青岛城乡建设局网站,向国外支付网站开发费,面试网站建设工程师,女人与黑狗做视频网站目录
目标
1. 特征矩
2、轮廓质心
3. 轮廓面积
4. 轮廓周长
5. 轮廓近似
6. 轮廓凸包
7. 边界矩形
7.1.直角矩形
7.2. 旋转矩形
8. 最小闭合圈
9. 拟合一个椭圆
10. 拟合直线 目标 在本文中#xff0c;我们将学习 - 如何找到轮廓的不同特征#xff0c;例如面积我们将学习 - 如何找到轮廓的不同特征例如面积周长质心边界框等。 - 您将看到大量与轮廓有关的功能。
1. 特征矩 特征矩可以帮助您计算一些特征例如物体的质心物体的面积等。请查看特征矩上的维基百科页面。函数 cv.moments() 提供了所有计算出的矩值的字典。见下文
import numpy as np
import cv2 as cv
img cv.imread(star.jpg,0)
ret,thresh cv.threshold(img,127,255,0)
contours,hierarchy cv.findContours(thresh, 1, 2)
cnt contours[0]
M cv.moments(cnt)
print( M ) 从这一刻起您可以提取有用的数据例如面积质心等。
2、轮廓质心 质心由关系给出cxM10/M00 和 cyM01/M00。可以按照以下步骤进行第一个示例为简单的检测单个轮廓第二个示例能检测图片中的多个轮廓。
import numpy as np
import cv2 as cvimg cv.imread(star.jpg,0)ret,thresh cv.threshold(img,127,255,0)contours,hierarchy cv.findContours(thresh, 1, 2)cnt contours[0]M cv.moments(cnt)
print( M )cx int(M[m10]/M[m00])
cy int(M[m01]/M[m00])print(轮廓的质心坐标为:(%d,%d) %cx %cy)
import cv2
import numpy as np # 读取图像
image cv2.imread(7.jpg) # 转换为灰度图像
gray cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) # 应用阈值来获取二值图像
_, thresholded cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY) # 查找轮廓
contours, _ cv2.findContours(thresholded, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) # 遍历每个轮廓
for contour in contours: # 计算轮廓的矩 M cv2.moments(contour) # 检查矩是否存在轮廓不为空 if M[m00] ! 0: # 计算质心 cX int(M[m10] / M[m00]) cY int(M[m01] / M[m00]) # 在图像上绘制质心 cv2.circle(image, (cX, cY), 5, (255, 0, 0), -1) cv2.putText(image, centroid, (cX - 25, cY - 25), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (255, 0, 0), 2) # 显示结果图像
cv2.imshow(Image with Centroids, image)
cv2.waitKey(0)
cv2.destroyAllWindows()3. 轮廓面积 轮廓区域由函数 cv.contourArea() 或从矩 M[m00] 中给出。
import numpy as np
import cv2 as cvimg cv.imread(star.jpg,0)ret,thresh cv.threshold(img,127,255,0)contours,hierarchy cv.findContours(thresh, 1, 2)cnt contours[0]M cv.moments(cnt)
print( M )area cv.contourArea(cnt)
4. 轮廓周长 也称为弧长。可以使用 cv.arcLength() 函数找到它。第二个参数指定形状是闭合轮廓(True)还是曲线。
import numpy as np
import cv2 as cvimg cv.imread(star.jpg,0)ret,thresh cv.threshold(img,127,255,0)contours,hierarchy cv.findContours(thresh, 1, 2)cnt contours[0]M cv.moments(cnt)
print( M )perimeter cv.arcLength(cnt,True)
