Python第五周学习笔记 Opencv进阶

一、OpenCV基础——threshold函数的使用

图像的二值化就是将图像上的像素点的灰度值设置为0或255，这样将使整个图像呈现出明显的黑白效果。在数字图像处理中，二值图像占有非常重要的地位，图像的二值化使图像中数据量大为减少，从而能凸显出目标的轮廓。OpenCV中提供了函数cv::threshold();

threshold函数作用： 去掉噪，例如过滤很小或很大像素值的图像点。

threshold函数python版原型：

retval, dst = cv.threshold( src, thresh, maxval, type[, dst] ) 

参数说明：

• src：原图像。
• dst：结果图像。
• thresh：当前阈值。
• maxVal：最大阈值，一般为255.
• thresholdType:阈值类型，主要有下面几种：

enum ThresholdTypes {
    
    
    THRESH_BINARY     = 0,
    THRESH_BINARY_INV = 1,
    THRESH_TRUNC      = 2,
    THRESH_TOZERO     = 3,
    THRESH_TOZERO_INV = 4,
    THRESH_MASK       = 7,
    THRESH_OTSU       = 8,
    THRESH_TRIANGLE   = 16
};

返回值:

• retval： 与参数thresh一致
• dst： 结果图像

1、阈值理解

PS解释：“阈值”命令将灰度或彩色图像转换为高对比度的黑白图像。您可以指定某个色阶作为阈值。所有比阈值亮的像素转换为白色；而所有比阈值暗的像素转换为黑色。“阈值”命令对确定图像的最亮和最暗区域很有用。
这里的解释，就是拿黑白2色去阐述你的图片，是可调节的。

二、cv.findContours()寻找轮廓

轮廓可以简单地解释为连接具有相同颜色或强度的所有连续点（沿边界）的曲线。轮廓是用于形状分析以及对象检测和识别的有用工具。

• 为了获得更高的准确性，请使用二进制图像。因此，在找到轮廓之前，请应用阈值或canny边缘检测。
• 从OpenCV 3.2开始，findContours()不再修改源图像。
• 在OpenCV中，找到轮廓就像从黑色背景中找到白色物体。因此请记住，要找到的对象应该是白色，背景应该是黑色。

找到二进制图像的轮廓

# 找到二进制图像的轮廓
import numpy as np
import cv2 as cv

im = cv.imread('鸭子.jpg')
imgray = cv.cvtColor(im, cv.COLOR_BGR2GRAY)  # 得到灰度图
ret, thresh = cv.threshold(imgray, 127, 255, 0)  # 图像阈值/二值化
contours, hierarchy = cv.findContours(thresh, cv.RETR_TREE, cv.CHAIN_APPROX_SIMPLE)
# 输出等高线和层次结构                    原图像     轮廓检索模式     轮廓逼近方法

findcontour()函数中有三个参数，第一个是源图像，第二个是轮廓检索模式，第三个是轮廓逼近方法。输出等高线和层次结构。轮廓是图像中所有轮廓的Python列表。每个单独的轮廓是一个(x,y)坐标的Numpy数组的边界点的对象。

1、轮廓检索模式 cv.findContours()第二个参数

建立轮廓索引时，按照轮廓从小到大分配索引号。

RECT_EXTERNAL只检测最外层轮廓。
RECT_LIST检测所有轮廓。
这两种模式不建立轮廓等级关系，不管轮廓嵌套与否，均按照轮廓大小依次分配索引。

RECT_CCOMP，RECT_TREE检测所有轮廓
RECT_CCOMP在有轮廓嵌套时，无论嵌套个数多少，只建立两级等级关系
RECT_TREE在有轮廓嵌套时，建立多级等级关系

