bonvexHull()方法來(lái)計(jì)算凸包

cv2.bonvexHull()方法語(yǔ)法如下：

hull = convexHull(points, clockwise=None, returnPoints=None)

其中

• points 是輪廓數(shù)組
• clockwise 是布爾類型的參數(shù)，默認(rèn)為True，表示凸包中的點(diǎn)按順時(shí)針排序，為False時(shí)則按逆時(shí)針 排序。
• returnPoints 是布爾類型的參數(shù)，默認(rèn)為True時(shí)返回點(diǎn)坐標(biāo)。如果為False則返回點(diǎn)索引。

返回值hull是凸包的點(diǎn)陣數(shù)組

依然以“test1.jpg為例”，為圖中的小鳥繪制凸包：

import cv2

img = cv2.imread("test1.jpg")
# 轉(zhuǎn)為灰度圖像
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 二值化閾值處理
ret, binary = cv2.threshold(gray, 127, 225, cv2.THRESH_BINARY)
# 檢測(cè)圖像中出現(xiàn)的所有輪廓
contours, hierarchy = cv2.findContours(binary, cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)

n1 = 1
n2 = 0
index = 0
for arr in contours:
    if len(arr) > n1:
        n1 = len(arr)
        index = n2
    n2 += 1

hull = cv2.convexHull(contours[index])
cv2.polylines(img, [hull], True, (0, 0, 255), 2)
cv2.imshow("img", img)
cv2.waitKey()
cv2.destroyAllWindows()

4. Canny邊緣檢測(cè) - cv2.Canny()

4.1 cv2.Canny() 用法簡(jiǎn)介

Canny邊緣檢測(cè)算法是John F.Canny在1986年開發(fā)的一個(gè)多級(jí)邊緣檢測(cè)算法。

Canny邊緣檢測(cè)算法通過像素的梯度變化尋找圖像的邊緣，最終可以繪制出十分精細(xì)的二值邊緣圖像

edges = cv2.Canny(image, threshold1, threshold2, apertureSize=None, L2gradient=None)

其中

• image 即原圖像
• threshold1   第一個(gè)閾值，一般為最小閾值
• threshold2   第二個(gè)閾值，一般為最大閾值
• apertureSize  Sobel算子的孔徑大小
• L2gradient 計(jì)算圖像梯度的標(biāo)識(shí)。默認(rèn)為False。為True時(shí)采用更精準(zhǔn)的算法進(jìn)行計(jì)算。

關(guān)于這兩個(gè)閾值怎么用，這涉及到了算法的底層邏輯，還請(qǐng)自行探索。這里一種可以接受的解釋是：低于閾值1的像素點(diǎn)，會(huì)被認(rèn)為不構(gòu)成邊緣，而高于閾值2的像素點(diǎn)，會(huì)被認(rèn)為構(gòu)成邊緣。

最后返回值edges是一個(gè)二值的灰度圖像。

4.2 代碼示例

下邊對(duì)test1.jpg以三組不同的閾值來(lái)做Canny邊緣檢測(cè)，根據(jù)處理結(jié)果感受算法效果：

- 當(dāng)閾值為 10-50 時(shí)

import cv2
img = cv2.imread("test1.jpg")
r1 = cv2.Canny(img, 10, 50)
cv2.imshow("r1", r1)
cv2.waitKey()
cv2.destroyAllWindows()

- 當(dāng)閾值為100-200時(shí)

import cv2
img = cv2.imread("test1.jpg")
r2 = cv2.Canny(img, 100, 200)
cv2.imshow("r2", r2)
cv2.waitKey()
cv2.destroyAllWindows()

- 當(dāng)閾值為400-600時(shí)

import cv2
img = cv2.imread("test1.jpg")
r3 = cv2.Canny(img, 400, 600)

cv2.imshow("r3", r3)
cv2.waitKey()
cv2.destroyAllWindows()

5. 霍夫變換

5.1 概述

霍夫變換是一種特征檢測(cè)，通過霍夫變換可以檢測(cè)出圖像中存在的特殊的形狀。比如，直線，圓等。

霍夫變換檢測(cè)直線時(shí)，算法有兩個(gè)，

一個(gè)是cv2.HoughLines() 方法，用于檢測(cè)無(wú)限延長(zhǎng)的直線；

另一個(gè)是cv2.HoughLinesP() 方法，用于檢測(cè)線段。

霍夫變換檢測(cè)圓，使用的是**cv2.HoughCircles()**方法。

使用這三個(gè)方法前，都要先對(duì)圖像進(jìn)行降噪處理（使用濾波器），以去除干擾。

5.2 cv2.HoughLines() 檢測(cè)直線

cv2.HoughLines()語(yǔ)法如下：

lines = cv.HoughLines( image, rho, theta, threshold[,srn][,stn])

