| 【图像处理】图像轮廓与分割 | 您所在的位置：网站首页 › 轮廓分析百度百科 › 【图像处理】图像轮廓与分割 |
【图像处理】图像轮廓与分割
|
目录： 1、图像轮廓与图像分割。练习理解函数所包含的返回值使用findCountous和drawCountours函数进行练习2、了解分水岭算法的原理，使用API进行实现 一、图像轮廓定义 轮廓可以简单认为成将连续的点（连着边界）连在一起的曲线，具有相同、的颜色或者灰度。轮廓在形状分析和物体的检测和识别中很有用。 为了更加准确，要使用二值化图像。在寻找轮廓之前，要进行阈值化处理、或者 Canny 边界检测。查找轮廓的函数会修改原始图像。如果在找到轮廓之后还想使用原始图像的话，应该将原始图像存储到其他变量中。在 OpenCV 中，查找轮廓就像在黑色背景中超白色物体。要找的物体应该是白色而背景应该是黑色。 查找轮廓 findCountous在二值图像中查找轮廓，函数 cv2.findContours() 有三个参数，第一个是输入图像，第二个是轮廓检索模式，第三个是轮廓近似方法。返回值有三个，第一个是图像，第二个是轮廓，第三个是（轮廓的）层析结构。轮廓（第二个返回值）是一个 Python列表，其中存储这图像中的所有轮廓。每一个轮廓都是一个 Numpy 数组，包含对象边界点（x，y）的坐标。 代码示例： # -*- coding:utf-8 -*- import cv2 import os # 读入图片 imgs = cv2.imread("img.jpg") # 使用canny边缘检测，使图像成为二值化图像 canny = cv2.Canny(imgs,50,200) # 使用opencv自带的轮廓查找方法 image,contours,hierarchy = cv2.findContours(canny,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE) # print(contours) # 由于contours是一个python列表，循环遍历 #此图中检测到8个轮廓，0，1为最外围，2，3为最下方，4，5为右边，6，7为左边 for i in range(len(contours)): # 使用轮廓绘制方法绘制轮廓，设置颜色为蓝色，i为检测出来的第几个轮廓，给定具体数值，将只绘制单个轮廓 res = cv2.drawContours(imgs, contours, i, (255,0,0), 1) cv2.imshow("canny",canny) cv2.imshow("res",res)
图像的轮廓用处众多，留待以后慢慢补充吧。。。 二、分水岭算法概念及原理 分水岭分割方法，是一种基于拓扑理论的数学形态学的分割方法，其基本思想是把图像看作是测地学上的拓扑地貌，图像中每一点像素的灰度值表示该点的海拔高度，每一个局部极小值及其影响区域称为集水盆，而集水盆的边界则形成分水岭。分水岭的概念和形成可以通过模拟浸入过程来说明。在每一个局部极小值表面，刺穿一个小孔，然后把整个模型慢慢浸入水中，随着浸入的加深，每一个局部极小值的影响域慢慢向外扩展，在两个集水盆汇合处构筑大坝，即形成分水岭。 分水岭的计算过程是一个迭代标注过程。分水岭比较经典的计算方法是L. Vincent提出的。在该算法中，分水岭计算分两个步骤，一个是排序过程，一个是淹没过程。首先对每个像素的灰度级进行从低到高排序，然后在从低到高实现淹没过程中，对每一个局部极小值在h阶高度的影响域采用先进先出(FIFO)结构进行判断及标注。 分水岭算法对微弱边缘具有良好的响应，图像中的噪声、物体表面细微的灰度变化，都会产生过度分割的现象。但同时应当看出，分水岭算法对微弱边缘具有良好的响应，是得到封闭连续边缘的保证的。另外，分水岭算法所得到的封闭的集水盆，为分析图像的区域特征提供了可能。 为消除分水岭算法产生的过度分割，通常可以采用两种处理方法，一是利用先验知识去除无关边缘信息。二是修改梯度函数使得集水盆只响应想要探测的目标。（摘自百度百科） 段力辉大神搬运的opencv官方教程给出的分水岭算法详解，奈何本人理解不透，先贴下来，留待研究。 OpenCV-Python 中文教程-段力辉 |
【本文地址】