网站怎么优化排名的方法,discuz网站ip,wordpress+经典推荐,廊坊网站建设招聘目录
一、轮廓检测基础概念
二、核心 API 详解#xff1a;cv2.findContours ()
参数说明#xff1a;
返回值说明#xff1a;
三、轮廓检测实战步骤
1. 图像预处理#xff08;灰度化与二值化#xff09;
2. 查找轮廓
3. 绘制轮廓
四、轮廓的常用属性与操作
1. 轮…目录
一、轮廓检测基础概念
二、核心 API 详解cv2.findContours ()
参数说明
返回值说明
三、轮廓检测实战步骤
1. 图像预处理灰度化与二值化
2. 查找轮廓
3. 绘制轮廓
四、轮廓的常用属性与操作
1. 轮廓面积与周长
2. 轮廓筛选与排序
3. 轮廓的外接形状
4. 轮廓近似
五、总结 在计算机视觉领域轮廓检测是一项基础且重要的技术它能够帮助我们识别图像中的物体边界为后续的图像分析、目标识别等任务提供关键信息。本文将基于 OpenCV 库详细介绍轮廓检测的原理、常用 API 及实战应用。 一、轮廓检测基础概念
轮廓可以理解为图像中具有相同颜色或灰度的连续点组成的曲线它是物体边界的有效表达方式。在进行轮廓检测前有一个重要的前提需要将图片处理为二值图像像素值只为 0 和 255这是因为轮廓检测主要基于图像的边缘信息二值化处理能简化后续的检测过程。 二、核心 API 详解cv2.findContours ()
OpenCV 提供了 cv2.findContours() 函数用于检测图像轮廓其语法格式如下
参数说明 img需要进行轮廓检测的输入图像必须是二值图像 mode轮廓的检索模式常用的有以下四种 cv2.RETR_EXTERNAL只检测外轮廓忽略所有子轮廓cv2.RETR_LIST检测所有轮廓但不建立等级关系cv2.RETR_CCOMP返回所有轮廓仅建立两级层次结构外轮廓为第 1 级内部中空轮廓为第 2 级cv2.RETR_TREE返回所有轮廓建立完整的层级组织结构 method轮廓的近似方法 cv2.CHAIN_APPROX_NONE存储所有的轮廓点cv2.CHAIN_APPROX_SIMPLE压缩模式只保留轮廓方向的终点坐标如矩形仅保留 4 个顶点
返回值说明
image处理后的图像与输入图像相关contours包含所有轮廓的列表每个轮廓是由边界点坐标 (x,y) 组成的 numpy 数组hierarchy轮廓的层次结构每个元素是包含 4 个值的数组 [Next, Previous, First Child, Parent]分别表示 Next同一层级的下一条轮廓Previous同一层级的上一条轮廓First Child当前轮廓的第一条子轮廓Parent当前轮廓的父轮廓 注意在新版 OpenCV如 4.x 版本中该函数返回值为 (contours, hierarchy)可使用 contours cv2.findContours(...)[-2] 兼容不同版本。 三、轮廓检测实战步骤
1. 图像预处理灰度化与二值化
轮廓检测前必须进行预处理将彩色图像转为灰度图再进一步转为二值图
import cv2# 读取原图
phone cv2.imread(phone.png)
# 转为灰度图
phone_gray cv2.cvtColor(phone, cv2.COLOR_BGR2GRAY)
# 二值化处理阈值 120最大值 255二值化方式
ret, phone_binary cv2.threshold(phone_gray, 120, 255, cv2.THRESH_BINARY)# 显示处理结果
cv2.imshow(phone_gray, phone_gray)
cv2.imshow(phone_binary, phone_binary)
cv2.waitKey(0)2. 查找轮廓
使用 cv2.findContours() 函数检测轮廓
# 查找轮廓建立完整层级压缩轮廓点
_, contours, hierarchy cv2.findContours(phone_binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)# 打印轮廓信息
print(轮廓层次结构, hierarchy)
print(轮廓数量, len(contours))轮廓层次结构 [[[ 6 -1 1 -1][ 2 -1 -1 0][ 3 1 -1 0][ 4 2 -1 0][ 5 3 -1 0][-1 4 -1 0][ 7 0 -1 -1][ 8 6 -1 -1][-1 7 -1 -1]]]
轮廓数量 9
3. 绘制轮廓
通过 cv2.drawContours() 函数可以将检测到的轮廓绘制在图像上
# 函数语法
# cv2.drawContours(image, contours, contourIdx, color, thickness)# 复制原图避免修改原图
image_copy phone.copy()
