OpenCV:轮廓检测、查找轮廓、绘制轮廓、凸包、图像的矩特征 | 您所在的位置:网站首页 › 凸曲线图像 › OpenCV:轮廓检测、查找轮廓、绘制轮廓、凸包、图像的矩特征 |
日萌社 人工智能AI:Keras PyTorch MXNet TensorFlow PaddlePaddle 深度学习实战(不定时更新) 3.8 轮廓检测 学习目标 了解图像的轮廓,知道怎么利用OPenCV查找轮廓 知道轮廓的特征 知道图像的矩特征 1 图像的轮廓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。轮廓是图像目标的外部特征,这种特征对于我们进行图像分析,目标识别和理解等更深层次的处理都有很重要的意义。 轮廓提取的基本原理:对于一幅背景为黑色、目标为白色的二值图像,如果在图中找到一个白色点,且它的8邻域(或4邻域)也均为白色,则说明该点是目标的内部点,将其置为黑色,视觉上就像内部被掏空一样;否则保持白色不变,该点是目标的轮廓点。一般在寻找轮廓之前,都要将图像进行阈值化或Canny边缘检测,转换为二值化图像。 在这里我们看下边缘提取和轮廓检测的区别: 边缘检测主要是通过一些手段检测数字图像中明暗变化剧烈(即梯度变化比较大)像素点,偏向于图像中像素点的变化。如canny边缘检测,结果通常保存在和源图片一样尺寸和类型的边缘图中。 轮廓检测指检测图像中的对象边界,更偏向于关注上层语义对象。如OpenCV中的findContours()函数, 它会得到每一个轮廓并以点向量方式存储,除此也得到一个图像的拓扑信息,即一个轮廓的后一个轮廓、前一个轮廓等的索引编号。 1.1 查找轮廓在OPenCV中查找轮廓的API: 1binary, contours, hierarchy = cv2.findContours(img, mode, method)参数: img: 输入图像,二值图 mode: 轮廓的检索模式,主要有四种方式: cv2.RETR_EXTERNAL:只检测外轮廓,所有子轮廓被忽略 cv2.RETR_LIST:检测的轮廓不建立等级关系,所有轮廓属于同一等级 cv2.RETR_CCOMP:返回所有的轮廓,只建立两个等级的轮廓。一个对象的外轮廓为第 1 级组织结构。而对象内部中空洞的轮廓为 第 2 级组织结构,空洞中的任何对象的轮廓又是第 1 级组织结构。 cv2.RETR_TREE:返回所有的轮廓,建立一个完整的组织结构的轮廓。 method:轮廓的近似方法,主要有以下两种: cv2.CHAIN_APPROX_NONE:存储所有的轮廓点,相邻的两个点的像素位置差不超过1。 cv2.CHAIN_APPROX_SIMPLE:压缩水平方向,垂直方向,对角线方向的元素,只保留该方向的终点坐标,例如一个矩形轮廓只需4个点来保存轮廓信息。 返回: binary: 返回的二值图像 contours: 检测出的轮廓,所有轮廓的列表结构,每个轮廓是目标对象边界点的坐标的数组 hierarchy:轮廓的层次结构。 在检测轮廓时:有时对象可能位于不同的位置,也有可能一个形状在另外一个形状的内部,这种情况下我们称外部的形状为父,内部的形状为子。按照这种方式分类,一幅图像中的所有轮廓之间就建立父子关系。这样我们就可以确定一个轮廓与其他轮廓是怎样连接的,比如它是不是某个轮廓的子轮廓,或者是父轮廓。这种关系就是轮廓的层次关系。 在这幅图像中,我给这几个形状编号为 0-5。2 和 2a 分别代表最外边矩形的外轮廓和内轮廓。 在这里边轮廓 0,1,2 在外部或最外边。我们可以称他们为 0 级,简单来说就是他们属于同一级,接下来轮廓 2a,把它当成轮廓 2 的子轮廓。它就成为第 1 级。轮廓 3 是轮廓 2a 的子轮廓,成为第 3 级。轮廓 3a 是轮廓 3 的子轮廓,成为第 4 级,最后轮廓 4,5 是轮廓 3a 的子轮廓,成为5级,这样我们就构建的轮廓的层级关系。 我们再回到返回值中,不管层次结构是什么样的, 每一个轮廓都包含自己的信息。hierarchy使用包含四个元素的数组来表示: [Next,Previous, First_Child,Parent]。 其中: Next 表示同一级组织结构中的下一个轮廓, 以上图中的轮廓 0 为例,轮廓 1 就是他的 Next。同样,轮廓 1 的 Next 是 2,Next=2。 那轮廓 2 呢?在同一级没有 Next。这时 Next=-1。而轮廓 4 的 Next 为 5,所以它的 Next=5。 