OpenCV-Python实战(11)——OpenCV轮廓检测相关应用
Posted 盼小辉丶
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了OpenCV-Python实战(11)——OpenCV轮廓检测相关应用相关的知识,希望对你有一定的参考价值。
0. 前言
在计算机视觉领域,轮廓通常指图像中对象边界的一系列点。因此,轮廓通常描述了对象边界的关键信息,包含了有关对象形状的主要信息,该信息可用于形状分析与对象检测和识别。我们已经在《OpenCV轮廓检测》中介绍了如何检测和绘制轮廓,在本文中,我们将继续学习如何利用获取到的轮廓,进行形状分析以及对象检测和识别。
1. 轮廓绘制
在《OpenCV轮廓检测》中,我们介绍了如何从图像矩计算获取轮廓属性(例如,质心,面积,圆度或偏心等)。除此之外,OpenCV
还提供了一些其他用于进一步描述轮廓的函数。
cv2.boundingRect()
返回包含轮廓所有点的最小边界矩形:
x, y, w, h = cv2.boundingRect(contours[0])
cv2.minAreaRect()
返回包含轮廓所有点的最小旋转(如有必要)矩形:
rotated_rect = cv2.minAreaRect(contours[0])
为了提取旋转矩形的四个点,可以使用 cv2.boxPoints()
函数,返回旋转矩形的四个顶点:
box = cv2.boxPoints(rotated_rect)
cv2.minEnclosingCircle()
返回包含轮廓所有点的最小圆(该函数返回圆心和半径):
(x, y), radius = cv2.minEnclosingCircle(contours[0])
cv2.fitEllipse()
返回包含轮廓所有点的椭圆(具有最小平方误差):
ellipse = cv2.fitEllipse(contours[0])
cv2.approxPolyDP()
基于给定精度返回给定轮廓的轮廓近似,此函数使用 Douglas-Peucker
算法:
approx = cv2.approxPolyDP(contours[0], epsilon, True)
其中,epsilon
参数用于确定精度,确定原始曲线之间的最大距离及其近似。因此,由此产生的轮廓是类似于给定的轮廓的压缩轮廓。
接下来,我们使用与轮廓相关的 OpenCV
函数计算给定轮廓的外端点,在具体讲解代码时,首先看下结果图像,以更好的理解上述函数:
首先编写 extreme_points()
用于计算定义给定轮廓的四个外端点:
def extreme_points(contour):
"""检测轮廓的极值点"""
extreme_left = tuple(contour[contour[:, :, 0].argmin()][0])
extreme_right = tuple(contour[contour[:, :, 0].argmax()][0])
extreme_top = tuple(contour[contour[:, :, 1].argmin()][0])
extreme_bottom = tuple(contour[contour[:, :, 1].argmax()][0])
return extreme_left, extreme_right, extreme_top, extreme_bottom
np.argmin()
沿轴返回最小值的索引,在多个出现最小值的情况下返回第一次出现的索引;而 np.argmax()
返回最大值的索引。一旦索引 index 计算完毕,就可以利用索引获取阵列的相应元素(例如,contour[index]
——[[40 320]]
),如果要访问第一个元素,则使用 contour[index][0]
——[40 320]
;最后,我们将其转换为元组:tuple(contour[index][0]
——(40,320)
,用以绘制轮廓点。
def array_to_tuple(arr):
"""将列表转换为元组"""
return tuple(arr.reshape(1, -1)[0])
def draw_contour_points(img, cnts, color):
"""绘制所有检测到的轮廓点"""
for cnt in cnts:
squeeze = np.squeeze(cnt)
for p in squeeze:
pp = array_to_tuple(p)
cv2.circle(img, pp, 10, color, -1)
return img
def draw_contour_outline(img, cnts, color, thickness=1):
"""绘制所有轮廓"""
for cnt in cnts:
cv2.drawContours(img, [cnt], 0, color, thickness)
def show_img_with_matplotlib(color_img, title, pos):
"""图像可视化"""
img_RGB = color_img[:, :, ::-1]
ax = plt.subplot(2, 3, pos)
plt.imshow(img_RGB)
plt.title(title, fontsize=8)
plt.axis('off')
# 加载图像并转换为灰度图像
image = cv2.imread("example.png")
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
# 阈值处理转化为二值图像
ret, thresh = cv2.threshold(gray_image, 60, 255, cv2.THRESH_BINARY)
# 利用二值图像检测图像中的轮廓
contours, hierarchy = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)