# 绘制所有轮廓contourIdx-1绿色(0,255,0)线宽 2
cv2.drawContours(image_copy, contours, -1, (0,255,0), 2)
cv2.imshow(contours_result, image_copy)
cv2.waitKey(0)四、轮廓的常用属性与操作
1. 轮廓面积与周长
轮廓面积使用 cv2.contourArea() 计算轮廓周长使用 cv2.arcLength() 计算参数 closedTrue 表示闭合轮廓
# 计算第一个轮廓的面积
area_0 cv2.contourArea(contours[0])
print(第一个轮廓的面积, area_0)# 计算第一个轮廓的周长
length cv2.arcLength(contours[0], closedTrue)
print(第一个轮廓的周长, length)第一个轮廓的面积 50716.5
第一个轮廓的周长 952.4377244710922
2. 轮廓筛选与排序
可以根据轮廓面积等属性筛选特定轮廓或对轮廓进行排序
# 筛选面积大于 10000 的轮廓
large_contours []
for cnt in contours:if cv2.contourArea(cnt) 10000:large_contours.append(cnt)# 绘制筛选后的轮廓
image_copy phone.copy()
cv2.drawContours(image_copy, large_contours, -1, (0,255,0), 3)
cv2.imshow(contours_larger_10000, image_copy)
cv2.waitKey(0)# 按面积降序排序取最大面积的轮廓
largest_cnt sorted(contours, keycv2.contourArea, reverseTrue)[0]
image_copy phone.copy()
cv2.drawContours(image_copy, [largest_cnt], -1, (0,255,0), 3)
cv2.imshow(largest_contour, image_copy)
cv2.waitKey(0)3. 轮廓的外接形状
可以计算轮廓的外接圆和最小外接矩形
# 以外接圆为例选取第三个轮廓
cnt contours[2]
# 计算外接圆
(x, y), r cv2.minEnclosingCircle(cnt)
# 绘制外接圆
phone_circle cv2.circle(phone, (int(x), int(y)), int(r), (0,255,0), 2)
cv2.imshow(contour_circle, phone_circle)
cv2.waitKey(0)# 计算最小外接矩形
x, y, w, h cv2.boundingRect(cnt)
# 绘制矩形
phone_rect cv2.rectangle(phone, (x, y), (xw, yh), (0,255,0), 2)
cv2.imshow(contour_rectangle, phone_rect)
cv2.waitKey(0)4. 轮廓近似
使用 cv2.approxPolyDP() 函数可以对轮廓进行近似处理简化轮廓形状
# 函数语法
# approx cv2.approxPolyDP(curve, epsilon, closed)# 计算近似精度取轮廓周长的 0.01 倍
epsilon 0.01 * cv2.arcLength(contours[0], True)
# 对第一个轮廓进行近似
approx cv2.approxPolyDP(contours[0], epsilon, True)# 对比原始轮廓与近似轮廓的点数量
print(原始轮廓点数量, contours[0].shape[0])
print(近似轮廓点数量, approx.shape[0])# 绘制近似轮廓
phone_new phone.copy()
cv2.drawContours(phone_new, [approx], -1, (0,255,0), 3)
cv2.imshow(contour_approx, phone_new)
cv2.waitKey(0)原始轮廓点数量 235
近似轮廓点数量 8 其中epsilon 参数决定了近似精度值越小近似结果越接近原始轮廓值越大轮廓越简化。 五、总结
本文详细介绍了 OpenCV 中轮廓检测的核心技术包括轮廓检测的预处理步骤、cv2.findContours() 函数的使用、轮廓绘制方法以及轮廓的各种属性计算与操作面积、周长、筛选、排序、外接形状、轮廓近似等。
轮廓检测在目标识别、图像分割、物体测量等领域有着广泛的应用掌握这些基础操作是进行更复杂计算机视觉任务的前提。实际应用中需要根据具体场景选择合适的轮廓检索模式和近似方法以达到最佳的检测效果。
