本文共 3836 字，大约阅读时间需要 12 分钟。

1，轮廓发现

当通过阈值分割提取到图像中的目标物体后，就需要通过边缘检测来提取目标物体的轮廓，使用这两种方法基本能够确定物体的边缘或者前景。接下来，通常需要做的是拟合这些边缘的前景，如拟合出包含前景或者边缘像素点的最小外包矩形、圆、凸包等几何形状，为计算它们的面积或者模板匹配等操作打下坚实的基础。

一个轮廓代表一系列的点（像素），这一系列的点构成一个有序的点集，所以可以把一个轮廓理解为一个有序的点集。

轮廓发现是基于图像边缘提取的基础，寻找对象轮廓的方法，所以边缘提取的阈值选定会影响最终轮廓的发现。

2，对象测量 opencv 中轮廓特征包括：如面积，周长，质心，边界框等。 3，轮廓发现源代码：

import cv2 as cvimport numpy as npdef edge_demo(image):    blurred = cv.GaussianBlur(image, (9, 9), 5)    gray = cv.cvtColor(blurred, cv.COLOR_BGR2GRAY)    # X Gradient    xgrad = cv.Sobel(gray, cv.CV_16SC1, 1, 0)    # Y Gradient    ygrad = cv.Sobel(gray, cv.CV_16SC1, 0, 1)    #edge    #edge_output = cv.Canny(xgrad, ygrad, 50, 150)    edge_output = cv.Canny(gray, 30, 100)    cv.imshow("Canny Edge", edge_output)    return edge_outputdef contours_demo(image):    dst = cv.GaussianBlur(image, (3, 3), 0)    gray = cv.cvtColor(dst, cv.COLOR_BGR2GRAY)    ret, binary = cv.threshold(gray, 0, 255, cv.THRESH_BINARY | cv.THRESH_OTSU)    cv.imshow("binary image", binary)#直接二值化的图像    #binary = edge_demo(image)   #过边缘处理后的图像    #可以是直接二值化的图像也可以是经过边缘处理后的图像（两种方法视情况而定）    #cloneImage, contours, heriachy = cv.findContours(binary, cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE)    contours, hierarchy = cv.findContours(binary,cv.RETR_TREE,cv.CHAIN_APPROX_SIMPLE)      cv.drawContours(image,contours,-1,(0,0,255),3)     cv.imshow("detect contours", image)src = cv.imread("F:/images/coin.png")cv.namedWindow("input image", cv.WINDOW_AUTOSIZE)cv.imshow("input image", src)contours_demo(src)cv.waitKey(0)cv.destroyAllWindows()

运行结果：

注意：对于cv.findContours：opencv2返回两个值：contours：hierarchy。注:opencv3会返回三个值,分别是img, countours, hierarchy 4，对象测量源代码：

import cv2 as cvimport numpy as npdef measure_object(image):    gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)    ret, binary = cv.threshold(gray, 0, 255, cv.THRESH_BINARY | cv.THRESH_OTSU)    print("threshold value : %s"%ret)    cv.imshow("binary image", binary)    dst = cv.cvtColor(binary, cv.COLOR_GRAY2BGR)    contours, hierarchy = cv.findContours(binary,cv.RETR_EXTERNAL,cv.CHAIN_APPROX_SIMPLE)      for i, contour in enumerate(contours):        area = cv.contourArea(contour)  #轮廓的面积        x, y, w, h = cv.boundingRect(contour) #轮廓的外接矩形        rate = min(w, h)/max(w, h)#轮廓外接矩形的宽高比        print("rectangle rate : %s"%rate)        mm = cv.moments(contour)#求轮廓的几何矩       #print(type(mm))#字典型数据        cx = mm['m10']/mm['m00']#原点的零阶矩        cy = mm['m01']/mm['m00']        cv.circle(dst, (np.int(cx), np.int(cy)), 3, (0, 0, 255), -1)##画出中心点，-1表示填充        #cv.rectangle(dst, (x, y), (x+w, y+h), (0, 0, 255), 2)#绘制轮廓的外接矩形        print("contour area %s"%area)        approxCurve = cv.approxPolyDP(contour,4,True) #多边形逼近 4是与阈值的间隔大小，越小越易找出，True是是否找闭合图像        """        cv.contourArea(contour)      #获取每个轮廓面积        cv.boundingRect(contour)     #获取轮廓的外接矩形        cv.moments(contour)          #求取轮廓的几何距        cv.arcLength(contour,True)　　#求取轮廓的周长，指定闭合        approxPolyDP(curve, epsilon, closed, approxCurve=None)       第一个参数curve：输入的点集，直接使用轮廓点集contour       第二个参数epsilon：指定的精度，也即是原始曲线与近似曲线之间的最大距离。       第三个参数closed：若为true,则说明近似曲线是闭合的，反之，若为false，则断开。       第四个参数approxCurve：输出的点集，当前点集是能最小包容指定点集的。画出来即是一个多边形；              print(approxCurve)　　#打印每个轮廓的特征点       print(approxCurve.shape)　　#打印该点集的shape，第一个数是代表了点的个数，也就是边长连接逼近数        """        print(approxCurve.shape)        if approxCurve.shape[0] > 6:            cv.drawContours(dst, contours, i, (0, 255, 0), 2)        if approxCurve.shape[0] == 4:            cv.drawContours(dst, contours, i, (0, 0, 255), 2)        if approxCurve.shape[0] == 3:            cv.drawContours(dst, contours, i, (255, 0, 0), 2)    cv.imshow("measure-contours", dst)    cv.imshow("measure-contours", dst)src = cv.imread("F:/images/contours.png")cv.namedWindow("input image", cv.WINDOW_AUTOSIZE)cv.imshow("input image", src)measure_object(src)cv.waitKey(0)cv.destroyAllWindows()

运行结果：

转载地址：http://yahwi.baihongyu.com/