Python 使用Opencv实现边缘检测以及轮廓检测

た入场券 2022-05-23 01:22 727阅读 0赞

\----------欢迎加入学习交流QQ群：657341423

--------------------

**边缘检测**  
Canny边缘检测器是一种被广泛使用的算法，并被认为是边缘检测最优的算法，该方法使用了比高斯差分算法更复杂的技巧，如多向灰度梯度和滞后阈值化。

Canny边缘检测器算法基本步骤：

1.  平滑图像：通过使用合适的模糊半径执行高斯模糊来减少图像内的噪声。
2.  计算图像的梯度：这里计算图像的梯度，并将梯度分类为垂直、水平和斜对角。这一步的输出用于在下一步中计算真正的边缘。
3.  非最大值抑制：利用上一步计算出来的梯度方向，检测某一像素在梯度的正方向和负方向上是否是局部最大值，如果是，则抑制该像素（像素不属于边缘）。这是一种边缘细化技术，用最急剧的变换选出边缘点。
4.  用滞后阈值化选择边缘：最后一步，检查某一条边缘是否明显到足以作为最终输出，最后去除所有不明显的边缘。

Opencv使用Canny边缘检测相对简单，代码如下：

import cv2
    import numpy as np
    
    img = cv2.imread("hammer.jpg", 0)
    cv2.imwrite("canny.jpg", cv2.Canny(img, 200, 300))
    cv2.imshow("canny", cv2.imread("canny.jpg"))
    cv2.waitKey()
    cv2.destroyAllWindows()

运行结果：  
![这里写图片描述][70]  
Canny函数的原型为：

cv2.Canny(image, threshold1, threshold2[, edges[, apertureSize[, L2gradient ]]])   
    必要参数：
    第一个参数是需要处理的原图像，该图像必须为单通道的灰度图；
    第二个参数是滞后阈值1；
    第三个参数是滞后阈值2。

--------------------

**轮廓检测**  
轮廓检测主要由cv2.findContours函数实现的。  
函数的原型为

cv2.findContours(image, mode, method[, contours[, hierarchy[, offset ]]])

**函数参数**  
第一个参数是寻找轮廓的图像；

第二个参数表示轮廓的检索模式，有四种（本文介绍的都是新的cv2接口）：

1.  cv2.RETR\_EXTERNAL表示只检测外轮廓 。
2.  cv2.RETR\_LIST检测的轮廓不建立等级关系。
3.  cv2.RETR\_CCOMP建立两个等级的轮廓，上面的一层为外边界，里面的一层为内孔的边界信息。如果内孔内还有一个连通物体，这个物体的边界也在顶层。
4.  cv2.RETR\_TREE建立一个等级树结构的轮廓。

第三个参数method为轮廓的逼近方法

1.  cv2.CHAIN\_APPROX\_NONE存储所有的轮廓点，相邻的两个点的像素位置差不超过1，即max（abs（x1-x2），abs（y2-y1））==1。
2.  cv2.CHAIN\_APPROX\_SIMPLE压缩水平方向，垂直方向，对角线方向的元素，只保留该方向的终点坐标，例如一个矩形轮廓只需4个点来保存轮廓信息。
3.  cv2.CHAIN\_APPROX\_TC89\_L1和cv2.CHAIN\_APPROX\_TC89\_KCOS都是使用teh-Chinl chain近似算法。

**返回值**  
如：image, contours, hier = cv2.findContours(thresh, cv2.RETR\_EXTERNAL, cv2.CHAIN\_APPROX\_SIMPLE)

image：是原图像

contours：图像的轮廓，以列表的形式表示，每个元素都是图像中的一个轮廓。

hier：相应轮廓之间的关系。这是一个ndarray，其中的元素个数和轮廓个数相同，每个轮廓contours\[i\]对应4个hierarchy元素hierarchy\[i\]\[0\] ~hierarchy\[i\]\[3\]，分别表示后一个轮廓、前一个轮廓、父轮廓、内嵌轮廓的索引编号，如果没有对应项，则该值为负数。

