cv2.drawContours怎么使用

本篇內(nèi)容主要講解“cv2.drawContours怎么使用”，感興趣的朋友不妨來(lái)看看。本文介紹的方法操作簡(jiǎn)單快捷，實(shí)用性強(qiáng)。下面就讓小編來(lái)帶大家學(xué)習(xí)“cv2.drawContours怎么使用”吧!

1.1什么是輪廓
輪廓可以簡(jiǎn)單認(rèn)為成連續(xù)的點(diǎn)（連著邊界）連在一起的曲線，具有相同的顏色或者灰度。輪廓在形狀分析和物體的檢測(cè)和識(shí)別中很有用。

• 為了準(zhǔn)確，要使用二值化圖像。需要進(jìn)行閥值化處理或者Canny邊界檢測(cè)。

• 查找輪廓的函數(shù)會(huì)修改原始圖像。如果之后想繼續(xù)使用原始圖像，應(yīng)該將原始圖像儲(chǔ)存到其他變量中。

• 在OpenCV中，查找輪廓就像在黑色背景中超白色物體。你應(yīng)該記住，要找的物體應(yīng)該是白色而背景應(yīng)該是黑色。
  如何在一個(gè)二值圖像中查找輪廓。
  函數(shù)cv2.findContours()有三個(gè)參數(shù)，第一個(gè)是輸入圖像，第二個(gè)是輪廓檢索模式，第三個(gè)是輪廓近似方法。返回值有三個(gè)，第一個(gè)是圖像，第二個(gè)是輪廓，第三個(gè)是（輪廓的）層析結(jié)構(gòu)。輪廓（第二個(gè)返回值）是一個(gè)Python列表，其中儲(chǔ)存這圖像中所有輪廓。每一個(gè)輪廓都是一個(gè)Numpy數(shù)組，包含對(duì)象邊界點(diǎn)（x，y）的坐標(biāo)。
  1.2怎樣繪制輪廓
  函數(shù)cv2.drawContours()可以被用來(lái)繪制輪廓。它可以根據(jù)你提供的邊界點(diǎn)繪制任何形狀。它的第一個(gè)參數(shù)是原始圖像，第二個(gè)參數(shù)是輪廓，一個(gè)python列表，第三個(gè)參數(shù)是輪廓的索引（在繪制獨(dú)立輪廓是很有用，當(dāng)設(shè)置為-1時(shí)繪制所有輪廓）。接下來(lái)的參數(shù)是輪廓的顏色和厚度。
  在一幅圖像上繪制所有的輪廓：

import numpy as np
import cv2

img = cv2.imread('1024.jpg')
imgray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
ret,thresh = cv2.threshold(imgray,127,255,0)
image ,contours,hierarchy = cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)
#繪制獨(dú)立輪廓，如第四個(gè)輪廓
#imag = cv2.drawContour(img,contours,-1,(0,255,0),3)
#但是大多數(shù)時(shí)候，下面方法更有用
imag = cv2.drawContours(img,contours,3,(0,255,0),3)

while(1):
    cv2.imshow('img',img)
    cv2.imshow('imgray',imgray)
    cv2.imshow('image',image)
    cv2.imshow('imag',imag)
    if cv2.waitKey(1) == ord('q'):
        break
cv2.destroyAllWindows()

1.3輪廓的近似方法
之前提到輪廓是一個(gè)形狀具有相同灰度值的邊界，它會(huì)存儲(chǔ)形狀邊界上所有的（x,y）坐標(biāo)。實(shí)際上我們不需要所有的點(diǎn)，當(dāng)需要直線時(shí)，找到兩個(gè)端點(diǎn)即可。cv2.CHAIN_APPROX_SIMPLE可以實(shí)現(xiàn)。它會(huì)將輪廓上的冗余點(diǎn)去掉，壓縮輪廓，從而節(jié)省內(nèi)存開支。
下面用矩陣來(lái)演示，在輪廓列表中的每一個(gè)坐標(biāo)上畫一個(gè)藍(lán)色圓圈。第一個(gè)顯示使用cv2.CHAIN_APPROX_NONE的效果，一共734個(gè)點(diǎn)，第二個(gè)圖是使用cv2.CHAIN_APPROX_SIMPLE的結(jié)果，只有4個(gè)點(diǎn)。

2.輪廓特征
2.1矩
圖像的矩可以幫助我們計(jì)算圖像的質(zhì)心，面積等。
函數(shù)cv2.moments()會(huì)將計(jì)算得到的矩以一個(gè)字典的形式返回。

import numpy as np
import cv2

img = cv2.imread('1024.jpg',0)
ret,thresh = cv2.threshold(img,127,255,0)
image,contours,hierarchy=cv2.findContours(thresh,1,2)
cnt=contours[0]
M=cv2.moments(cnt)
print(M)

根據(jù)這些矩的值，我們可以計(jì)算出對(duì)象的重心：

cx=int(M['m10']/M['m00'])
cy=int(M['m01']/M['m00'])

2.2輪廓面積
可以使用函數(shù)cv2.contourArea()計(jì)算得到，也可以用矩（0階矩），M['m00']。

area=cv2.contourArea(cnt)

2.3輪廓周長(zhǎng)
也被稱為弧長(zhǎng)。可以使用函數(shù)cv2.arcLength()計(jì)算得到。這個(gè)函數(shù)的第二參數(shù)可以用來(lái)指定對(duì)象的形狀是閉合的（True），還是打開的（一條曲線）。

perimeter = cv2.arcLength(cnt,True)

