国内外高校门户网站建设,便宜模板网站建设,门户网站属于什么类型的模式,龙华高端网站设计1 几何图形检测介绍
1.1 轮廓(contours)
什么是轮廓#xff0c;简单说轮廓就是一些列点相连组成形状、它们拥有同样的颜色、轮廓发现在图像的对象分析、对象检测等方面是非常有用的工具#xff0c;在OpenCV 中使用轮廓发现相关函数时候要求输入图像是二值图像#xff0c;这…1 几何图形检测介绍
1.1 轮廓(contours)
什么是轮廓简单说轮廓就是一些列点相连组成形状、它们拥有同样的颜色、轮廓发现在图像的对象分析、对象检测等方面是非常有用的工具在OpenCV 中使用轮廓发现相关函数时候要求输入图像是二值图像这样便于轮廓提取、边缘提取等操作。轮廓发现的函数与参数解释如下
函数原型
findContours(image, mode, method, contoursNone, hierarchyNone, offsetNone)
参数
image输入/输出的二值图像mode 迒回轮廓的结构、可以是List、Tree、Externalmethod 轮廓点的编码方式基本是基于链式编码contours 迒回的轮廓集合hieracrchy 迒回的轮廓层次关系offset 点是否有位移 1.2 多边形逼近
多边形逼近是通过对轮廓外形无限逼近删除非关键点、得到轮廓的关键点不断逼近轮廓真实形状的方法OpenCV中多边形逼近的函数与参数解释如下
函数原型
approxPolyDP(curve, epsilon, closed, approxCurveNone)
参数
curve 表示输入的轮廓点集合epsilon 表示逼近曲率越小表示相似逼近越厉害close 是否闭合
1.3 几何距计算
图像几何距是图像的几何特征高阶几何距中心化之后具有特征不变性可以产生Hu距输出用于形状匹配等操作这里我们通过计算一阶几何距得到指定轮廓的中心位置计算几何距的函数与参数解释如下
函数原型
moments(array, binaryImageNone)
参数
array表示指定输入轮廓binaryImage默认为None
2 基于opencv实现几何图形检测
整个代码实现分为如下几步完成
加载图像图像二值化轮廓发现几何形状识别测量周长、面积、计算中心颜色提取
完整代码
import cv2 as cv
import numpy as npclass ShapeAnalysis:def __init__(self):self.shapes {triangle: 0, rectangle: 0, polygons: 0, circles: 0}def analysis(self, frame):h, w, ch frame.shaperesult np.zeros((h, w, ch), dtypenp.uint8)# 二值化图像print(start to detect lines...\n)gray cv.cvtColor(frame, cv.COLOR_BGR2GRAY)ret, binary cv.threshold(gray, 0, 255, cv.THRESH_BINARY_INV | cv.THRESH_OTSU)cv.imshow(input image, frame)contours, hierarchy cv.findContours(binary, cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE)for cnt in range(len(contours)):# 提取与绘制轮廓cv.drawContours(result, contours, cnt, (0, 255, 0), 2)# 轮廓逼近epsilon 0.01 * cv.arcLength(contours[cnt], True)approx cv.approxPolyDP(contours[cnt], epsilon, True)# 分析几何形状corners len(approx)shape_type if corners 3:continueif corners 3:count self.shapes[triangle]count count 1self.shapes[triangle] countshape_type 三角形if corners 4:count self.shapes[rectangle]count count 1self.shapes[rectangle] countshape_type 矩形if corners 10:count self.shapes[circles]count count 1self.shapes[circles] countshape_type 圆形if 4 corners 10:count self.shapes[polygons]count count 1self.shapes[polygons] countshape_type 多边形# 求解中心位置mm cv.moments(contours[cnt])if mm[m00] 0:continuecx int(mm[m10] / mm[m00])cy int(mm[m01] / mm[m00])cv.circle(result, (cx, cy), 3, (0, 0, 255), -1)# 颜色分析color frame[cy][cx]color_str ( str(color[0]) , str(color[1]) , str(color[2]) )# 计算面积与周长p cv.arcLength(contours[cnt], True)area cv.contourArea(contours[cnt])print(周长: %.3f, 面积: %.3f 颜色: %s 形状: %s % (p, area, color_str, shape_type))cv.imshow(Analysis Result, result)print(triangle: , self.shapes[triangle])print(rectangle: , self.shapes[rectangle])print(polygons: , self.shapes[polygons])print(circles: , self.shapes[circles])return self.shapesif __name__ __main__:src cv.imread(./data/jihe2.png)ld ShapeAnalysis()ld.analysis(src)cv.waitKey(0)cv.destroyAllWindows()
原始图像 运行结果显示 周长: 553.973, 面积: 11687.500 颜色: (190, 146, 112) 形状: 矩形
周长: 479.556, 面积: 14743.500 颜色: (232, 162, 0) 形状: 矩形
周长: 543.144, 面积: 18333.500 颜色: (21, 0, 136) 形状: 多边形
周长: 341.421, 面积: 7593.000 颜色: (164, 73, 163) 形状: 多边形
周长: 761.796, 面积: 13221.500 颜色: (87, 122, 185) 形状: 圆形
周长: 594.257, 面积: 24703.500 颜色: (39, 127, 255) 形状: 圆形
周长: 592.000, 面积: 14508.000 颜色: (36, 28, 237) 形状: 矩形
周长: 432.291, 面积: 11939.500 颜色: (204, 72, 63) 形状: 多边形
周长: 280.451, 面积: 4917.000 颜色: (190, 146, 112) 形状: 多边形
周长: 531.588, 面积: 10587.000 颜色: (164, 73, 163) 形状: 矩形
周长: 405.262, 面积: 4172.500 颜色: (76, 177, 34) 形状: 圆形
周长: 370.191, 面积: 9746.000 颜色: (232, 162, 0) 形状: 圆形
周长: 486.000, 面积: 14762.000 颜色: (232, 162, 0) 形状: 矩形
triangle: 0
rectangle: 5
polygons: 4
circles: 4
