文章目录

图像形态变换

图像的腐蚀
图像的膨胀
图像的开操作
图像的闭操作
图像的形态学梯度
图像的顶帽操作
图像的黑帽操作

图像的梯度（Image Gradients）

Sobel and Scharr （索贝尔）算子
Laplacian （拉普拉斯）算子

canny边缘检测
图像金字塔（Image Pyramids）
图像的轮廓（Contours in opencv）

如何找到图像轮廓
轮廓的特点
轮廓的属性
轮廓的层次

本篇续接OpenCV图像处理部分。到现在为止已经2个多月了，才写到opencv教程的第3部分，任重道远。

图像形态变换

图像的形态转换主要是基于二值化图像，进行图像的形状操作。形态变换操作需要2个输入；一个是二值化图像，另外一个被称为“结构化元素”；主要的形态转换操作是复试与膨胀，其它形态转换操作都基于此两者操作。

图像的腐蚀

对输入图像用特定结构元素进行腐蚀操作，表现出的现象是图像被缩小；此处的缩小不是指图像的尺寸变小，而是图像中的信息部分（主要是亮度较高的像素）缩小。
腐蚀算法：用结构元素对应的矩阵，例如3X3，扫描图像的每一个像素，用结构元素与其覆盖的图像做“与”运算，如果都为1，结构图像的该像素为1，否则为0；结果：使图像减小一圈。

函数原型：dst = cv.erode( src, kernel[, dst[, anchor[, iterations[, borderType[, borderValue]]]]] )
src：输入始图像，通道数不限，depth必须是CV_8U，CV_16U，CV_16S，CV_32F或CV_64F
dst：输出图像：size与type与原始图像相同
kernel：用于腐蚀操作的结构元素，如果取值为Mat(),那么默认使用一个3 x 3 的方形结构元素，可以使用getStructuringElement来创建结构元素
anchor：卷积核的基准点(anchor)，其默认值为(-1,-1)表示位于kernel中心位置。基准点即选取的kernel中心位置与进行处理像素重合的点。
iterations：腐蚀操作被递归执行的次数
borderType：图像边界模式
borderValue：边界值，默认值是BORDER_DEFAULT

import cv2 as cv
import numpy as np
img = cv.imread('j.png',0)
kernel = np.ones((5,5),np.uint8)
erosion = cv.erode(img,kernel,iterations = 1)

在这里插入图片描述

图像的膨胀

对输入图像用特定结构元素进行膨胀操作，表现出的现象是图像被放大；此处的放大不是指图像的尺寸变大，而是图像中的信息部分（主要是亮度较高的像素）放大。
膨胀算法：用结构元素对应的矩阵，例如3X3，扫描图像的每一个像素，用结构元素与其覆盖的图像做“或”运算，如果都为0，结构图像的该像素为0，否则为1；结果：使图像放大一圈。

函数原型：dst = cv.dilate( src, kernel[, dst[, anchor[, iterations[, borderType[, borderValue]]]]] )
src：输入始图像，通道数不限，depth必须是CV_8U，CV_16U，CV_16S，CV_32F或CV_64F
dst：输出图像：size与type与原始图像相同
kernel：用于腐蚀操作的结构元素，如果取值为Mat(),那么默认使用一个3 x 3 的方形结构元素，可以使用getStructuringElement来创建结构元素
anchor：卷积核的基准点(anchor)，其默认值为(-1,-1)表示位于kernel中心位置。基准点即选取的kernel中心位置与进行处理像素重合的点。
iterations：腐蚀操作被递归执行的次数
borderType：图像边界模式
borderValue：边界值，默认值是BORDER_DEFAULT

import cv2 as cv
import numpy as np
img = cv.imread('j.png',0)
kernel = np.ones((5,5),np.uint8)
dilation = cv.dilate(img,kernel,iterations = 1)