5. 轮廓近似 根据我们指定的精度它可以将轮廓形状近似为顶点数量较少的其他形状。它是Douglas-Peucker算法的实现。检查维基百科页面上的算法和演示。 为了理解这一点假设您试图在图像中找到一个正方形但是由于图像中的某些问题您没有得到一个完美的正方形而是一个“坏形状”如下图所示。现在您可以使用此功能来近似形状。在这种情况下第二个参数称为epsilon它是从轮廓到近似轮廓的最大距离。它是一个精度参数。需要正确选择epsilon才能获得正确的输出。
import numpy as np
import cv2 as cvimg cv.imread(star.jpg,0)ret,thresh cv.threshold(img,127,255,0)contours,hierarchy cv.findContours(thresh, 1, 2)cnt contours[0]M cv.moments(cnt)
print( M )epsilon 0.1*cv.arcLength(cnt,True)
approx cv.approxPolyDP(cnt,epsilon,True) 在第二张图片中绿线显示了ε弧长的10时的近似曲线。第三幅图显示了ε弧长度的1时的情况。第三个参数指定曲线是否闭合。
6. 轮廓凸包 凸包外观看起来与轮廓逼近相似但不相似在某些情况下两者可能提供相同的结果。在这里cv.convexHull()函数检查曲线是否存在凸凹缺陷并对其进行校正。一般而言凸曲线是始终凸出或至少平坦的曲线。如果在内部凸出则称为凸度缺陷。例如检查下面的手的图像。红线显示手的凸包。双向箭头标记显示凸度缺陷这是凸包与轮廓线之间的局部最大偏差。 import numpy as np
import cv2 as cvimg cv.imread(star.jpg,0)ret,thresh cv.threshold(img,127,255,0)contours,hierarchy cv.findContours(thresh, 1, 2)cnt contours[0]M cv.moments(cnt)
print( M )hull cv.convexHull(cnt) 但是如果要查找凸度缺陷则需要传递returnPoints False。为了理解它我们将拍摄上面的矩形图像。首先我发现它的轮廓为cnt。现在我发现它的带有returnPoints True的凸包得到以下值[[[234 202]][[51 202]][[51 79]][[234 79]]]它们是四个角 矩形的点。现在如果对returnPoints False执行相同的操作则会得到以下结果[[129][67][0][142]]。这些是轮廓中相应点的索引。例如检查第一个值cnt [129] [[234202]]与第一个结果相同对于其他结果依此类推。
7. 边界矩形
有两种类型的边界矩形。
7.1.直角矩形 它是一个矩形不考虑物体的旋转。所以边界矩形的面积不是最小的。它是由函数cv.boundingRect()找到的。 令(xy)为矩形的左上角坐标而(wh)为矩形的宽度和高度。
import numpy as np
import cv2 as cvimg cv.imread(star.jpg,0)ret,thresh cv.threshold(img,127,255,0)contours,hierarchy cv.findContours(thresh, 1, 2)cnt contours[0]M cv.moments(cnt)
print( M )x,y,w,h cv.boundingRect(cnt)
cv.rectangle(img,(x,y),(xw,yh),(0,255,0),2)
7.2. 旋转矩形 这里边界矩形是用最小面积绘制的所以它也考虑了旋转。使用函数是 cv.minAreaRect()。它返回一个Box2D结构其中包含以下细节 -(中心(x,y)(宽度高度)旋转角度)。但要画出这个矩形我们需要矩形的四个角。它由函数 cv.boxPoints() 获得
import numpy as np
import cv2 as cvimg cv.imread(star.jpg,0)ret,thresh cv.threshold(img,127,255,0)contours,hierarchy cv.findContours(thresh, 1, 2)cnt contours[0]M cv.moments(cnt)
print( M )rect cv.minAreaRect(cnt)
box cv.boxPoints(rect)
box np.int0(box)
cv.drawContours(img,[box],0,(0,0,255),2) 两个矩形都显示在一张单独的图像中。绿色矩形显示正常的边界矩形。红色矩形是旋转后的矩形。 8. 最小闭合圈 接下来使用函数 cv.minEnclosingCircle() 查找对象的圆周。它是一个以最小面积完全覆盖物体的圆。
import numpy as np
