Python OpenCV实现图形检测示例详解_python_

图形检测在计算机视觉开发中是一项非常重要的操作，算法通过对图像的检测，分析出图像中可能存在哪些形状。除此之外，除了让计算机识别轮廓之外，轮廓也需要让人看到，这就需要再分别读这些轮廓的形状进行描绘。

1. 轮廓识别与描绘

cv2.findContours() & cv2.drawContours() 方法

在Python中OpenCV提供了findContours() 方法来判断图像的轮廓，drawContours()方法来绘制轮廓。

1.1 cv2.findComtours()方法

cv2.findComtours()方法的语法如下

cv2.contours, hierarchy = findContours(image, mode, method)

其中

• image 即原图像
• mode 轮廓检索模式，具体参数被总结在了下表中
• method 使用的方法，具体参数也被总结在了下表中

contours是一个列表，列表的每一个元素都是由某个轮廓的像素的坐标组成的数组。

hierarchy是轮廓与轮廓之间的层次关系。

mode取值表

method取值表

1.2 cv2.drawContours() 方法

cv2.drawContours(image, contours, contourIdx, color, thickness=None, lineType=None, hierarchy=None, maxLevel=None, offset=None)

• image 目标图像
• contours findComtours()方法得到的轮廓列表
• contourldx 轮廓中列表中，绘制轮廓的对象的索引，如果为-1则表示绘制所有
• color 绘制线条时的颜色，使用BGR格式描述
• thickness 线条粗细程度，-1表示实心
• lineType 绘制轮廓时线条的类型（可选参数）
• hierarchy findComtours()方法得到的层次关系（可选参数）
• maxLevel 绘制轮廓的层次深度，最深绘制在maxLevel层。（可选参数）
• offset 偏移量 （可选参数）

drawContours() 方法返回的是一个图像（数组）。

1.3 代码示例

以队此小鸟图操作为例（test1.jpg）：

import cv2 img = cv2.imread("test1.jpg") # 彩色图像转为变成单通道灰度图像 gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 二值化处理 t, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY) # 检测图像中出现的所有轮廓，记录轮廓的每一个点 contours, hierarchy = cv2.findContours(binary, cv2.RETR_LIST, cv2.CHAIN_APPROX_NONE) # 绘制所有轮廓，宽度为5，颜色为红色 cv2.drawContours(img, contours, -1, (0, 0, 255), 5) cv2.imshow("img", img) cv2.waitKey() cv2.destroyAllWindows() 

程序执行结果展示如下，图中所有能够识别出的轮廓被描出：

2. 轮廓拟合

轮廓拟合，即，将凹凸不平的轮廓用平整的几何图形体现出来。这里展示使用矩形和圆形拟合两种方法。

2.1 矩形包围框拟合 - cv2.boundingRect()

在Python中OpenCV提供了cv2.boundingRect()来计算轮廓的最小矩形边界的坐标 ，其语法如下

retval = cv2.boundingRect(array)

其中参数array为轮廓数组。即，cv2.findComtours()方法的执行结果中的contours中的元素。

返回值retval是一个包含着四个整数值的元组，四个值依次是左上角顶点的横坐标，左上角顶点的纵坐标，矩形的宽，矩形的高。

常常也可以写成x,y,w,h = retval = cv2.boundingRect(array)

还以这张小鸟图片（test1.jpg）为例，在上一个部分的示例中，我们找出并绘制出了图中所有的轮廓，经过调试，发现被识别出的轮廓共有94个。

我们要从数组列表中，选择出表示小鸟轮廓的位置的数组。

从上图中可以看出，小鸟的轮廓是所有轮廓中最大的。即该数组的 shape[0] 最大。即我们只用找出 shape[0]最大的即可。

import cv2 img = cv2.imread("test1.jpg")  # 从彩色图像变成单通道灰度图像 gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)   # 将灰度图像进行二值化阈值处理 t, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY) # 获取二值化图像中的轮廓极轮廓层次数据 contours, hierarchy = cv2.findContours(binary, cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE) # 找出小鸟的轮廓 n1 = 1 n2 = 0 index = 0 for arr in contours:     if len(arr) > n1:         n1 = len(arr)         index = n2     n2 += 1 print(index) x, y, w, h = cv2.boundingRect(contours[index]) # 绘制红色矩形 cv2.rectangle(img, (x, y), (x + w, y + h), (0, 0, 255), 2)   cv2.imshow("img", img)  cv2.waitKey() cv2.destroyAllWindows() 

绘制出矩形包围框效果如下：

2.2圆形包围框拟合 - cv2.minEnclosingCircle()

在Python中OpenCV提供了cv2.minEnclosingCircle()来计算轮廓的最小圆形边界的圆心和半径 ，其语法如下

center,radius = minEnclosingCircle(points)