# 显示检测到的轮廓数
print("detected contours: '{}' ".format(len(contours)))
# 创建原始图像的副本以执行可视化
boundingRect_image = image.copy()
minAreaRect_image = image.copy()
fitEllipse_image = image.copy()
minEnclosingCircle_image = image.copy()
approxPolyDP_image = image.copy()
# 1. cv2.boundingRect()
x, y, w, h = cv2.boundingRect(contours[0])
cv2.rectangle(boundingRect_image, (x, y), (x + w, y + h), (0, 255, 0), 5)
# 2. cv2.minAreaRect()
rotated_rect = cv2.minAreaRect(contours[0])
box = cv2.boxPoints(rotated_rect)
box = np.int0(box)
cv2.polylines(minAreaRect_image, [box], True, (0, 0, 255), 5)
# 3. cv2.minEnclosingCircle()
(x, y), radius = cv2.minEnclosingCircle(contours[0])
center = (int(x), int(y))
radius = int(radius)
cv2.circle(minEnclosingCircle_image, center, radius, (255, 0, 0), 5)
# 4. cv2.fitEllipse()
ellipse = cv2.fitEllipse(contours[0])
cv2.ellipse(fitEllipse_image, ellipse, (0, 255, 255), 5)
# 5. cv2.approxPolyDP()
epsilon = 0.01 * cv2.arcLength(contours[0], True)
approx = cv2.approxPolyDP(contours[0], epsilon, True)
draw_contour_outline(approxPolyDP_image, [approx], (255, 255, 0), 5)
draw_contour_points(approxPolyDP_image, [approx], (255, 0, 255))
# 检测轮廓的极值点
left, right, top, bottom = extreme_points(contours[0])
cv2.circle(image, left, 20, (255, 0, 0), -1)
cv2.circle(image, right, 20, (0, 255, 0), -1)
cv2.circle(image, top, 20, (0, 255, 255), -1)
cv2.circle(image, bottom, 20, (0, 0, 255), -1)
# 可视化
show_img_with_matplotlib(image, "image and extreme points", 1)
show_img_with_matplotlib(boundingRect_image, "cv2.boundingRect()", 2)
show_img_with_matplotlib(minAreaRect_image, "cv2.minAreaRect()", 3)
show_img_with_matplotlib(minEnclosingCircle_image, "cv2.minEnclosingCircle()", 4)
show_img_with_matplotlib(fitEllipse_image, "cv2.ellipse()", 5)
show_img_with_matplotlib(approxPolyDP_image, "cv2.approxPolyDP()", 6)
plt.show()
我们还可以测试在其他图像上的效果:
2. 轮廓筛选
如果想要计算检测到的轮廓的大小,可以使用基于图像矩的方法或使用 OpenCV
函数 cv2.contourArea()
来计算检测到的轮廓的大小,接下来,让我们将根据每个检测到的轮廓大小对其进行排序,在实践中,某些小的轮廓可能是噪声导致的,可能需要对轮廓进行筛选。
我们首先在画布上绘制不同半径的圆,用于后续检测:
# 画布
image = np.ones((300,700,3), dtype='uint8')
# 绘制不同半径的圆
cv2.circle(image, (20, 20), 8, (64, 128, 0), -1)
cv2.circle(image, (60, 80), 25, (128, 255, 64), -1)
cv2.circle(image, (100, 180), 50, (64, 255, 64), -1)
cv2.circle(image, (200, 250), 45, (255, 128, 64), -1)
cv2.circle(image, (300, 250), 30, (35, 128, 35), -1)
cv2.circle(image, (380, 100), 15, (125, 255, 125), -1)
cv2.circle(image, (600, 210), 55, (125, 125, 255), -1)
cv2.circle(image, (450, 150), 60, (0, 255, 125), -1)
cv2.circle(image, (330, 180), 20, (255, 125, 0), -1)
cv2.circle(image, (500, 60), 35, (125, 255, 0), -1)