import cv2 as cvimg cv.imread(star.jpg,0)ret,thresh cv.threshold(img,127,255,0)contours,hierarchy cv.findContours(thresh, 1, 2)cnt contours[0]M cv.moments(cnt)
print( M )(x,y),radius cv.minEnclosingCircle(cnt)
center (int(x),int(y))
radius int(radius)
cv.circle(img,center,radius,(0,255,0),2) 9. 拟合一个椭圆 下一个是把一个椭圆拟合到一个物体上。它返回内接椭圆的旋转矩形。
import numpy as np
import cv2 as cvimg cv.imread(star.jpg,0)ret,thresh cv.threshold(img,127,255,0)contours,hierarchy cv.findContours(thresh, 1, 2)cnt contours[0]M cv.moments(cnt)
print( M )ellipse cv.fitEllipse(cnt)
cv.ellipse(img,ellipse,(0,255,0),2) 10. 拟合直线 同样我们可以将一条直线拟合到一组点。下图包含一组白点。我们可以近似一条直线。
import numpy as np
import cv2 as cvimg cv.imread(star.jpg,0)ret,thresh cv.threshold(img,127,255,0)contours,hierarchy cv.findContours(thresh, 1, 2)cnt contours[0]M cv.moments(cnt)
print( M )rows,cols img.shape[:2]
[vx,vy,x,y] cv.fitLine(cnt, cv.DIST_L2,0,0.01,0.01)
lefty int((-x*vy/vx) y)
righty int(((cols-x)*vy/vx)y)
cv.line(img,(cols-1,righty),(0,lefty),(0,255,0),2)
12. 长宽比 它是对象边界矩形的宽度与高度的比值。 x,y,w,h cv.boundingRect(cnt)
aspect_ratio float(w)/h12. 范围 范围是轮廓区域与边界矩形区域的比值。 area cv.contourArea(cnt)
x,y,w,h cv.boundingRect(cnt)
rect_area w*h
extent float(area)/rect_area13. 坚实度 坚实度是等高线面积与其凸包面积之比。 area cv.contourArea(cnt)
hull cv.convexHull(cnt)
hull_area cv.contourArea(hull)
solidity float(area)/hull_area14. 等效直径 等效直径是面积与轮廓面积相同的圆的直径。 area cv.contourArea(cnt)
equi_diameter np.sqrt(4*area/np.pi)15. 取向 取向是物体指向的角度。以下方法还给出了主轴和副轴的长度。
(x,y),(MA,ma),angle cv.fitEllipse(cnt)16. 掩码和像素点 在某些情况下我们可能需要构成该对象的所有点。可以按照以下步骤完成
mask np.zeros(imgray.shape,np.uint8)
cv.drawContours(mask,[cnt],0,255,-1)
pixelpoints np.transpose(np.nonzero(mask))
#pixelpoints cv.findNonZero(mask)这里提供了两个方法一个使用Numpy函数另一个使用OpenCV函数(最后的注释行)。结果也是一样的只是略有不同。Numpy给出的坐标是(行、列)格式而OpenCV给出的坐标是(x,y)格式。所以基本上答案是可以互换的。注意row x, column y。
17. 最大值最小值和它们的位置 我们可以使用掩码图像找到这些参数。
min_val, max_val, min_loc, max_loc cv.minMaxLoc(imgray,mask mask)18. 平均颜色或平均强度 在这里我们可以找到对象的平均颜色。或者可以是灰度模式下物体的平均强度。我们再次使用相同的掩码进行此操作。
mean_val cv.mean(im,mask mask)19. 极端点 极点是指对象的最顶部最底部最右侧和最左侧的点。
leftmost tuple(cnt[cnt[:,:,0].argmin()][0])
rightmost tuple(cnt[cnt[:,:,0].argmax()][0])
topmost tuple(cnt[cnt[:,:,1].argmin()][0])
bottommost tuple(cnt[cnt[:,:,1].argmax()][0])例如如果我将其应用于印度地图则会得到以下结果