其中

• image 即原圖像
• rho 指的是搜索直線使用的半徑步長(zhǎng)，其值為1時(shí)表示檢測(cè)所有。（即極坐標(biāo)中的ρ）
• theta 指的是搜索直線的角度，值為π/180°時(shí)，表示檢測(cè)所有角度。（即極坐標(biāo)中的θ）
• threshold 指的是閾值，點(diǎn)的數(shù)量（也稱投票數(shù)）。因?yàn)橹本€的長(zhǎng)度取決于直線上的點(diǎn)的數(shù)量。所以如果達(dá)不到這個(gè)長(zhǎng)度，就不會(huì)被
• 判定為直線。同理，當(dāng)該閾值越小，檢測(cè)出的直線也就越多。
• srn 對(duì)于多尺度霍夫變換，srn表示對(duì)rho的 距離分辨率 的除數(shù)
• stn 對(duì)于多尺度霍夫變換，stn表示對(duì)theta的 距離分辨率 的除數(shù)
• min_theat 對(duì)于標(biāo)準(zhǔn)和多尺度Hough變換，檢查線條的最小角度。必須介于0和最大θ之間。
• max_theat 對(duì)于標(biāo)準(zhǔn)和多尺度Hough變換，檢查線條的最大角度。必須介于min_theta和CV_PI之間。

返回值lines，是一個(gè)數(shù)組，shape為(n, 1, 2)，n表示檢測(cè)出的所有線段數(shù)目,每個(gè)線段用極坐標(biāo)(ρ, θ)表示。

以此跨海大橋圖(test2.jpg)為例，對(duì)其使用cv2.HoughLines()方法，并繪制直線：

import cv2
import numpy as np

img = cv2.imread("test2.jpg")
o = img.copy()
# 使用中值濾波進(jìn)行降噪
o = cv2.medianBlur(o, 5)
# 從彩色圖像變成單通道灰度圖像
gray = cv2.cvtColor(o, cv2.COLOR_BGR2GRAY)
# 繪制邊緣圖像
binary = cv2.Canny(o, 50, 150)

# 檢測(cè)直線 不限步長(zhǎng)，不限角度，至少50個(gè)點(diǎn)確定一條線
lines = cv2.HoughLines(binary, 1, np.pi / 180, 50)
# print(lines)
# print(lines.shape)

for line in lines:
    rho, theta = line[0]
    a = np.cos(theta)
    b = np.sin(theta)
    x0 = a * rho
    y0 = b * rho
    x1 = int(x0 + 1000 * (-b))
    y1 = int(y0 + 1000 * (a))
    x2 = int(x0 - 1000 * (-b))
    y2 = int(y0 - 1000 * (a))

    cv2.line(img, (x1, y1), (x2, y2), (0, 0, 255), 2)
cv2.imshow("img", img)
cv2.waitKey()
cv2.destroyAllWindows()

識(shí)別效果如下，可以自行調(diào)節(jié)參數(shù)進(jìn)行改良，并在這個(gè)過程中具體感受每個(gè)參數(shù)的作用。

當(dāng)選擇至少50個(gè)點(diǎn)確定一條線時(shí)，一共檢測(cè)出168根直線：

當(dāng)選擇至少100個(gè)點(diǎn)確定一條線時(shí)，一共檢測(cè)出35根直線：

當(dāng)選擇至少300個(gè)點(diǎn)確定一條直線時(shí)，符合要求的直線有3根：

當(dāng)選擇至少380個(gè)點(diǎn)確定一條直線時(shí)，這樣的直線還剩一根：

相比檢測(cè)直線，檢測(cè)線段的cv2.HoughLinesP()相對(duì)要更常用些。

5.3 cv2.HoughLinesP() 檢測(cè)線段

lines = cv2.HoughLinesP(image, rho, theta, threshold, minLineLength=None, maxLineGap=None)

檢測(cè)線段

• image 原圖
• rho 檢測(cè)直線使用的半徑步長(zhǎng)，值為1時(shí)表示所有可能的半徑步長(zhǎng)
• theta 搜索直線的角度
• threshold 閾值，該值越小，檢測(cè)出的直線越多。
• minLineLength表示線段的最小長(zhǎng)度，小于該長(zhǎng)度的線段不會(huì)被記錄在結(jié)果中。值越大線段越少。
• maxLineGap 表示允許將同一行的點(diǎn)連接起來(lái)的最大距離。 值越大線段越多。

返回值lines，是一個(gè)數(shù)組，shape為(n, 1, 4)，n表示檢測(cè)出的所有線段數(shù)目,4指的是每個(gè)線段的兩端端點(diǎn)的笛卡爾坐標(biāo)(x, y) 坐標(biāo)的四個(gè)點(diǎn)。