在这里插入图片描述

图像的开操作

图像的开操作是指，先腐蚀后膨胀，适合去除图像有效信息外的白噪点

函数原型：dst = cv.morphologyEx(src, op, kernel[, dst[, anchor[, iterations[, borderType[, borderValue]]]]])
src：输入始图像，通道数不限，depth必须是CV_8U，CV_16U，CV_16S，CV_32F或CV_64F
dst：输出图像：size与type与原始图像相同
op：形态学运算的类型，主要有
cv.MORPH_OPEN：开运算
cv.MORPH_CLOSE ：闭运算
cv.MORPH_GRADIENT：形态学梯度
cv.MORPH_TOPHAT：顶帽运算
cv.MORPH_BLACKHAT：黑帽运算
cv.MORPH_ERODE ：腐蚀运算
cv.MORPH_DILATE ：膨胀运算
cv.MORPH_HITMISS: 击中击不中运算(只支持CV_8UC1类型的二值图像)
kernel：用于腐蚀操作的结构元素，如果取值为Mat(),那么默认使用一个3 x 3 的方形结构元素，可以使用getStructuringElement来创建结构元素
anchor：卷积核的基准点(anchor)，其默认值为(-1,-1)表示位于kernel中心位置。基准点即选取的kernel中心位置与进行处理像素重合的点。
iterations：腐蚀操作被递归执行的次数
borderType：图像边界模式
borderValue：边界值，默认值是BORDER_DEFAULT

import cv2 as cv
import numpy as np
img = cv.imread('j.png',0)
kernel = np.ones((5,5),np.uint8)
opening = cv.morphologyEx(img, cv.MORPH_OPEN, kernel)

在这里插入图片描述

图像的闭操作

图像的闭操作是指，先膨胀后腐蚀，适合去除图像有效信息内的黑噪点
函数与开操作函数相同，只是op参数不同，取值为：cv.MORPH_CLOSE

import cv2 as cv
import numpy as np
img = cv.imread('j.png',0)
kernel = np.ones((5,5),np.uint8)
closing = cv.morphologyEx(img, cv.MORPH_CLOSE, kernel)

在这里插入图片描述

图像的形态学梯度

形态学梯度：膨胀图减去腐蚀图，dilation - erosion，这样会得到物体的轮廓
函数与开操作函数相同，只是op参数不同，取值为：cv.MORPH_GRADIENT

import cv2 as cv
import numpy as np
img = cv.imread('j.png',0)
kernel = np.ones((5,5),np.uint8)
gradient = cv.morphologyEx(img, cv.MORPH_GRADIENT, kernel)

在这里插入图片描述

图像的顶帽操作

顶帽(tophat)：原图减去开操作后的图：src - open_dst
因为开操作带来的结果是放大了裂缝或者局部低亮度的区域，因此，从原图中减去开运算后的图，得到的效果图突出了比原图轮廓周围的区域更明亮的区域，且这一操作和选择的核的大小相关。
顶帽运算往往用来分离比邻近点亮一些的斑块。当一幅图像具有大幅的背景的时候，而微小物品比较有规律的情况下，可以使用顶帽运算进行背景提取。
函数与开操作函数相同，只是op参数不同，取值为：cv.MORPH_TOPHAT

import cv2 as cv
import numpy as np
img = cv.imread('j.png',0)
kernel = np.ones((5,5),np.uint8)
tophat = cv.morphologyEx(img, cv.MORPH_TOPHAT, kernel)

在这里插入图片描述

图像的黑帽操作

黑帽(blackhat)：闭运算图像与原图像差值：close_dst - src
黑帽运算后的效果图突出了比原图轮廓周围的区域更暗的区域，且这一操作和选择的核的大小相关。所以，黑帽运算用来分离比邻近点暗一些的斑块，显示出图像的轮廓。
函数与开操作函数相同，只是op参数不同，取值为：cv.MORPH_BLACKHAT

import cv2 as cv
import numpy as np
img = cv.imread('j.png',0)
kernel = np.ones((5,5),np.uint8)
blackhat = cv.morphologyEx(img, cv.MORPH_BLACKHAT, kernel)

在这里插入图片描述

图像的梯度（Image Gradients）

opencv提供了三种梯度过滤器或高通过滤器Sobel、Scharr、Laplacian.（高通滤波器high-pass fliter(HPF) 寻找图片的边界）。
图像上的高通滤波器怎么理解，暂时不得而知，