Previous 表示同一级结构中的前一个轮廓。 轮廓 1 的 Previous 为轮廓 0,轮廓 2 的 Previous 为轮 廓 1。轮廓 0 没有 Previous,所以 Previous=-1。 First_Child 表示它的第一个子轮廓。 轮廓 2 的子轮廓为 2a。 所以它的 First_Child 为 2a。那轮廓 3a 呢?它有两个子轮廓。但是我们只要第一个子轮廓,所以是轮 廓 4(按照从上往下,从左往右的顺序排序)。 Parent 表示它的父轮廓。 与 First_Child 刚好相反。轮廓 4 和 5 的父轮廓是轮廓 3a。而轮廓 3a 的父轮廓是 3。 注意:如果轮廓没有父轮廓或子轮廓时,则将其置为-1。 1.2 绘制轮廓我们查找到图像中的轮廓后,怎么将他绘制在图像上呢? 1cv2.drawContours(img, contours, index, color, width)参数: img: 轮廓检测的原图像 contours: 检测出的轮廓。 Index: 轮廓的索引,绘制单个轮廓时指定其索引,绘制全部的轮廓时设为-1即可。 color和width: 绘制时轮廓的颜色及线型的宽度。示例: 在北京市的图片上进行轮廓检测,如下图所示: 12345678910111213141516import numpy as np import cv2 as cv import matplotlib.pyplot as plt # 1 图像读取 img = cv.imread('beijing.jpg') imgray = cv.cvtColor(img,cv.COLOR_BGR2GRAY) # 2 边缘检测 canny = cv.Canny(imgray,127,255,0) # 3 轮廓提取 image, contours, hierarchy = cv.findContours(canny,cv.RETR_TREE,cv.CHAIN_APPROX_NONE) # 4 将轮廓绘制在图像上 img = cv.drawContours(img, contours, -1, (0,0,255), 2) # 5 图像显示 plt.imshow(img[:,:,::-1]) plt.xticks([]), plt.yticks([]) plt.show()检测结果如下图所示: 2 轮廓的特征 在提取了图像的轮廓后,可以计算轮廓的不同特征,我们现在主要看下:轮廓的面积,周长,边界框等。 2.1 轮廓面积轮廓面积是轮廓所包围的区域的面积,在OpenCV中使用的API是: 1area = cv.contourArea(cnt) 2.2 轮廓周长轮廓周长也被成为弧长,在OpenCV中使用的API是: 1perimeter = cv2.arcLength(cnt,isclosed)参数: Isclosed: 指定轮廓的形状是闭合的(True),还是开放的。 2.3 轮廓近似轮廓近似是将轮廓形状近似为到另外一种由更少点组成的轮廓形状,新轮廓的点的数目由我们设定的准确度来决定。 假设我们要在一幅图像中查找一个矩形,然而这个图凹凸不平,直接提取轮廓无法提取到一个完美的矩形。因此我们就可以使用轮廓近似函数来近似这个形状了。 在OpenCV中使用的API是: 1approx = cv.approxPolyDP(cnt,epsilon,isclosed)参数: cnt: 要进行轮廓近似的原始轮廓 epsilon:从原始轮廓到近似轮廓的最大距离,是一个准确度参数,该参数对调整后的结果很重要。 Isclosed: 指定轮廓是否闭合返回: approx: 返回的点集,绘制时将其连接起来绘制最终的近似轮廓。示例: 1234567891011121314151617181920212223242526import numpy as np import cv2 as cv import matplotlib.pyplot as plt # 1 图像读取 img = cv.imread('rec.png') imgray = cv.cvtColor(img,cv.COLOR_BGR2GRAY) # 2 转换为二值图 ret,thresh = cv.threshold(imgray,127,255,0) # 3 轮廓提取 image, contours, hierarchy = cv.findContours(thresh,cv.RETR_LIST,cv.CHAIN_APPROX_NONE) # 