cv2.circle(image, (200, 80), 65, (125, 64, 125), -1)
cv2.circle(image, (620, 80), 48, (255, 200, 128), -1)
cv2.circle(image, (400, 260), 28, (255, 255, 0), -1)
接下来,检测图中轮廓:
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
# 阈值处理
ret, thresh = cv2.threshold(gray_image, 50, 255, cv2.THRESH_BINARY)
# 检测轮廓
contours, hierarchy = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)
# 打印检测到的轮廓数
print("detected contours: '{}' ".format(len(contours)))
根据每个检测到的轮廓大小进行排序:
def sort_contours_size(cnts):
"""根据大小对轮廓进行排序"""
cnts_sizes = [cv2.contourArea(contour) for contour in cnts]
(cnts_sizes, cnts) = zip(*sorted(zip(cnts_sizes, cnts)))
return cnts_sizes, cnts
(contour_sizes, contours) = sort_contours_size(contours)
最后进行可视化:
for i, (size, contour) in enumerate(zip(contour_sizes, contours)):
# 计算轮廓的矩
M = cv2.moments(contour)
# 质心
cX = int(M['m10'] / M['m00'])
cY = int(M['m01'] / M['m00'])
# get_position_to_draw() 函数与上例相同
(x, y) = get_position_to_draw(str(i + 1), (cX, cY), cv2.FONT_HERSHEY_SIMPLEX, 2, 5)
# 将排序结果置于形状的质心
cv2.putText(image, str(i + 1), (x, y), cv2.FONT_HERSHEY_SIMPLEX, 2, (255, 255, 255), 5)
# show_img_with_matplotlib() 函数与上例相同
show_img_with_matplotlib(image, 'image', 1)
show_img_with_matplotlib(image, "result", 2)
plt.show()
程序运行结果如下所示:
3. 轮廓识别
我们之前已经介绍了 cv2.approxPolyDP()
,它可以使用 Douglas Peucker
算法用较少的点来使一个轮廓逼近检测的轮廓。此函数中的一个关键参数是 epsilon
,其用于设置近似精度。我们使用 cv2.approxPolyDP()
,以便根据被抽取的轮廓中的检测到顶点的数量识别轮廓(例如,三角形,方形,矩形,五角形或六角形)。为了减少点数,给定某个轮廓,我们首先计算轮廓的边( perimeter
)。基于边,建立 epsilon
参数, epsilon
参数计算如下:
epsilon = 0.03 * perimeter
如果该常数变大(例如,从 0.03 变为 0.1 ),则 epsilon
参数也会更大,近似精度将减小,这导致具有较少点的轮廓,并且导致顶点的缺失,对轮廓的识别也将不正确,因为它基于检测到的顶点的数量;另一方面,如果该常数较小(例如,从0.03 变为 0.001),则 epsilon
参数也将变小,因此,近似精度将增加,将产生具有更多点的近似轮廓,对轮廓的识别同样会出现错误,因为获得了虚假顶点。
# 构建测试图像
image = np.ones((300,700,3), dtype='uint8')
cv2.circle(image, (100, 80), 65, (64, 128, 0), -1)
pts = np.array([[300, 10], [400, 150], [200, 150]], np.int32)
pts = pts.reshape((-1, 1, 2))
cv2.fillPoly(image, [pts], (64, 255, 64))
cv2.rectangle(image, (450, 20),(650, 150),(125, 125, 255),-1)
cv2.rectangle(image, (50, 180),(150, 280),(255, 125, 0),-1)
pts = np.array([[365, 220], [320, 282], [247, 258], [247, 182], [320, 158]], np.int32)
pts = pts.reshape((-1, 1, 2))
cv2.fillPoly(image, [pts], (125, 64, 125))
pts = np.array([[645, 220], [613, 276], [548, 276], [515, 220], [547, 164],[612, 164]], np.int32)
pts = pts.reshape((-1, 1, 2))
cv2.fillPoly(image,以上是关于OpenCV-Python实战(11)——OpenCV轮廓检测相关应用的主要内容,如果未能解决你的问题,请参考以下文章
《Nuitka打包实战指南》实战打包OpenCV-Python
OpenCV-Python实战(19)——OpenCV与深度学习的碰撞
OpenCV-Python实战(番外篇)——利用 SVM 算法识别手写数字
OpenCV-Python实战(番外篇)——OpenCV实现图像卡通化