--------------------

原图：  
![这里写图片描述][70 1]  
示例一

import cv2
    import numpy as np
    
    img = cv2.pyrDown(cv2.imread("hammer.jpg", cv2.IMREAD_UNCHANGED))
    # threshold 函数对图像进行二化值处理，由于处理后图像对原图像有所变化，因此img.copy()生成新的图像，cv2.THRESH_BINARY是二化值
    ret, thresh = cv2.threshold(cv2.cvtColor(img.copy(), cv2.COLOR_BGR2GRAY), 127, 255, cv2.THRESH_BINARY)
    # findContours函数查找图像里的图形轮廓
    # 函数参数thresh是图像对象
    # 层次类型，参数cv2.RETR_EXTERNAL是获取最外层轮廓，cv2.RETR_TREE是获取轮廓的整体结构
    # 轮廓逼近方法
    # 输出的返回值，image是原图像、contours是图像的轮廓、hier是层次类型
    image, contours, hier = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
    
    for c in contours:
        # 轮廓绘制方法一
        # boundingRect函数计算边框值，x，y是坐标值，w，h是矩形的宽和高
        x, y, w, h = cv2.boundingRect(c)
        # 在img图像画出矩形，(x, y), (x + w, y + h)是矩形坐标，(0, 255, 0)设置通道颜色，2是设置线条粗度
        cv2.rectangle(img, (x, y), (x + w, y + h), (0, 255, 0), 2)
    
        # 轮廓绘制方法二
        # 查找最小区域
        rect = cv2.minAreaRect(c)
        # 计算最小面积矩形的坐标
        box = cv2.boxPoints(rect)
        # 将坐标规范化为整数
        box = np.int0(box)
        # 绘制矩形
        cv2.drawContours(img, [box], 0, (0, 0, 255), 3)
    
        # 轮廓绘制方法三
        # 圆心坐标和半径的计算
        (x, y), radius = cv2.minEnclosingCircle(c)
        # 规范化为整数
        center = (int(x), int(y))
        radius = int(radius)
        # 勾画圆形区域
        img = cv2.circle(img, center, radius, (0, 255, 0), 2)
    
    # # 轮廓绘制方法四
    # 围绕图形勾画蓝色线条
    cv2.drawContours(img, contours, -1, (255, 0, 0), 2)
    # 显示图像
    cv2.imshow("contours", img)
    cv2.waitKey()
    cv2.destroyAllWindows()

运行结果如图所示：  
![这里写图片描述][70 2]

示例二

import cv2
    import numpy as np
    
    img = cv2.pyrDown(cv2.imread("hammer.jpg", cv2.IMREAD_UNCHANGED))
    ret, thresh = cv2.threshold(cv2.cvtColor(img.copy(), cv2.COLOR_BGR2GRAY) , 127, 255, cv2.THRESH_BINARY)
    # findContours函数查找图像里的图形轮廓
    # 函数参数thresh是图像对象
    # 层次类型，参数cv2.RETR_EXTERNAL是获取最外层轮廓，cv2.RETR_TREE是获取轮廓的整体结构
    # 轮廓逼近方法
    # 输出的返回值，image是原图像、contours是图像的轮廓、hier是层次类型
    image, contours, hier = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
    # 创建新的图像black
    black = cv2.cvtColor(np.zeros((img.shape[1], img.shape[0]), dtype=np.uint8), cv2.COLOR_GRAY2BGR)
    
    
    for cnt in contours:
        # 轮廓周长也被称为弧长。可以使用函数 cv2.arcLength() 计算得到。这个函数的第二参数可以用来指定对象的形状是闭合的（True） ，还是打开的（一条曲线）
        epsilon = 0.01 * cv2.arcLength(cnt, True)
        # 函数approxPolyDP来对指定的点集进行逼近，cnt是图像轮廓，epsilon表示的是精度，越小精度越高，因为表示的意思是是原始曲线与近似曲线之间的最大距离。
        # 第三个函数参数若为true,则说明近似曲线是闭合的，它的首位都是相连，反之，若为false，则断开。
        approx = cv2.approxPolyDP(cnt, epsilon, True)
        # convexHull检查一个曲线的凸性缺陷并进行修正，参数cnt是图像轮廓。
        hull = cv2.convexHull(cnt)
        # 勾画图像原始的轮廓
        cv2.drawContours(black, [cnt], -1, (0, 255, 0), 2)
        # 用多边形勾画轮廓区域
        cv2.drawContours(black, [approx], -1, (255, 255, 0), 2)
        # 修正凸性缺陷的轮廓区域
        cv2.drawContours(black, [hull], -1, (0, 0, 255), 2)
    # 显示图像
    cv2.imshow("hull", black)
    cv2.waitKey()
    cv2.destroyAllWindows()

运行结果如图所示：  
![这里写图片描述][70 3]

--------------------

参考资料：OpenCV 3计算机视觉 Python语言实现第二版

[70]: /images/20220523/c4e8110283044e36b1c0f582e2008e31.png
[70 1]: /images/20220523/851f24a9f5de4754aabfe930cc7eaf5c.png
[70 2]: /images/20220523/3bb62dd8a3a04060be52aa0c1e9ceea9.png
[70 3]: /images/20220523/21386d8d619841af9a42be1e7be74948.png