使用Python，OpenCV进行基本的图像处理——提取红色圆圈轮廓并绘制

Posted 2021-09-15 程序媛一枚~

使用Python，OpenCV进行基本的图像处理——提取红色圆圈轮廓并绘制

• • 1. 效果图
  • 2. 源码

写这篇博客源于博友的提问，想提取图片中的红色圆圈坐标，并绘制封闭的轮廓。

看到这个首先有几个解决思路：

1. 霍夫圆提取
2. 圆圈均是红色，可以转换HSV色彩空间提取
3. 应用一系列图像处理：灰度图、形态学操作、阈值化进行简单提取

一个一个尝试，霍夫圆不是很理想，调整了参数，也没有全部提取到，只提取到了部分。
HSV色彩空间提取红色，因为对红色的HSV范围设置的不够合理，效果也不是很好。
还是使用一系列图像处理，得到了比较理想的结果。

1. 效果图

检测原始图 VS 效果图如下：

可以看到右图中，轮廓被用闭合的绿色轮廓连接起来。

检测过程1——原图 VS 剪裁后图如下：

• 裁剪后图：忽略边界坐标轴对轮廓提取的影响；
  

检测过程2—— 灰度图 VS 白帽图 VS 梯度图 VS 形态学闭合图如下：

• 灰度图：忽略色彩影响；
• 白帽图：从较暗的背景中提取较亮的区域
• 梯度图：计算Schaar梯度图，使用梯度来检测图像中的边缘，更好的在图像中找到对象的轮廓和边缘线；
• 形态学闭合图：矩形框形态学闭合操作，以帮助闭合轮廓间小的缝隙

检测过程3——形态学闭合图 VS 二值化图1 VS 阈值化图2 如下：

• 二值化图：使得图像以白色前景和黑色背景呈现，以便于轮廓提取
• 阈值化图：方形框形态学闭合操作，以二次帮助闭合小的缝隙

识别过程3——轮廓过滤图 VS 提取最终效果图 如下：

轮廓过滤图：根据面积只保留够大的轮廓图（截取完的图片只包含俩个轮廓，无需过滤，用原始图则需要过滤）
最终效果图：俩个大的轮廓被成功提取

绘制检测到的轮廓的组成点为蓝色空心圆形，绘制轮廓为绿色矩形。

检测结果——裁剪后图检测效果图 VS 原图直接检测效果图对比：

可以看到当直接使用原图进行上述检测，坐标轴边界会有干扰，结果中会检测出多余的轮廓。

2. 源码

# 提取圆圈的轮廓，并绘制
import cv2
import imutils
import numpy as np

# 初始化矩形和方形结构内核
# 在图像上滑动它来进行（卷积）操作，如模糊、锐化、边缘检测或其他图像处理操作。
# 使用矩形函数作为Top-hat形态学运算符，使用方形函数作为闭合运算。
rectKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (9, 3))
sqKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))

# 加载输入图像，转换为灰度图
origin = cv2.imread('images/circle.png')
image = origin.copy()
width = 75
height = 34

# # 只截取有轮廓的区域，避免坐标轴线等干扰
image = image[height:369, width:512]
cv2.imshow("origin", origin)
cv2.imshow("crop", image)
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
cv2.imshow("gray", gray)

# 执行形态学操作
# 应用tophat（白帽）形态学操作以在暗的背景中提取出亮的区域
# Top hat操作在深色背景（即信用卡号）下显示浅色区域
tophat = cv2.morphologyEx(gray, cv2.MORPH_TOPHAT, rectKernel)
cv2.imshow("tophat", tophat)

# 计算Scharr梯度，计算梯度值
# 在白色礼帽上，计算x方向的Scharr梯度，然后缩放到范围[0, 255]
gradX = cv2.Sobel(tophat, ddepth=cv2.CV_32F, dx=1, dy=0, ksize=-1)
gradX = np.absolute(gradX)
(minVal, maxVal) = (np.min(gradX), np.max(gradX))
# 最小/最大归一化, 由float转换gradX到uint8范围[0-255]
gradX = (255 * ((gradX - minVal) / (maxVal - minVal)))
gradX = gradX.astype("uint8")
cv2.imshow("gradient", gradX)

# 使用矩形框应用闭合操作以帮助闭合信用卡数字之间的小的缝隙
# 应用Otsu's阈值方法二值化图像
gradX = cv2.morphologyEx(gradX, cv2.MORPH_CLOSE, rectKernel)
cv2.imshow("morphologyEx", gradX)
thresh = cv2.threshold(gradX, 0, 255,
                       cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]
cv2.imshow("thresh1", thresh)

# 在二值化图像上，应用二次闭合操作
# 再一次方形框形态学操作，帮助闭合小的的缝隙
thresh = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, sqKernel)
cv2.imshow("thresh2", thresh)

# 阈值图像中查找轮廓，然后初始化数字位置列表
cnts = cv2.findContours(thresh.copy(), cv2.RETR_EXTERNAL,
                        cv2.CHAIN_APPROX_SIMPLE)
cnts = imutils.grab_contours(cnts)
print(len(cnts))

img = image.copy()
# 遍历轮廓
for (i, c) in enumerate(cnts):
    area = cv2.contourArea(c)
    print(i, area)
    # 根据面积过滤掉不符合的轮廓
    if (area < 4000):
        continue
    # print(' c: ', type(c), c.shape, c[0], type([c]))

    cc = c.copy()
    cc[:, :, 0] += width
    cc[:, :, 1] += height
    # print('cc: ', type(cc), cc.shape, cc[0])

    for coor in c:
        # 在轮廓的每个小圆上绘制蓝色圆圈
        cv2.circle(img, (coor[0][0],coor[0][1]),5, (255, 0, 0), 1)
    cv2.drawContours(origin, [cc], -1, (0, 255, 0), 2)
    cv2.drawContours(image, [c], -1, (0, 255, 0), 2)

cv2.imshow("origin res", origin)
cv2.imshow("img res", img)
cv2.imshow("image res", image)
cv2.imwrite("images/crop_circle_extract.jpg",image)
cv2.waitKey(0)