Python使用Opencv實現邊緣檢測以及輪廓檢測的實現

阿新 • • 發佈：2021-01-04

邊緣檢測

Canny邊緣檢測器是一種被廣泛使用的演算法，並被認為是邊緣檢測最優的演算法，該方法使用了比高斯差分演算法更復雜的技巧，如多向灰度梯度和滯後閾值化。

Canny邊緣檢測器演算法基本步驟：

平滑影象：通過使用合適的模糊半徑執行高斯模糊來減少影象內的噪聲。
計算影象的梯度：這裡計算影象的梯度，並將梯度分類為垂直、水平和斜對角。這一步的輸出用於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，檢測某一畫素在梯度的正方向和負方向上是否是區域性最大值，如果是，則抑制該畫素（畫素不屬於邊緣）。這是一種邊緣細化技術，用最急劇的變換選出邊緣點。
用滯後閾值化選擇邊緣：最後一步，檢查某一條邊緣是否明顯到足以作為最終輸出，最後去除所有不明顯的邊緣。

Opencv使用Canny邊緣檢測相對簡單，程式碼如下：

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()

執行結果：

這裡寫圖片描述

Canny函式的原型為

cv2.Canny(image,threshold1,threshold2[,edges[,apertureSize[,L2gradient ]]])

必要引數：
第一個引數是需要處理的原影象，該影象必須為單通道的灰度圖；
第二個引數是滯後閾值1；
第三個引數是滯後閾值2。

輪廓檢測

輪廓檢測主要由cv2.findContours函式實現的。
函式的原型為

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

函式引數
第一個引數是尋找輪廓的影象；

第二個引數表示輪廓的檢索模式，有四種（本文介紹的都是新的cv2介面）：

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係。
cv2.RETR_CCOMP建立兩個等級的輪廓，上面的一層為外邊界，裡面的一層為內孔的邊界資訊。如果內孔內還有一個連通物體，這個物體的邊界也在頂層。

cv2.RETR_TREE建立一個等級樹結構的輪廓。

第三個引數method為輪廓的逼近方法

cv2.CHAIN_APPROX_NONE儲存所有的輪廓點，相鄰的兩個點的畫素位置差不超過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座標，例如一個矩形輪廓只需4個點來儲存輪廓資訊。
cv2.CHAIN_APPROX_TC89_L1和cv2.CHAIN_APPROX_TC89_KCOS都是使用teh-Chinl chain近似演算法。

返回值

如：image,contours,hier = cv2.findContours(thresh,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)

image：是原影象

contours：影象的輪廓，以列表的形式表示，每個元素都是影象中的一個輪廓。

hier：相應輪廓之間的關係。這是一個ndarray，其中的元素個數和輪廓個數相同，每個輪廓contours[i]對應4個hierarchy元素hierarchy[i][0] ~hierarchy[i][3]，分別表示後一個輪廓、前一個輪廓、父輪廓、內嵌輪廓的索引編號，如果沒有對應項，則該值為負數。

原圖：

這裡寫圖片描述

示例一

import cv2
import numpy as np

img = cv2.pyrDown(cv2.imread("hammer.jpg",cv2.IMREAD_UNCHANGED))
# threshold 函式對影象進行二化值處理，由於處理後圖像對原影象有所變化，因此img.copy()生成新的影象，cv2.THRESH_BINARY是二化值
ret,thresh = cv2.threshold(cv2.cvtColor(img.copy(),cv2.COLOR_BGR2GRAY),127,255,cv2.THRESH_BINARY)
# findContours函式查詢影象裡的圖形輪廓
# 函式引數thresh是影象物件
# 層次型別，引數cv2.RETR_EXTERNAL是獲取最外層輪廓，cv2.RETR_TREE是獲取輪廓的整體結構
# 輪廓逼近方法
# 輸出的返回值，image是原影象、contours是影象的輪廓、hier是層次型別
image,cv2.CHAIN_APPROX_SIMPLE)

for c in contours:
  # 輪廓繪製方法一
  # boundingRect函式計算邊框值，x，y是座標值，w，h是矩形的寬和高
  x,y,w,h = cv2.boundingRect(c)
  # 在img影象畫出矩形，(x,y),(x + w,y + h)是矩形座標，(0,0)設定通道顏色，2是設定線條粗度
  cv2.rectangle(img,(x,y + h),(0,0),2)

  # 輪廓繪製方法二
  # 查詢最小區域
  rect = cv2.minAreaRect(c)
  # 計算最小面積矩形的座標
  box = cv2.boxPoints(rect)
  # 將座標規範化為整數
  box = np.int0(box)
  # 繪製矩形
  cv2.drawContours(img,[box],255),3)

  # 輪廓繪製方法三
  # 圓心座標和半徑的計算
  (x,radius = cv2.minEnclosingCircle(c)
  # 規範化為整數
  center = (int(x),int(y))
  radius = int(radius)
  # 勾畫圓形區域
  img = cv2.circle(img,center,radius,2)

# # 輪廓繪製方法四
# 圍繞圖形勾畫藍色線條
cv2.drawContours(img,-1,(255,2)
# 顯示影象
cv2.imshow("contours",img)
cv2.waitKey()
cv2.destroyAllWindows()

執行結果如圖所示：

這裡寫圖片描述

示例二

import cv2
import numpy as np

img = cv2.pyrDown(cv2.imread("hammer.jpg",cv2.IMREAD_UNCHANGED))
ret,cv2.CHAIN_APPROX_SIMPLE)
# 建立新的影象black
black = 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。可以使用函式 cv2.arcLength() 計算得到。這個函式的第二引數可以用來指定物件的形狀是閉合的（True） ，還是開啟的（一條曲線）
  epsilon = 0.01 * cv2.arcLength(cnt,True)
  # 函式approxPolyDP來對指定的點集進行逼近，cnt是影象輪廓，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。
  # 第三個函式引數若為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並進行修正，引數cnt是影象輪廓。
  hull = cv2.convexHull(cnt)
  # 勾畫影象原始的輪廓
  cv2.drawContours(black,[cnt],2)
  # 用多邊形勾畫輪廓區域
  cv2.drawContours(black,[approx],2)
  # 修正凸性缺陷的輪廓區域
  cv2.drawContours(black,[hull],2)
# 顯示影象
cv2.imshow("hull",black)
cv2.waitKey()
cv2.destroyAllWindows()

執行結果如圖所示：

這裡寫圖片描述