Sobel and Scharr （索贝尔）算子

Sobel operators是高斯模糊操作加上differentian(变异/分化）；所以它对噪音更有抵抗；可以指明衍生物（derivatives）的方向，垂直或者是水平的（分别对应是yorder、xorder)。
在参数ksize中指明kernel 的大小。其中ksize=-1时，会使用3x3的Charr filter(在这个情况下，结果会更好）
Sobel算子是一阶导数的边缘检测算子，在算法实现过程中，通过3×3模板作为核与图像中的每个像素点做卷积和运算，然后选取合适的阈值以提取边缘。
采用3×3邻域可以避免在像素之间内插点上计算梯度。Sobel算子也是一种梯度幅值。
Sobel算子算法的优点是计算简单，速度快。但是由于只采用了2个方向的模板，只能检测水平和垂直方向的边缘，因此这种算法对于纹理较为复杂的图像，其边缘检测效果就不是很理想。
该算法认为：凡灰度新值大于或等于阈值的像素点时都是边缘点。这种判断欠合理，会造成边缘点的误判，因为许多噪声点的灰度值也很大。
scharr算子与Sobel的不同点是在平滑部分，这里所用的平滑算子是1/16∗[3,10,3]，相比于1/4∗[1,2,1]，中心元素占的权重更重，这可能是相对于图像这种随机性较强的信号，邻域相关性不大，所以邻域平滑应该使用相对较小的标准差的高斯函数，也就是更瘦高的模板

函数原型：dst = cv.Sobel(src, ddepth, dx, dy[, dst[, ksize[, scale[, delta[, borderType]]]]])
src：输入图像
dst：输出图像size大小与channel数量与原始图像相同
ddepth：输出图像的像素深度，组合如下

输入图像	输出图像
CV_8U	-1/CV_16S/CV_32F/CV_64F
CV_16U、CV_16S	-1/CV_32F/CV_64F
CV_32F	-1/CV_32F/CV_64F
CV_64F	-1/CV_64F

dx： x 方向上的差分阶数
dy： y 方向上的差分阶数
ksize：Sobel kernel大小，必须是：1, 3, 5, or 7。
scale：可选的导数比例因子，默认未使用
delta：可选的delta值，输出结果前叠加到结果上
borderType：图像边界模式

函数原型：dst = cv.Scharr( src, ddepth, dx, dy[, dst[, scale[, delta[, borderType]]]] )
src：输入图像
dst：输出图像size大小与channel数量与原始图像相同
ddepth：输出图像的像素深度。
dx： x 方向上的差分阶数
dy： y 方向上的差分阶数
ksize：Sobel kernel大小，必须是：1, 3, 5, or 7。
scale：可选的导数比例因子，默认未使用
delta：可选的delta值，输出结果前叠加到结果上
borderType：图像边界模式

import numpy as np
import cv2 as cv
from matplotlib import pyplot as plt
img = cv.imread('dave.jpg',0)
sobelx = cv.Sobel(img,cv.CV_64F,1,0,ksize=5)
sobely = cv.Sobel(img,cv.CV_64F,0,1,ksize=5)
plt.subplot(2,2,1),plt.imshow(img,cmap = 'gray')
plt.title('Original'), plt.xticks([]), plt.yticks([])
plt.subplot(2,2,3),plt.imshow(sobelx,cmap = 'gray')
plt.title('Sobel X'), plt.xticks([]), plt.yticks([])
plt.subplot(2,2,4),plt.imshow(sobely,cmap = 'gray')
plt.title('Sobel Y'), plt.xticks([]), plt.yticks([])
plt.show()

原图见拉普拉斯算子原图
在这里插入图片描述
注意：

当输出的值为cv2.CV_8U或者是np.uint8时；Black- to -White transition 是positive slope（正数）；反过来White- to - Black transition取negative slope(负数）。所以当输出时转化数据为unit8时，所有的negative slope 都会被置为0，这种情况都会丢失了一部分的边缘。
更好的处理方式是，让输出的数据类型保存到更高的形式，例如cv2.CV_16S,cv2.CV_64F等。取它的绝对值，然后再把值转化回cv2.CV_8U。

import numpy as np
import cv2 as cv
from matplotlib import pyplot as plt
img = cv.imread('box.png',0)
# Output dtype = cv.CV_8U
sobelx8u = cv.Sobel(img,cv.CV_8U,1,0,ksize=5)
# Output dtype = cv.CV_64F. Then take its absolute and convert to cv.CV_8U
sobelx64f = cv.Sobel(img,cv.CV_64F,1,0,ksize=5)
abs_sobel64f = np.absolute(sobelx64f)
sobel_8u = np.uint8(abs_sobel64f)
plt.subplot(1,3,1),plt.imshow(img,cmap = 'gray')
plt.title('Original'), plt.xticks([]), plt.yticks([])
plt.subplot(1,3,2),plt.imshow(sobelx8u,cmap = 'gray')
plt.title('Sobel CV_8U'), plt.xticks([]), plt.yticks([])
plt.subplot(1,3,3),plt.imshow(sobel_8u,cmap = 'gray')
plt.title('Sobel abs(CV_64F)'), plt.xticks([]), plt.yticks([])
plt.show()