4 轮廓近似 epsilon = 0.1*cv.arcLength(contours[0],True) approx = cv.approxPolyDP(contours[0],epsilon,True) # 5 将轮廓绘制在图像上 # 5.1 原始轮廓 img1 = cv.drawContours(img, contours, -1, (0,0,255), 2) # 5.2 轮廓近似后的结果 img2 = cv.polylines(img, [approx], True, (0, 0, 255), 2) # 6 图像显示 plt.figure(figsize=(10,8),dpi=100) plt.subplot(121),plt.imshow(img[:,:,::-1]),plt.title('轮廓检测结果') plt.xticks([]), plt.yticks([]) plt.subplot(122),plt.imshow(img[:,:,::-1]),plt.title('轮廓近似后结果') plt.xticks([]), plt.yticks([]) plt.show() 2.4 凸包凸包是计算机几何图形学中的概念,简单来说,给定二维平面点集,凸包就是将最外层的点连接起来构成的凸多边形,他能够包含物体中所有的点。物体的凸包常应用在物体识别,手势识别及边界检测等领域。 在OpenCV中检测凸包的API是: 1hull = cv2.convexHull(points, clockwise, returnPoints)参数: points: 传入的轮廓 clockwise: 方向标志。如果设置为 True,输出的凸包是顺时针方向的。 否则为逆时针方向 returnPoints 默认值为 True。它会返回凸包上点的坐标。 如果设置 为 False,就会返回与凸包点对应的轮廓上的点的索引。返回: hull: 输出的凸包结果示例: 我们检测一个五角星的凸包结果,代码如下: 1234567891011121314151617181920212223242526272829import numpy as np import cv2 as cv import matplotlib.pyplot as plt # 1 图像读取 img = cv.imread('star.jpeg') img1 =img.copy() imgray = cv.cvtColor(img,cv2.COLOR_BGR2GRAY) # 2 边缘检测 canny = cv.Canny(imgray,127,255,0) # 3 轮廓提取 image, contours, hierarchy = cv.findContours(canny,cv2.RETR_TREE,cv2.CHAIN_APPROX_NONE) # 4 将轮廓绘制在图像上 img = cv.drawContours(img, contours, 1, (255,0,0), 2) # 5 凸包检测 hulls=[] for cnt in contours: # 寻找凸包使用cv2.convexHull(contour) hull = cv.convexHull(cnt) hulls.append(hull) draw_hulls = cv.drawContours(img1,hulls, -1, (0, 255, 0), 2) # 5 图像显示 plt.figure(figsize=(10,8),dpi=100) plt.subplot(121),plt.imshow(img[:,:,::-1]),plt.title('轮廓检测结果') plt.xticks([]), plt.yticks([]) plt.subplot(122),plt.imshow(draw_hulls[:,:,::-1]),plt.title('凸包结果') plt.xticks([]), plt.yticks([]) plt.show()检测结果: 2.5 边界矩形轮廓检测中的边界矩形有两种,一种是直边界矩形,一种是旋转边界矩形,分别介绍如下: 直边界矩形 :一个直矩形,没有进行旋转。它不会考虑对象是否旋转,所以该边界矩形的面积不是最小的。可以使用函数cv2.boundingRect()查找得到的。 12x,y,w,h = cv2.boundingRect(cnt) img = cv2.rectangle(img,(x,y),(x+w,y+h),(0,255,0),2)返回值中,(x,y)是矩阵左上角的坐标,(w,h)是举行的宽和高。 