2、轮廓近似方法 cv.findContours()第三个参数

这是cv.findContours函数中的第三个参数。

上面我们告诉我们轮廓是强度相同的形状的边界。它存储形状边界的(x,y)坐标。但是它存储所有坐标吗？这是通过这种轮廓近似方法指定的。

如果传递cv.CHAIN_APPROX_NONE，则将存储所有边界点。但是实际上我们需要所有这些要点吗？例如，您找到了一条直线的轮廓。您是否需要线上的所有点来代表该线？不，我们只需要该线的两个端点即可。这就是cv.CHAIN_APPROX_SIMPLE所做的。它删除所有冗余点并压缩轮廓，从而节省内存。
下面的矩形图像演示了此技术。只需在轮廓数组中的所有坐标上绘制一个圆（以蓝色绘制）。第一幅图像显示了用cv.CHAIN_APPROX_NONE获得的积分（734个点），第二幅图像显示了用cv.CHAIN_APPROX_SIMPLE获得的效果（只有4个点）。看，它可以节省多少内存！！！

三、cv.drawContours()绘制轮廓

要绘制轮廓，请使用cv.drawContours函数。只要有边界点，它也可以用来绘制任何形状。它的第一个参数是源图像，第二个参数是应该作为Python列表传递的轮廓，第三个参数是轮廓的索引（在绘制单个轮廓时有用。要绘制所有轮廓，请递-1），其余参数是颜色，厚度等等

• 在图像中绘制所有轮廓：

cv.drawContours(im, contours, -1, (0, 255, 0), 3)

• 绘制单个轮廓，如第四个轮廓：

cv.drawContours(im, contours, 3, (0, 255, 0), 3)

• 但是在大多数情况下，以下方法会很有用：

cnt = contours[4]
cv.drawContours(im, [cnt], 0, (0, 255, 0), 3)

【代码】学习使用OpenCV中的findContours函数对物体轮廓进行检测

# 找到二进制图像的轮廓
# import numpy as np
import cv2 as cv

im = cv.imread('han3.png')
print(im.shape)
im_background1 = cv.imread('han3.png')
ret2, thresh2 = cv.threshold(im, 127, 255, 0)
im2 = cv.imread('bgr.png')
im3 = cv.imread('bgr.png')
imgray = cv.cvtColor(im, cv.COLOR_BGR2GRAY)  # 得到灰度图
#     ↓结果图像
ret, thresh = cv.threshold(imgray, 127, 255, 0)  # 图像阈值/二值化
# ↑与参数thresh一致
contours, hierarchy = cv.findContours(thresh, cv.RETR_TREE, cv.CHAIN_APPROX_SIMPLE)
# 输出↑层次结构和↑等高线                    原图像     轮廓检索模式     轮廓逼近方法
# Python列表传递的轮廓：层次结构

cv.drawContours(im_background1, contours, -1, (0, 255, 0), 3)  # 在图像中绘制所有轮廓
cv.drawContours(im2, contours, -1, (0, 0, 0), 3)  # 在图像中绘制所有轮廓
cv.drawContours(im3, contours, 100, (0, 255, 0), 3)  # 绘制单个轮廓/第四个轮廓

# 大多数情况使用如下方法
# cnt = contours[4]
# cv.drawContours(im_background1, [cnt], 0, (0, 255, 0), 3)

cv.imshow('thresh2', thresh2)
cv.imshow('thresh', thresh)
cv.imshow('im_background1', im_background1)
cv.imshow('im2', im2)
cv.imshow('im3', im3)
cv.waitKey(0)
cv.destroyAllWindows()

四、【代码】contourArea()函数计算面积

轮廓区域由函数cv.contourArea()或从矩 M[‘m00’] 中给出。

area = cv.contourArea(cnt)

实现代码如下

import cv2

img = cv2.imread('han3.png')
background = cv2.imread('bgr.png')
background_one = cv2.imread('bgr.png')
imgray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
retval, threshold = cv2.threshold(imgray, 20, 255, 0)
contours, hierarchy = cv2.findContours(threshold, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)

cv2.drawContours(background, contours, -1, (0, 0, 0), 1)

cnt = contours[100]
cv2.drawContours(background_one, [cnt], 0, (0, 255, 0), 3)

area = cv2.contourArea(cnt)  # 计算面积
print(area)

cv2.imshow('img', img)
cv2.imshow('threshold', threshold)
cv2.imshow('background', background)
cv2.imshow('background_one', background_one)
cv2.waitKey(0)
cv2.destroyAllWindows()