在这里插入图片描述

Laplacian （拉普拉斯）算子

Laplacian 算子是n维欧几里德空间中的一个二阶微分算子，定义为梯度grad的散度div。
这里不甚明白，还需要多加学习与练习，先看效果吧

函数原型：dst=cv.Laplacian( src, ddepth[, dst[, ksize[, scale[, delta[, borderType]]]]] )
src：输入图像
dst：输出图像size大小与channel数量与原始图像相同
ddepth：期望输出图像的像素深度
dx： x 方向上的差分阶数
dy： y 方向上的差分阶数
ksize：Sobel kernel大小，必须是：1, 3, 5, or 7。
scale：可选的导数比例因子，默认未使用
delta：可选的delta值，输出结果前叠加到结果上
borderType：图像边界模式

import numpy as np
import cv2 as cv
from matplotlib import pyplot as plt
img = cv.imread('dave.jpg',0)
laplacian = cv.Laplacian(img,cv.CV_64F)
plt.subplot(2,2,1),plt.imshow(img,cmap = 'gray')
plt.title('Original'), plt.xticks([]), plt.yticks([])
plt.subplot(2,2,2),plt.imshow(laplacian,cmap = 'gray')
plt.title('Laplacian'), plt.xticks([]), plt.yticks([])
plt.show()

在这里插入图片描述

canny边缘检测

应用高斯滤波来平滑图像，目的是去除噪声
用一阶偏导有限差分计算梯度幅值和方向,找寻图像的强度梯度（intensity gradients）
应用非最大抑制（non-maximum suppression）技术来消除边误检（本来不是但检测出来是）
应用双阈值的方法来决定可能的（潜在的）边界
利用滞后技术来跟踪边界
复杂的算法原理我描述不出来，只能上代码看效果

函数原型：edges=cv.Canny( image, threshold1, threshold2[, edges[, apertureSize[, L2gradient]]] )
image：8-bit input image.
edges：单通道存储边缘的输出图像，size大小与输入图像相同
threshold1：滞后处理的第一个阈值，（低阈值）
threshold2：滞后处理的第一个阈值，（高阈值）
apertureSize：算子内核大小（滤波计算矩阵的大小默认为3）可以是1、3、5、7
L2gradient ：标志位，用于指示是否使用更准确的梯度计算方法，参数为true时会增加计算量

import numpy as np
import cv2 as cv
from matplotlib import pyplot as plt
img = cv.imread('messi5.jpg',0)
edges = cv.Canny(img,100,200)
plt.subplot(121),plt.imshow(img,cmap = 'gray')
plt.title('Original Image'), plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(edges,cmap = 'gray')
plt.title('Edge Image'), plt.xticks([]), plt.yticks([])
plt.show()

在这里插入图片描述

图像金字塔（Image Pyramids）

图像金字塔有两种：高斯金字塔、拉普拉斯金字塔

高斯金字塔：向下降采样，图像每级缩小一半。金字塔从i层生成第i+1层（i从0开始），我们要先用高斯核对Gi进行卷积，然后，删除所有偶数行和偶数列。这样，新得到的图像面积会变为源图像的四分之一。循环上述过程，即可产生整个金字塔。
拉普拉斯金字塔：从顶层图像中向上采样重建图像，每一级图像放大一倍。图像首先在每个维度上扩大为原来的两倍，新增的行以0填充，然后给指定的滤波器进行卷积（实际上是一个在每一维上都扩大为2倍的过滤器）去估计“丢失”像素的近似值。得到后的图像与原来的图像相比较会发觉比较模糊，丢失了一些信息。为了恢复出原来的图像，我们需要获得这些丢失的信息，这些信息就构成了拉普拉斯金字塔。