旋转边角矩形 :这个边界矩形是面积最小的,他考虑了对象的旋转。用函数cv2.minAreaRect(),返回的是一个Box2D结构,其中包含矩形左上角角点的坐标(x,y),以及矩形的宽和高(w,h),以及旋转角度。但是要绘制这个矩形需要矩形的4个角点。可以通过函数cv2.boxPoints()获得。 1234s = cv2.minAreaRect(cnt) a = cv2.boxPoints(s) a = np.int0(a)#必须转换a的类型为int型 cv2.polylines(im,[a],True,(0,0,255),3)示例: 我们找到以下图形的边界矩形: 代码如下: 12345678910111213141516171819202122232425262728import numpy as np import cv2 as cv import matplotlib.pyplot as plt # 1 图像读取 img = cv.imread('./image/arrows.jpg') imgray = cv.cvtColor(img,cv2.COLOR_BGR2GRAY) # 2 转换为二值图 ret,thresh = cv2.threshold(imgray,127,255,0) # 3 轮廓提取 image, contours, hierarchy = cv.findContours(thresh,1,2) # 4 将轮廓绘制在图像上 #img = cv.drawContours(img, contours, 1, (0,0,255), 2) cnt = contours[1] # 5 边界矩形 # 5.1 直边界矩形 x,y,w,h = cv.boundingRect(cnt) img = cv.rectangle(img,(x,y),(x+w,y+h),(0,255,0),3) # 5.2 旋转边界矩形结果 s = cv.minAreaRect(cnt) a = cv.boxPoints(s) a = np.int0(a)#转换a的类型为int型 cv.polylines(img,[a],True,(0,0,255),3) # 5 图像显示 plt.figure(figsize=(10,8),dpi=100) plt.imshow(img[:,:,::-1]),plt.title('矩形结果') plt.xticks([]), plt.yticks([]) plt.show()检测结果如下所示:其中红色的是旋转边界矩形的结果,绿色的为直边界矩形的结果 2.6 最小外接圆最小外接圆是对象的外切圆,它是所有包含目标对象的圆中面积最小的一个,我们使用函数cv2.minEnclosingCircle()获取最小外接圆。 将上述案例中的边界矩形的代码改为如下所示,即可检测对象的最小外接圆 1234(x,y),radius = cv2.minEnclosingCircle(cnt) center = (int(x),int(y)) radius = int(radius) img = cv2.circle(img,center,radius,(0,255,0),2)检测结果如下所示: 2.7 椭圆拟合椭圆拟合法的基本思路是:对于给定平面上的一组样本点,寻找一个椭圆,使其尽可能接近这些样本点。也就是说,将图像中的一组数据以椭圆方程为模型进行拟合,使某一椭圆方程尽量满足这些数据,并求出该椭圆方程的各个参数。 就椭圆拟合而言,就是先假设椭圆参数,得到每个待拟合点到该椭圆的距离之和,也就是点到假设椭圆的误差,求出使这个和最小的参数。 在OPenCV中我们使用cv2.ellipse()来进行椭圆拟合,将边界矩形中的代码改为如下所示,就可得到椭圆拟合的结果: 12ellipse = cv.fitEllipse(cnt) img = cv.ellipse(img,ellipse,(0,255,0),2)结果如下所示: 2.8 直线拟合直线拟合就是将图像中的对象拟合成一条直线过程,在OPenCV中拟合直线的API是: 1output = cv2.fitLine(points, distType, param, reps, aeps)参数: points: 待拟合直线的点的集合,可以是检测处理轮廓结果 distype: 距离公式,在进行拟合是,要使输入点到拟合直线的距离之和最小,常用的用以下几种: cv2.DIST_L1: 曼哈顿距离 cv2.DIST_L2: 欧式距离 cv2.DIST_C:切比雪夫距离 param: 距离参数,可以设为0 Reps,aeps:用于表示拟合曲线所需要的径向和角度精度,通常设为0.01 返回: output: [vx,vy,x,y]的1*4 的数组,前两个表示直线的方向,即vy/vx表示斜率,后两位表示直线上的一个点。