其中

• points的轮廓数组
• center最小圆形包围框的圆心的横纵坐标。是元组类型。
• radius是最小圆形包围款更多半径，浮点类型。

同样的算法，只是这次调用cv2.minEnclosingCircle()方法，其他不变：

import cv2 img = cv2.imread("test1.jpg") # 读取原图 gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 从彩色图像变成单通道灰度图像 # 将灰度图像进行二值化阈值处理 t, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY) # 获取二值化图像中的轮廓极轮廓层次数据 contours, hierarchy = cv2.findContours(binary, cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE) n1 = 1 n2 = 0 index = 0 for arr in contours: if len(arr) > n1: n1 = len(arr) index = n2 n2 += 1 center, radius = cv2.minEnclosingCircle(contours[index]) # 圆心点横坐标转为近似整数 x = int(round(center[0])) # 圆心点纵坐标转为近似整数 y = int(round(center[1])) cv2.circle(img, (x, y), int(radius), (0, 0, 255), 2) cv2.imshow("img", img) cv2.waitKey() cv2.destroyAllWindows() 

绘制出圆形包围框效果如下（因为尺寸问题，只画出了一部分）：

3. 凸包 绘制

使用矩形框和圆形框对图形的贴合程度往往都会较差。为了提高这个贴合程度，我们可以使用“凸包”。

所谓凸包，就是最逼近轮廓的多边形。

在Python中OpenCV提供了 cv2.bonvexHull()方法来计算凸包

cv2.bonvexHull()方法语法如下：

hull = convexHull(points, clockwise=None, returnPoints=None)

其中

• points 是轮廓数组
• clockwise 是布尔类型的参数，默认为True，表示凸包中的点按顺时针排序，为False时则按逆时针 排序。
• returnPoints 是布尔类型的参数，默认为True时返回点坐标。如果为False则返回点索引。

返回值hull是凸包的点阵数组

依然以“test1.jpg为例”，为图中的小鸟绘制凸包：

import cv2 img = cv2.imread("test1.jpg") # 转为灰度图像 gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 二值化阈值处理 ret, binary = cv2.threshold(gray, 127, 225, cv2.THRESH_BINARY) # 检测图像中出现的所有轮廓 contours, hierarchy = cv2.findContours(binary, cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE) n1 = 1 n2 = 0 index = 0 for arr in contours: if len(arr) > n1: n1 = len(arr) index = n2 n2 += 1 hull = cv2.convexHull(contours[index]) cv2.polylines(img, [hull], True, (0, 0, 255), 2) cv2.imshow("img", img) cv2.waitKey() cv2.destroyAllWindows() 

4. Canny边缘检测 - cv2.Canny()

4.1 cv2.Canny() 用法简介

Canny边缘检测算法是John F.Canny在1986年开发的一个多级边缘检测算法。

Canny边缘检测算法通过像素的梯度变化寻找图像的边缘，最终可以绘制出十分精细的二值边缘图像

edges = cv2.Canny(image, threshold1, threshold2, apertureSize=None, L2gradient=None)

其中

• image 即原图像
• threshold1   第一个阈值，一般为最小阈值
• threshold2   第二个阈值，一般为最大阈值
• apertureSize  Sobel算子的孔径大小
• L2gradient 计算图像梯度的标识。默认为False。为True时采用更精准的算法进行计算。

关于这两个阈值怎么用，这涉及到了算法的底层逻辑，还请自行探索。这里一种可以接受的解释是：低于阈值1的像素点，会被认为不构成边缘，而高于阈值2的像素点，会被认为构成边缘。

最后返回值edges是一个二值的灰度图像。

4.2 代码示例

下边对test1.jpg以三组不同的阈值来做Canny边缘检测，根据处理结果感受算法效果：

- 当阈值为 10-50 时

import cv2 img = cv2.imread("test1.jpg") r1 = cv2.Canny(img, 10, 50) cv2.imshow("r1", r1) cv2.waitKey() cv2.destroyAllWindows() 

- 当阈值为100-200时

import cv2 img = cv2.imread("test1.jpg") r2 = cv2.Canny(img, 100, 200) cv2.imshow("r2", r2) cv2.waitKey() cv2.destroyAllWindows()

- 当阈值为400-600时

import cv2 img = cv2.imread("test1.jpg") r3 = cv2.Canny(img, 400, 600) cv2.imshow("r3", r3) cv2.waitKey() cv2.destroyAllWindows()

5. 霍夫变换

5.1 概述

霍夫变换是一种特征检测，通过霍夫变换可以检测出图像中存在的特殊的形状。比如，直线，圆等。

霍夫变换检测直线时，算法有两个，

一个是cv2.HoughLines() 方法，用于检测无限延长的直线；

另一个是cv2.HoughLinesP() 方法，用于检测线段。

霍夫变换检测圆，使用的是**cv2.HoughCircles()**方法。

使用这三个方法前，都要

提示： 本文由神整理自网络，如有侵权请联系本站删除！
本站声明：
1、本站所有资源均来源于互联网，不保证100%完整、不提供任何技术支持；
2、本站所发布的文章以及附件仅限用于学习和研究目的;不得将用于商业或者非法用途；否则由此产生的法律后果，本站概不负责！