2.4輪廓近似
將輪廓形狀近似到另外一種由更少點(diǎn)組成的輪廓形狀，新輪廓的點(diǎn)的數(shù)目由我們?cè)O(shè)定的準(zhǔn)確度來(lái)決定，使用的Douglas-Peucker算法，可以自己Google。
假設(shè)我們要在一幅圖像中查找一個(gè)矩形，但是由于圖像的種種原因我們不能得到一個(gè)完美的矩形，而是一個(gè)“壞形狀”，現(xiàn)在就可以使用這個(gè)函數(shù)來(lái)近似這個(gè)形狀，第二個(gè)參數(shù)是epsilon，它是從原始輪廓到近似輪廓的最大距離，它是一個(gè)準(zhǔn)確度參數(shù)。

epsilon=0.1*cv2.arcLength(cnt,True)
approx = cv2.approxPolyDP(cnt,epsilon,True)

2.5凸包
凸包與輪廓近似相似，但不同，雖然有些情況下它們給出的結(jié)果是一樣的。函數(shù)cv2.convexHull()可以用來(lái)檢測(cè)一個(gè)曲線是否具有凸性缺陷，并能糾正缺陷。一般來(lái)說(shuō)，凸性曲線總是凸出來(lái)的，至少是平的。如果有地方凹進(jìn)去了就被叫做凸性缺陷。例如下圖中的手，紅色曲線顯示了手的凸包，凸性缺陷被雙箭頭標(biāo)出來(lái)了。

hull = cv2.convexHull(points,hull,clockwise,returnPoints)

參數(shù)：

• points我們要傳入的輪廓

• hull輸出，通常不需要

• clockwise方向標(biāo)志，如果設(shè)置為True，輸出的凸包是順時(shí)針?lè)较虻?，否則為逆時(shí)針?lè)较颉?/p>

• returnPoints默認(rèn)值為True。它會(huì)返回凸包上點(diǎn)的坐標(biāo)，如果設(shè)置為False，就會(huì)返回與凸包點(diǎn)對(duì)應(yīng)的輪廓上的點(diǎn)。
  要獲得上圖的凸包，可以用下面命令：

hull=cv2.convexHull(cnt)

但是如果你想獲得凸性缺陷，需要把returnPoints設(shè)置為False。以上面矩形為例，首先我們找到他的輪廓從cnt?，F(xiàn)在把returnPoints設(shè)置為True查找凸包，得到的就是矩形的四個(gè)角點(diǎn)。把returnPoints設(shè)置為False，得到的是輪廓點(diǎn)的索引。
2.6凸性檢測(cè)
函數(shù)cv2.isContourConvex()可以檢測(cè)一個(gè)曲線是不是凸的。它只能返回True或者False。

k=cv2.isContourConvex(cnt)

2.7邊界矩形
直邊界矩形，一個(gè)直矩形，沒(méi)有旋轉(zhuǎn)。不會(huì)考慮對(duì)象是否旋轉(zhuǎn)。所以邊界矩形的面積不是最小的?？梢允褂煤瘮?shù)cv2.boundingRect()查找得到

#（x,y）為矩形左上角的坐標(biāo)，（w,h）是矩形的寬和高
x,y,w,h=cv2.boundingRect(cnt)
img=cv2.rectangle(img,(x,y),(x+w,y+h),(0,255,0),2)

旋轉(zhuǎn)的邊界矩形，這個(gè)邊界矩形是面積最小的，因?yàn)樗紤]了對(duì)象的旋轉(zhuǎn)。用函數(shù)cv2.minAreaRect()。返回的是一個(gè)Box2D結(jié)構(gòu)，其中包含矩形最上角角點(diǎn)坐標(biāo)（x，y）矩形的寬和高（w,h）以及旋轉(zhuǎn)角度。但是要繪制這個(gè)矩形需要矩形的4個(gè)角點(diǎn)，可以通過(guò)函數(shù)cv2.boxPoints()獲得。
其中綠色的為直矩形，紅色為旋轉(zhuǎn)矩形。

2.8最小外接圓
函數(shù)cv2.minEnclosingCircle()可以幫我們找到一個(gè)對(duì)象的外接圓。它是所有能夠包括對(duì)象的圓中面積最小的一個(gè)。

(x,y),radius = cv2.minEnclosingCircle(cnt)
center = (int(x),int(y))
radius = int(radius)
img = cv2.circle(img,center,radius,(0,255,0),2)

2.9橢圓擬合
使用函數(shù)cv2.ellipse()，返回值其實(shí)就是旋轉(zhuǎn)邊界矩形的內(nèi)切圓。

ellipse = cv2.fitEllipse(cnt)
img = cv2.ellipse(img,ellipse,(0,255,0),2)

2.10直線擬合
可以根據(jù)一組點(diǎn)擬合出一條直線，同樣我們也可以為圖像中的白色點(diǎn)擬合出一條直線。

rows,cols = img.shape[:2]
[vx,vy,x,y]=cv2.fitLine(cnt,cv2.DIST_L2,0,0.01,0.01)
lefty=int((x*vy/vx)+y)
righty=int(((cols-x)*vy/vx)+y)
img = cv2.line(img,(cols-1,righty),(0,lefty),(0,255,0),2)

到此，相信大家對(duì)“cv2.drawContours怎么使用”有了更深的了解，不妨來(lái)實(shí)際操作一番吧！這里是億速云網(wǎng)站，更多相關(guān)內(nèi)容可以進(jìn)入相關(guān)頻道進(jìn)行查詢，關(guān)注我們，繼續(xù)學(xué)習(xí)！