将边界矩形中的代码改为如下示,即可进行直线拟合: 12345rows,cols = img.shape[:2] [vx,vy,x,y] = cv.fitLine(cnt, cv2.DIST_L2,0,0.01,0.01) lefty = int((-x*vy/vx) + y) righty = int(((cols-x)*vy/vx)+y) im = cv.line(img,(cols-1,righty),(0,lefty),(0,255,0),2)3 图像的矩特征 矩函数在图像分析中有着广泛的应用,如模式识别、目标分类、目标识别与方位估计、图像的编码与重构等。从一幅图像计算出来的矩集,不仅可以描述图像形状的全局特征,而且可以提供大量关于该图像不同的几何特征信息,如大小,位置、方向和形状等。 3.1 矩的概念矩是概率与统计中的一个概念,是随机变量的一种数字特征。矩的定义如下: 3.2 图像中的矩特征对于一幅图像,我们把像素的坐标看成是一个二维随机变量(??,??),那么一幅灰度图像可以用二维灰度密度函数来表示,因此可以用矩来描述灰度图像的特征。 在OpenCV中有直接计算图像矩的API,分为两个函数:moments()函数用于计算中心矩,HuMoments函数用于由中心矩计算Hu矩。 1moments(array, binaryImage=false )参数: array:输入数组,也可以是灰度图像,也可以是二维数组,例如提取的轮廓结果。 BinaryImage:默认是false,若为True,则所有非零的像素都会按值1对待,也就是说相当于对图像进行了二值化处理,阈值为1,此参数仅对图像有效。返回: moment: 返回数组的中心矩计算Hu矩时,将中心距输入即可。 示例: 计算上一章节中箭头的矩特征,代码如下所示: 1234567891011121314151617181920import numpy as np import cv2 as cv import matplotlib.pyplot as plt # 1 图像读取 img = cv.imread('./image/arrows.jpg') imgray = cv.cvtColor(img,cv.COLOR_BGR2GRAY) # 2 计算图像的Hu矩 imgmn = cv.moments(imgray) imghu = cv.HuMoments(imgmn) print("图像Hu矩结果:\n",imghu) # 3 计算轮廓的Hu矩 # 3.1 转换为二值图 ret,thresh = cv.threshold(imgray,127,255,0) # 3.2 轮廓提取 image, contours, hierarchy = cv.findContours(thresh,1,2) # 3.3 计算轮廓的Hu矩 cnt = contours[1] mn = cv.moments(cnt) hu = cv.HuMoments(mn) print("Hu矩结果:\n",hu)Hu矩常常作为描述图像的特征,训练分类器,来进行目标识别。 总结 图像的轮廓 轮廓是图像目标的外部特征,是具有相同的颜色或者灰度的连续点连成的曲线。 查找轮廓:cv.findContours() 注意:轮廓的检索方式,近似方式以及轮廓的层次 绘制轮廓:cv.drawContours() 轮廓的特征 面积:ContourArea() 周长:ArcLength() 轮廓近似:approxPolyDP() 逼近图像的多边形曲线 凸包:ConvexHull() 边界矩形:BoundingRect()和MinAreaRect() 最小外接圆:MinEnclosingCircle() 椭圆拟合:fitEllipse() 直线拟合:fitline() 图像的矩特征 矩是统计与概率中的概念 在图像中的应用:空间矩,中心矩,Hu矩 API: moments() 1HuMoments() |
CopyRight 2018-2019 实验室设备网 版权所有 |