邊緣檢測
canny邊緣檢測器是一種被廣泛使用的算法，并被認(rèn)為是邊緣檢測最優(yōu)的算法，該方法使用了比高斯差分算法更復(fù)雜的技巧，如多向灰度梯度和滯后閾值化。
canny邊緣檢測器算法基本步驟：
- 平滑圖像：通過使用合適的模糊半徑執(zhí)行高斯模糊來減少圖像內(nèi)的噪聲。
- 計算圖像的梯度：這里計算圖像的梯度，并將梯度分類為垂直、水平和斜對角。這一步的輸出用于在下一步中計算真正的邊緣。
- 非最大值抑制：利用上一步計算出來的梯度方向，檢測某一像素在梯度的正方向和負(fù)方向上是否是局部最大值，如果是，則抑制該像素（像素不屬于邊緣）。這是一種邊緣細(xì)化技術(shù)，用最急劇的變換選出邊緣點。
- 用滯后閾值化選擇邊緣：最后一步，檢查某一條邊緣是否明顯到足以作為最終輸出，最后去除所有不明顯的邊緣。
opencv使用canny邊緣檢測相對簡單，代碼如下：
|
1
2
3
4
5
6
7
8
|
import cv2import numpy as npimg = 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() |
運行結(jié)果：
canny函數(shù)的原型為
|
1
|
cv2.canny(image, threshold1, threshold2[, edges[, aperturesize[, l2gradient ]]]) |
必要參數(shù)：
第一個參數(shù)是需要處理的原圖像，該圖像必須為單通道的灰度圖；
第二個參數(shù)是滯后閾值1；
第三個參數(shù)是滯后閾值2。
輪廓檢測
輪廓檢測主要由cv2.findcontours函數(shù)實現(xiàn)的。
函數(shù)的原型為
|
1
|
cv2.findcontours(image, mode, method[, contours[, hierarchy[, offset ]]]) |
函數(shù)參數(shù)
第一個參數(shù)是尋找輪廓的圖像；
第二個參數(shù)表示輪廓的檢索模式，有四種（本文介紹的都是新的cv2接口）：
- cv2.retr_external表示只檢測外輪廓 。
- cv2.retr_list檢測的輪廓不建立等級關(guān)系。
- cv2.retr_ccomp建立兩個等級的輪廓，上面的一層為外邊界，里面的一層為內(nèi)孔的邊界信息。如果內(nèi)孔內(nèi)還有一個連通物體，這個物體的邊界也在頂層。
- cv2.retr_tree建立一個等級樹結(jié)構(gòu)的輪廓。
第三個參數(shù)method為輪廓的逼近方法
- cv2.chain_approx_none存儲所有的輪廓點，相鄰的兩個點的像素位置差不超過1，即max（abs（x1-x2），abs（y2-y1））==1。
- cv2.chain_approx_simple壓縮水平方向，垂直方向，對角線方向的元素，只保留該方向的終點坐標(biāo)，例如一個矩形輪廓只需4個點來保存輪廓信息。
- 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：是原圖像
contours：圖像的輪廓，以列表的形式表示，每個元素都是圖像中的一個輪廓。
hier：相應(yīng)輪廓之間的關(guān)系。這是一個ndarray，其中的元素個數(shù)和輪廓個數(shù)相同，每個輪廓contours[i]對應(yīng)4個hierarchy元素hierarchy[i][0] ~hierarchy[i][3]，分別表示后一個輪廓、前一個輪廓、父輪廓、內(nèi)嵌輪廓的索引編號，如果沒有對應(yīng)項，則該值為負(fù)數(shù)。
原圖：
示例一
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
|
import cv2import numpy as npimg = cv2.pyrdown(cv2.imread("hammer.jpg", cv2.imread_unchanged))# threshold 函數(shù)對圖像進(jìn)行二化值處理，由于處理后圖像對原圖像有所變化，因此img.copy()生成新的圖像，cv2.thresh_binary是二化值ret, thresh = cv2.threshold(cv2.cvtcolor(img.copy(), cv2.color_bgr2gray), 127, 255, cv2.thresh_binary)# findcontours函數(shù)查找圖像里的圖形輪廓# 函數(shù)參數(shù)thresh是圖像對象# 層次類型，參數(shù)cv2.retr_external是獲取最外層輪廓，cv2.retr_tree是獲取輪廓的整體結(jié)構(gòu)# 輪廓逼近方法# 輸出的返回值，image是原圖像、contours是圖像的輪廓、hier是層次類型image, contours, hier = cv2.findcontours(thresh, cv2.retr_external, cv2.chain_approx_simple)for c in contours: # 輪廓繪制方法一 # boundingrect函數(shù)計算邊框值，x，y是坐標(biāo)值，w，h是矩形的寬和高 x, y, w, h = cv2.boundingrect(c) # 在img圖像畫出矩形，(x, y), (x + w, y + h)是矩形坐標(biāo)，(0, 255, 0)設(shè)置通道顏色，2是設(shè)置線條粗度 cv2.rectangle(img, (x, y), (x + w, y + h), (0, 255, 0), 2) # 輪廓繪制方法二 # 查找最小區(qū)域 rect = cv2.minarearect(c) # 計算最小面積矩形的坐標(biāo) box = cv2.boxpoints(rect) # 將坐標(biāo)規(guī)范化為整數(shù) box = np.int0(box) # 繪制矩形 cv2.drawcontours(img, [box], 0, (0, 0, 255), 3) # 輪廓繪制方法三 # 圓心坐標(biāo)和半徑的計算 (x, y), radius = cv2.minenclosingcircle(c) # 規(guī)范化為整數(shù) center = (int(x), int(y)) radius = int(radius) # 勾畫圓形區(qū)域 img = cv2.circle(img, center, radius, (0, 255, 0), 2)# # 輪廓繪制方法四# 圍繞圖形勾畫藍(lán)色線條cv2.drawcontours(img, contours, -1, (255, 0, 0), 2)# 顯示圖像cv2.imshow("contours", img)cv2.waitkey()cv2.destroyallwindows() |
運行結(jié)果如圖所示：
示例二
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
|
import cv2import numpy as npimg = 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函數(shù)查找圖像里的圖形輪廓# 函數(shù)參數(shù)thresh是圖像對象# 層次類型，參數(shù)cv2.retr_external是獲取最外層輪廓，cv2.retr_tree是獲取輪廓的整體結(jié)構(gòu)# 輪廓逼近方法# 輸出的返回值，image是原圖像、contours是圖像的輪廓、hier是層次類型image, contours, hier = cv2.findcontours(thresh, cv2.retr_external, cv2.chain_approx_simple)# 創(chuàng)建新的圖像blackblack = cv2.cvtcolor(np.zeros((img.shape[1], img.shape[0]), dtype=np.uint8), cv2.color_gray2bgr)for cnt in contours: # 輪廓周長也被稱為弧長。可以使用函數(shù) cv2.arclength() 計算得到。這個函數(shù)的第二參數(shù)可以用來指定對象的形狀是閉合的（true） ，還是打開的（一條曲線） epsilon = 0.01 * cv2.arclength(cnt, true) # 函數(shù)approxpolydp來對指定的點集進(jìn)行逼近，cnt是圖像輪廓，epsilon表示的是精度，越小精度越高，因為表示的意思是是原始曲線與近似曲線之間的最大距離。 # 第三個函數(shù)參數(shù)若為true,則說明近似曲線是閉合的，它的首位都是相連，反之，若為false，則斷開。 approx = cv2.approxpolydp(cnt, epsilon, true) # convexhull檢查一個曲線的凸性缺陷并進(jìn)行修正，參數(shù)cnt是圖像輪廓。 hull = cv2.convexhull(cnt) # 勾畫圖像原始的輪廓 cv2.drawcontours(black, [cnt], -1, (0, 255, 0), 2) # 用多邊形勾畫輪廓區(qū)域 cv2.drawcontours(black, [approx], -1, (255, 255, 0), 2) # 修正凸性缺陷的輪廓區(qū)域 cv2.drawcontours(black, [hull], -1, (0, 0, 255), 2)# 顯示圖像cv2.imshow("hull", black)cv2.waitkey()cv2.destroyallwindows() |
運行結(jié)果如圖所示：
到此這篇關(guān)于python使用opencv實現(xiàn)邊緣檢測以及輪廓檢測的實現(xiàn)的文章就介紹到這了,更多相關(guān)python 邊緣檢測內(nèi)容請搜索服務(wù)器之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持服務(wù)器之家！
原文鏈接：https://blog.csdn.net/HuangZhang_123/article/details/80511270