其中minLineLength（最小線段長(zhǎng)度）和maxLineGap（最小線段距離）兩個(gè)參數(shù)，都是越大，識(shí)別的線段越少。

import cv2
import numpy as np

img = cv2.imread("test2.jpg")
o = img.copy()
# 使用中值濾波進(jìn)行降噪
o = cv2.medianBlur(o, 5)
# 從彩色圖像變成單通道灰度圖像
gray = cv2.cvtColor(o, cv2.COLOR_BGR2GRAY)
# 繪制邊緣圖像
binary = cv2.Canny(o, 50, 150)

# 檢測(cè)線段，不限步長(zhǎng)，不限角度，至少100個(gè)點(diǎn)確定一條線。最大將距離為200的線段連城一條線。
lines = cv2.HoughLinesP(binary, 1, np.pi / 180, 50, minLineLength=100, maxLineGap=200)
print(lines.shape)
for line in lines:
    x1, y1, x2, y2 = line[0]
    cv2.line(img, (x1, y1), (x2, y2), (0, 0, 255), 2)
cv2.imshow("canny", binary)
cv2.imshow("img", img)
cv2.waitKey()
cv2.destroyAllWindows()

二值化邊緣圖案效果：

描繪線段效果（minLineLength=100）至少100個(gè)點(diǎn)確定一條線段（上邊代碼），最大將距離為200的線段連接起來(lái)
共描繪了23條線：

描繪線段效果（minLineLength=500）至少500個(gè)點(diǎn)確定一條線段，最大將距離為200的線段連接起來(lái)
共描繪了6條線段：

描繪線段效果（minLineLength=720）至少720個(gè)點(diǎn)確定一條線段，最大將距離為200的線段連接起來(lái)
共描繪了一條線：

5.4 cv2.檢測(cè)圓 - HoughCircles()

circles = HoughCircles(image, method, dp, minDist, circles=None, param1=None, param2=None, minRadius=None, maxRadius=None)

其中

• image 原圖像（降噪、灰度處理后的）
• method 檢測(cè)方法。
• dp 累加器分辨率與原圖分辨率之比的倒數(shù)。值為1時(shí)累加器與原圖像有著相同的分辨率。通常選擇1作為參數(shù)。（值為2時(shí)則累加器的分辨率是原圖像的一半）
• minDist 圓心之間的最小距離
• param1 參數(shù)1，表示Canny邊緣檢測(cè)的最大閾值。是可選參數(shù)。
• param2 參數(shù)2，表示檢測(cè)結(jié)果投票數(shù)。即至少多少個(gè)點(diǎn)確定一個(gè)圓。值越大，識(shí)別的圓越少，約精準(zhǔn)。是可選參數(shù)。
• minRadius 圓環(huán)的最小半徑（可選參數(shù)）
• maxRadius 圓環(huán)的最大半徑（可選參數(shù)）

返回值circles是一個(gè)數(shù)組，數(shù)組內(nèi)是所有檢測(cè)出的圓環(huán)，shape為(n,1,3)。其中3表示圓心的x坐標(biāo)，圓心的y坐標(biāo)和半徑長(zhǎng)度三個(gè)指標(biāo)。

了解完語(yǔ)法，

接下來(lái)我們來(lái)檢測(cè)下圖(test3.jpg)中的客家土樓中的圓形。

import cv2
import numpy as np

img = cv2.imread("test3.jpg")
# 使用中值濾波進(jìn)行降噪
o = cv2.medianBlur(img, 11) 
# 從彩色圖像變成單通道灰度圖像
gray = cv2.cvtColor(o, cv2.COLOR_BGR2GRAY)  
# 展示灰度圖像
cv2.imshow('gray', gray)
# 檢測(cè)圓環(huán)，圓心最小間距為50，Canny最大閾值為40，投票數(shù)超過63。最小半徑為10，最大半徑為50
circles = cv2.HoughCircles(gray, cv2.HOUGH_GRADIENT, 1, 50, param1=40, param2=63, minRadius=10, maxRadius=100)
# 將數(shù)組元素四舍五入成整數(shù)
circles = np.uint(np.around(circles))
# 遍歷圓環(huán)結(jié)果
for c in circles[0]:
    # 圓心橫坐標(biāo)、縱坐標(biāo)和圓半徑
    x, y, r = c
    # 繪制圓環(huán)
    cv2.circle(img, (x, y), r, (0, 0, 255), 3)
    # 繪制圓心
    cv2.circle(img, (x, y), 2, (0, 0, 255), 3)
cv2.imshow("img", img)
cv2.waitKey()
cv2.destroyAllWindows()

降過噪的灰度圖像如下：

識(shí)別結(jié)果呈現(xiàn)如下，如圖成功識(shí)別出了圖中所有土樓的圓形：

以上就是Python OpenCV實(shí)現(xiàn)圖形檢測(cè)示例詳解的詳細(xì)內(nèi)容，更多關(guān)于Python OpenCV圖形檢測(cè)的資料請(qǐng)關(guān)注腳本之家其它相關(guān)文章！

最新評(píng)論