什么是物體輪廓

輪廓可以簡單地理解為連接所有連續(xù)點(diǎn)（沿物體邊界）的曲線，這些點(diǎn)通常具有相同的顏色或強(qiáng)度。 輪廓在圖像分析中具有重要意義，是物體形狀分析和對象檢測和識(shí)別的有用工具，是理解圖像語義信息的重要依據(jù)。

cv2.findContours

通常，為了提高物體輪廓檢測的準(zhǔn)確率，首先要將彩色圖像或者灰度圖像處理成二值圖像（黑白圖像）或者使用Canny邊緣檢測算法對原圖像進(jìn)行一次濾波處理，這樣可以在不丟失輪廓信息的前提下降低圖像語義信息的復(fù)雜度，更有助于我們準(zhǔn)確地分析物體輪廓。因此，在opencv里邊，尋找輪廓的過程更像是在黑色背景中尋找白色物體。
下邊是一段使用opencv-python里的cv2.findConttours()檢測物體輪廓的代碼。

import numpy as np
import cv2


im = cv2.imread('test.jpg')
imgray = cv2.cvtColor(im, cv2.COLOR_BGR2GRAY)
ret, thresh = cv2.threshold(imgray, 127, 255, 0)
contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)

從上邊的代碼中，我們可以看到cv2.findContours()有三個(gè)參數(shù)：thresh、cv2.RETR_TREE、cv2.CHAIN_APPROX_SIMPLE。

參數(shù)說明：

• thresh：圖像數(shù)據(jù)（二值圖像或經(jīng)過Canny算法處理之后的圖像）
• cv2.RETR_TREE：輪廓檢索方式，還有cv2.RETR_LIST、cv2.RETR_EXTERNAL、cv2.RETR_CCOMP
• cv2.CHAIN_APPROX_SIMPLE：輪廓的估計(jì)方法，除此之外還有 cv2.CHAIN_APPROX_NONE

第二個(gè)參數(shù)指定的不同輪廓檢索方法有什么區(qū)別呢？

詳情請參考 cv2.findContours()的輪廓層級(jí)關(guān)系.

前邊說了物體輪廓是具有相同灰度值的形狀的邊界。它是以形狀邊界上的點(diǎn)的坐標(biāo)（x,y）儲(chǔ)存的，但是cnts里邊是儲(chǔ)存了邊界上所有點(diǎn)的坐標(biāo)嗎？還是只儲(chǔ)存了個(gè)別點(diǎn)的坐標(biāo)？這是由第三個(gè)參數(shù)輪廓的估計(jì)方法指定的。如果傳遞 cv2.CHAIN_APPROX_NONE，則存儲(chǔ)所有邊界點(diǎn)。 但實(shí)際上我們需要所有的點(diǎn)嗎？ 例如，您找到了一條直線的輪廓。 你需要線上的所有點(diǎn)來代表那條線嗎？ 不，我們只需要那條線的兩個(gè)端點(diǎn)。 這就是 cv.CHAIN_APPROX_SIMPLE 所做的。 它去除所有冗余點(diǎn)并壓縮輪廓，從而節(jié)省內(nèi)存。如圖1所示。

　　　　　　圖1. 不同輪廓估計(jì)方法的效果圖

cv2.findContours()返回了兩個(gè)變量：contours, hierarchy。

輸出變量說明：

• contours：一個(gè)包含了圖像中所有輪廓的list對象。其中每一個(gè)獨(dú)立的輪廓信息以邊界點(diǎn)坐標(biāo)（x,y）的形式儲(chǔ)存在numpy數(shù)組中。
• hierarchy：一個(gè)包含4個(gè)值的數(shù)組：[Next, Previous, First Child, Parent]。
  Next：與當(dāng)前輪廓處于同一層級(jí)的下一條輪廓
  Previous：與當(dāng)前輪廓處于同一層級(jí)的上一條輪廓
  First Child：當(dāng)前輪廓的第一條子輪廓
  Parent：當(dāng)前輪廓的父輪廓
  因?yàn)橐话悴皇褂胔ierarchy，所以這里不討論輪廓的層級(jí)關(guān)系，想深入研究的朋友請移步：cv2.findContours()的輪廓層級(jí)關(guān)系.