高斯金字塔函数说明：

函数原型：dst = cv.pyrUp( src[, dst[, dstsize[, borderType]]] )
src：输入图图像
dst：输出图像，图像的size为dstsize指定，type保持与src相同
dstsize：输出图像大小
borderType：边界模式，仅支持BORDER_DEFAULT

img = cv.imread('messi5.jpg')
lower_reso1 = cv.pyrDown(img)
lower_reso2 = cv.pyrDown(lower_reso1)
lower_reso3 = cv.pyrDown(lower_reso2)

在这里插入图片描述

拉普拉斯金字塔函数说明：

函数原型：dst = cv.pyrDown( src[, dst[, dstsize[, borderType]]] )
src：输入图图像
dst：输出图像，图像的size为dstsize指定，type保持与src相同
dstsize：输出图像大小
borderType：边界模式，BORDER_CONSTANT不支持

img = cv.imread('messi5.jpg')
lower_reso = cv.pyrDown(higher_reso)
higher_reso2 = cv.pyrUp(lower_reso)

在这里插入图片描述

图像的轮廓（Contours in opencv）

如何找到图像轮廓

cv.findContours()函数可以查找图像的轮廓

函数原型：image, contours, hierarchy = cv.findContours( image, mode, method[, contours[, hierarchy[, offset]]] )
image：单通道二值图像，一般是经过Canny、拉普拉斯等边缘检测算子处理过的二值图像
contours：检测到的轮廓集，每一个轮廓由一个vector保存的连续点组成。定义为“vector<vector> contours”，是一个向量，并且是一个双重向量，向量内每个元素保存了一组由连续的Point点构成的点的集合的向量，每一组Point点集就是一个轮廓；有多少轮廓，向量contours就有多少元素
hierarchy：是一个向量，向量内每个元素保存了一个包含4个int整型的数组。向量hiararchy内的元素和轮廓向量contours内的元素是一一对应的，向量的容量相同。hierarchy向量内每一个元素的4个int型变量——hierarchy[i][0] ~hierarchy[i][3]，分别表示第 i个轮廓的后一个轮廓、前一个轮廓、父轮廓、内嵌轮廓的索引编号。如果当前轮廓没有对应的后一个
轮廓、前一个轮廓、父轮廓或内嵌轮廓的话，则hierarchy[i][0] ~hierarchy[i][3]的相应位被设置为默认值-1
mode：轮廓的检索模式，
CV_RETR_EXTERNAL：只检测最外围轮廓，包含在外围轮廓内的内围轮廓被忽略
CV_RETR_LIST：检测所有的轮廓，包括内围、外围轮廓，但是检测到的轮廓不建立等级关系，彼此之间独立，没有等级关系，这就意味着这个检索模式下不存在父轮廓或内嵌轮廓，所以hierarchy向量内所有元素的第3、第4个分量都会被置为-1
CV_RETR_CCOMP：检测所有的轮廓，但所有轮廓只建立两个等级关系，外围为顶层，若外围内的内围轮廓还包含了其他的轮廓信息，则内围内的所有轮廓均归属于顶层
CV_RETR_TREE：检测所有轮廓，所有轮廓建立一个等级树结构。外层轮廓包含内层轮廓，内层轮廓还可以继续包含内嵌轮廓
method：轮廓的近似方法
CV_CHAIN_APPROX_NONE：保存物体边界上所有连续的轮廓点到contours向量内
CV_CHAIN_APPROX_SIMPLE：仅保存轮廓的拐点信息，把所有轮廓拐点处的点保存入contours向量内，拐点与拐点之间直线段上的信息点不予保留
CV_CHAIN_APPROX_TC89_L1，CV_CHAIN_APPROX_TC89_KCOS：使用teh-Chinl chain 近似算法
offset：偏移量，所有的轮廓信息相对于原始图像对应点的偏移量，相当于在每一个检测出的轮廓点上加上该偏移量，并且Point还可以是负值

import numpy as np
import cv2 as cv
im = cv.imread('test.jpg')
imgray = cv.cvtColor(im, cv.COLOR_BGR2GRAY)
ret, thresh = cv.threshold(imgray, 127, 255, 0)
im2, contours, hierarchy = cv.findContours(thresh, cv.RETR_TREE, cv.CHAIN_APPROX_SIMPLE)