cv2.drawContours

計(jì)算得到圖像中物體輪廓之后，我們需要將輪廓在圖像中繪制出來才能更直觀地體驗(yàn)到。這時(shí)候需要用到cv2.drawContours()方法。它的第一個(gè)參數(shù)是圖像，第二個(gè)參數(shù)是儲(chǔ)存輪廓信息的python 列表，第三個(gè)參數(shù)是輪廓的索引（在繪制單個(gè)輪廓時(shí)很有用。要繪制所有輪廓，傳遞 -1），其余參數(shù)是顏色、厚度 等等。

繪制檢索到的所有輪廓

cv.drawContours(img, contours, -1, (0,255,0), 3)

繪制檢索到的所有輪廓中的第四個(gè)

cv.drawContours(img, contours, 3, (0,255,0), 3)

但是更多時(shí)候我們使用下邊這種方法繪制單獨(dú)的某一個(gè)輪廓。

第二種方法繪制檢索到的所有輪廓中的第四個(gè)

cnt = contours[4]
cv.drawContours(img, [cnt], 0, (0,255,0), 3)

代碼示例

import cv2
import imutils
import numpy as np

# 讀取圖片
img_dir = r'C:\Users\Lei\Desktop\8.jpg'
img = cv2.imread(img_dir)
# 圖像預(yù)處理
img = imutils.resize(img, height=500)
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
gray = cv2.GaussianBlur(gray, (5, 5), 0)
binary = cv2.Canny(gray, 30, 120)
# 輪廓檢索
contours, hierarchy = cv2.findContours(binary,
                                       cv2.RETR_EXTERNAL,
                                       cv2.CHAIN_APPROX_SIMPLE)

cv2.imshow('origin', img)
if cv2.waitKey(0) & 0xFF == ord('q'):
    cv2.destroyWindow('origin')

cv2.imshow('binary', binary)
if cv2.waitKey(0) & 0xFF == ord('q'):
    cv2.destroyWindow('binary')

# 輪廓過濾以及繪制
draw_img = img.copy()
for i in range(len(contours)):
    # 篩掉面積過小的輪廓
    area = cv2.contourArea(contours[i])
    if area < 800:
        continue
    # 找到包含輪廓的最小矩形框
    rect = cv2.minAreaRect(contours[i])
    # 計(jì)算矩形框的四個(gè)頂點(diǎn)坐標(biāo)
    box = cv2.boxPoints(rect)
    box = np.int0(box)
    # 繪制輪廓
    cv2.drawContours(draw_img, [box], 0, (0, 0, 255), 5)


cv2.imshow('origin with contours', draw_img)
if cv2.waitKey(0) & 0xFF == ord('q'):
    cv2.destroyWindow('origin with contours')

代碼中首先對讀取的RGB圖像（圖2）轉(zhuǎn)灰度圖，然后進(jìn)行高斯濾波去噪，再使用Canny算子進(jìn)行邊緣檢測得到黑白圖像（圖3）。對黑白圖像進(jìn)行輪廓檢索，檢索到的輪廓再根據(jù)cv2.contourArea()計(jì)算得到的面積大小進(jìn)行一次篩選，去掉因噪聲引起的檢測。根據(jù)檢測到的輪廓信息，使用cv2.minAreaRect()得到包含輪廓信息的最小矩形框rect，再使用cv2.boxPoints()計(jì)算出rect的四個(gè)頂點(diǎn)。最后，使用cv2.drawContours()繪制出rect（圖4）。

　　　　　　　　　圖2. RGB原圖像

　　　　　　　圖3. Canny算子得到的黑白圖像

　　　　　　圖4. 使用矩形框顯示輪廓檢測結(jié)果文章來源地址http://www.zghlxwxcb.cn/news/detail-450975.html

到了這里，關(guān)于opencv-python3 | cv2.findContours()檢測圖像中物體輪廓的文章就介紹完了。如果您還想了解更多內(nèi)容，請?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！