cv.drawContours函数用于画图像的轮廓

函数原型：image = cv.drawContours( image, contours, contourIdx, color[, thickness[, lineType[, hierarchy[, maxLevel[, offset]]]]] )
image：用以绘制轮廓的图像。和其他绘图函数一样，边界图像被感兴趣区域（ROI）所剪切
contours：所有输入图像的轮廓集
contourIdx：指示轮廓集中的哪一个轮廓被画出，如果是负值，则所有轮廓被画出
color：轮廓颜色
thickness：绘制轮廓线的宽度。如果为负值（例如，等于CV_FILLED），则contour内部将被绘制
lineType：轮廓线段的类型，具体查看cvLine的描述
hierarchy：可选的轮廓层次信息，如果只想画某些层次的轮廓，才需要此参数。
maxLevel：绘制轮廓的最大等级。如果等级为0，绘制单独的轮廓。如果为1，绘制轮廓及在其后的相同的级别下轮廓。如果值为2，所有的轮廓。如果等级为2，绘制所有同级轮廓及所有低一级轮廓，诸此种种。如果值为负数，函数不绘制同级轮廓，但会升序绘制直到级别为abs(max_level)-1的子轮廓。
offset：按照给出的偏移量移动每一个轮廓点坐标.当轮廓是从某些感兴趣区域(ROI)中提取的然后需要在运算中考虑ROI偏移量时，将会用到这个参数。

轮廓的特点

轮廓矩Moments
opencv中的矩主要包括以下几种：空间矩，中心矩和中心归一化矩。从图像中计算出来的矩通常描述了图像不同种类的几何特征如：大小、灰度、方向、形状等，图像矩广泛应用于模式识别、目标分类、目标识别与防伪估计、图像编码与重构等领域。

import numpy as np
import cv2 as cv
img = cv.imread('star.jpg',0)
ret,thresh = cv.threshold(img,127,255,0)
im2,contours,hierarchy = cv.findContours(thresh, 1, 2)
cnt = contours[0]
M = cv.moments(cnt)
print( M )

轮廓面积Contour Area

area = cv.contourArea(cnt)

轮廓周长Contour Perimeter

perimeter = cv.arcLength(cnt,True)

轮廓近似图Contour Approximation

epsilon = 0.1*cv.arcLength(cnt,True)
approx = cv.approxPolyDP(cnt,epsilon,True)

轮廓凸包Convex Hull

hull = cv.convexHull(points[, hull[, clockwise[, returnPoints]]

轮廓凸包检查Checking Convexity

k = cv.isContourConvex(cnt)

轮廓矩形边框Bounding Rectangle

x,y,w,h = cv.boundingRect(cnt)
cv.rectangle(img,(x,y),(x+w,y+h),(0,255,0),2)

轮廓最小圆Minimum Enclosing Circle

rect = cv.minAreaRect(cnt)
box = cv.boxPoints(rect)
box = np.int0(box)
cv.drawContours(img,[box],0,(0,0,255),2)

12.轮廓最椭圆 Fitting an Ellipse

(x,y),radius = cv.minEnclosingCircle(cnt)
center = (int(x),int(y))
radius = int(radius)
cv.circle(img,center,radius,(0,255,0),2)

轮廓直线Fitting a Line

rows,cols = img.shape[:2]
[vx,vy,x,y] = cv.fitLine(cnt, cv.DIST_L2,0,0.01,0.01)
lefty = int((-x*vy/vx) + y)
righty = int(((cols-x)*vy/vx)+y)
cv.line(img,(cols-1,righty),(0,lefty),(0,255,0),2)

轮廓的属性

轮廓宽高比Aspect Ratio
轮廓宽高比是轮廓的矩形边框的宽高比

x,y,w,h = cv.boundingRect(cnt)
aspect_ratio = float(w)/h

轮廓区域比Extent
轮廓区域比是轮廓的面积与矩形边框的面积比

area = cv.contourArea(cnt)
x,y,w,h = cv.boundingRect(cnt)
rect_area = w*h
extent = float(area)/rect_area

轮廓固态Solidity
轮廓固态是轮廓的面积与凸包面积的比

area = cv.contourArea(cnt)
hull = cv.convexHull(cnt)
hull_area = cv.contourArea(hull)
solidity = float(area)/hull_area

轮廓直径Equivalent Diameter

area = cv.contourArea(cnt)
equi_diameter = np.sqrt(4*area/np.pi)

轮廓方向Orientation

(x,y),(MA,ma),angle = cv.fitEllipse(cnt)

掩膜与像素位置Mask and Pixel Points

mask = np.zeros(imgray.shape,np.uint8)
cv.drawContours(mask,[cnt],0,255,-1)
pixelpoints = np.transpose(np.nonzero(mask))
pixelpoints = cv.findNonZero(mask)

最大与最小值位置Maximum Value, Minimum Value and their locations

min_val, max_val, min_loc, max_loc = cv.minMaxLoc(imgray,mask = mask)

平均颜色与强度Mean Color or Mean Intensity

mean_val = cv.mean(im,mask = mask)

轮廓极点Extreme Points

leftmost = tuple(cnt[cnt[:,:,0].argmin()][0])
rightmost = tuple(cnt[cnt[:,:,0].argmax()][0])
topmost = tuple(cnt[cnt[:,:,1].argmin()][0])
bottommost = tuple(cnt[cnt[:,:,1].argmax()][0])

轮廓的层次

cv2.findContours()函数来找轮廓的时候，我们传入了一个参数，Contour Retrieval Mode。我们一般传的是cv2.RETR_LIST或者cv2.RETR_TREE这样就可以了。但是这个参数实际是什么意思呢？
函数输出时我们得到了三个数组，第一个是图像，第二个是我们的轮廓，第三个输出名字是hierarchy层次。
什么是层次呢?
用cv2.findContours()函数来检测图像里的轮廓，有时候轮廓在不同的地方，但是在有些情况下，有些图形在别的图形里面，就像图形嵌套，在这种情况下，我们把外面那层图形叫做parent，里面的叫child。这样图形里的轮廓之间就有了关系。我们可以指定一个轮廓和其他之间的是如何连接的，这种关系就是层级。

每个轮廓有他自己的关于层级的信息，谁是他的孩子，谁是他的父亲等。OpenCV用一个包含四个值得数组来表示：[Next, Previous, First_Child, Parent]"Next表明同一层级的下一个轮廓"比如，在我们的图片里的contour-0，水上hi他相同层级的下一个轮廓？是contour-1，所以Next=1，对于Contour-1，下一个是contour-2，所以Next=2那对于contour-2呢？没有同层级的下一个轮廓，所以Next=-1。那么对于contour-4呢？同层级的下一个是contour-5，所以下一个轮廓是contour-5.Next=5"Previous指同层级的前一个轮廓"和上面一样，contour-1的前一个是contour-0.contour-2的前一个contour-1.对于contour-0没有前序，所以-1"First_Child指它的第一个孩子轮廓"不用解释，对于contour-2,孩子是contour-2a，所以这里是contour-2a的索引，contour-3a有两个孩子，但我们只取第一个，是contour-4，所以First_Child=4."Parent指它的父轮廓索引"和First_Child相反，contour-4和contour-5的parent都是contour-3a,对于contour-3a，是contour-3注意：如果没有孩子或者父亲，就为-1
在这里插入图片描述

RETR_LIST
获取所有轮廓，但是不建立父子关系，他们都是一个层级。所以，层级属性第三个和第四个字段（父子）都是-1，但是Next和Previous还是有对应值。
RETR_EXTERNAL
这个模式，它返回最外层的。所有孩子轮廓都不要，我们可以说在这种情况下，只有家族里最老的会被照顾，其他都不管。
RETR_CCOMP
这个模式获取所有轮廓并且把他们组织到一个2层结构里，对象的轮廓外边界在等级1里，轮廓内沿（如果有的话）放在层级2里。如果别的对象在它里面，里面的对象轮廓还是放在层级1里，它的内沿在层级2
RETR_TREE
这个取回所有的轮廓并且创建完整的家族层级列表，它甚至能告诉你谁是祖父，父亲，儿子，孙子。

写到这里发现，OPENCV的内容越来越多，需要消化的时间越来越长，往后几篇时间也许会在1个月以后了，就现在这些写的东西也需要多次的练习与理解，继续努力吧。

python进阶—OpenCV之图像处理（二）

文章目录

图像形态变换

图像的腐蚀

图像的膨胀

图像的开操作

图像的闭操作

图像的形态学梯度

图像的顶帽操作

图像的黑帽操作

图像的梯度（Image Gradients）

Sobel and Scharr （索贝尔）算子

Laplacian （拉普拉斯）算子

canny边缘检测

图像金字塔（Image Pyramids）

图像的轮廓（Contours in opencv）

如何找到图像轮廓

轮廓的特点

轮廓的属性

轮廓的层次

猜你喜欢