OpenCV-Python教程（9、使用霍夫變換檢測(cè)直線）

相比C++而言，Python適合做原型。本系列的文章介紹如何在Python中用OpenCV圖形庫，以及與C++調(diào)用相應(yīng)OpenCV函數(shù)的不同之處。這篇文章介紹在Python中使用OpenCV的霍夫變換檢測(cè)直線。

提示：

• 轉(zhuǎn)載請(qǐng)?jiān)敿?xì)注明原作者及出處，謝謝！
  
• 本文介紹在OpenCV-Python中使用霍夫變換檢測(cè)直線的方法。
• 本文不介詳細(xì)的理論知識(shí)，讀者可從其他資料中獲取相應(yīng)的背景知識(shí)。筆者推薦清華大學(xué)出版社的《圖像處理與計(jì)算機(jī)視覺算法及應(yīng)用(第2版)?》。

霍夫變換

Hough變換是經(jīng)典的檢測(cè)直線的算法。其最初用來檢測(cè)圖像中的直線，同時(shí)也可以將其擴(kuò)展，以用來檢測(cè)圖像中簡(jiǎn)單的結(jié)構(gòu)。

OpenCV提供了兩種用于直線檢測(cè)的Hough變換形式。其中基本的版本是cv2.HoughLines。其輸入一幅含有點(diǎn)集的二值圖（由非0像素表示），其中一些點(diǎn)互相聯(lián)系組成直線。通常這是通過如Canny算子獲得的一幅邊緣圖像。cv2.HoughLines函數(shù)輸出的是[float, float]形式的ndarray，其中每個(gè)值表示檢測(cè)到的線(ρ , θ)中浮點(diǎn)點(diǎn)值的參數(shù)。下面的例子首先使用Canny算子獲得圖像邊緣，然后使用Hough變換檢測(cè)直線。其中HoughLines函數(shù)的參數(shù)3和4對(duì)應(yīng)直線搜索的步長(zhǎng)。在本例中，函數(shù)將通過步長(zhǎng)為1的半徑和步長(zhǎng)為π/180的角來搜索所有可能的直線。最后一個(gè)參數(shù)是經(jīng)過某一點(diǎn)曲線的數(shù)量的閾值，超過這個(gè)閾值，就表示這個(gè)交點(diǎn)所代表的參數(shù)對(duì)(rho, theta)在原圖像中為一條直線。具體理論可參考這篇文章。

[python]?view plaincopy

#coding=utf-8??

import?cv2??

import?numpy?as?np????

??

img?=?cv2.imread("/home/sunny/workspace/images/road.jpg",?0)??

??

img?=?cv2.GaussianBlur(img,(3,3),0)??

edges?=?cv2.Canny(img,?50,?150,?apertureSize?=?3)??

lines?=?cv2.HoughLines(edges,1,np.pi/180,118)?#這里對(duì)最后一個(gè)參數(shù)使用了經(jīng)驗(yàn)型的值??

result?=?img.copy()??

for?line?in?lines[0]:??

????rho?=?line[0]?#第一個(gè)元素是距離rho??

????theta=?line[1]?#第二個(gè)元素是角度theta??

????print?rho??

????print?theta??

????if??(theta?<?(np.pi/4.?))?or?(theta?>?(3.*np.pi/4.0)):?#垂直直線??

????????????????#該直線與第一行的交點(diǎn)??

????????pt1?=?(int(rho/np.cos(theta)),0)??

????????#該直線與最后一行的焦點(diǎn)??

????????pt2?=?(int((rho-result.shape[0]*np.sin(theta))/np.cos(theta)),result.shape[0])??

????????#繪制一條白線??

????????cv2.line(?result,?pt1,?pt2,?(255))??

????else:?#水平直線??

????????#?該直線與第一列的交點(diǎn)??

????????pt1?=?(0,int(rho/np.sin(theta)))??

????????#該直線與最后一列的交點(diǎn)??

????????pt2?=?(result.shape[1],?int((rho-result.shape[1]*np.cos(theta))/np.sin(theta)))??

????????#繪制一條直線??

????????cv2.line(result,?pt1,?pt2,?(255),?1)??

??

cv2.imshow('Canny',?edges?)??

cv2.imshow('Result',?result)??

cv2.waitKey(0)??

cv2.destroyAllWindows()??

結(jié)果如下：

注意：

在C++中，HoughLines函數(shù)得到的結(jié)果是一個(gè)向量lines，其中的元素是由兩個(gè)元素組成的子向量(rho, theta)，所以lines的訪問方式類似二維數(shù)組。因此，可以以類似：

[cpp]?view plaincopy

std::vector<cv::Vec2f>::const_iterator?it=?lines.begin();??

float?rho=?(*it)[0];??

float?theta=?(*it)[1];??

這樣的方式訪問rho和theta。

而在Python中，返回的是一個(gè)三維的np.ndarray！?？赏ㄟ^檢驗(yàn)HoughLines返回的lines的ndim屬性得到。如：

[python]?view plaincopy

lines?=?cv2.HoughLines(edges,1,np.pi/180,118)??

print?lines.ndim??

#將得到3??

至于為什么是三維的，這和NumPy中ndarray的屬性有關(guān)（關(guān)于NumPy的相關(guān)內(nèi)容，請(qǐng)移步至 NumPy簡(jiǎn)明教程 ），如果將HoughLines檢測(cè)到的的結(jié)果輸出，就一目了然了： [python]?view plaincopy

#上面例子中檢測(cè)到的lines的數(shù)據(jù)??

??

3?#lines.ndim屬性??

(1,?5,?2)?#lines.shape屬性??

??

#lines[0]??

[[??4.20000000e+01???2.14675498e+00]??

?[??4.50000000e+01???2.14675498e+00]??

?[??3.50000000e+01???2.16420817e+00]??

?[??1.49000000e+02???1.60570288e+00]??

?[??2.24000000e+02???1.74532920e-01]]??

===============??

#lines本身??

[[[??4.20000000e+01???2.14675498e+00]??

??[??4.50000000e+01???2.14675498e+00]??

??[??3.50000000e+01???2.16420817e+00]??

??[??1.49000000e+02???1.60570288e+00]??

??[??2.24000000e+02???1.74532920e-01]]]??

概率霍夫變換

觀察前面的例子得到的結(jié)果圖片，其中Hough變換看起來就像在圖像中查找對(duì)齊的邊界像素點(diǎn)集合。但這樣會(huì)在一些情況下導(dǎo)致虛假檢測(cè)，如像素偶然對(duì)齊或多條直線穿過同樣的對(duì)齊像素造成的多重檢測(cè)。

要避免這樣的問題，并檢測(cè)圖像中分段的直線（而不是貫穿整個(gè)圖像的直線），就誕生了Hough變化的改進(jìn)版，即概率Hough變換（Probabilistic Hough）。在OpenCV中用函數(shù)cv::HoughLinesP 實(shí)現(xiàn)。如下：

[python]?view plaincopy

#coding=utf-8??

import?cv2??

import?numpy?as?np????

??

img?=?cv2.imread("/home/sunny/workspace/images/road.jpg")??

??

img?=?cv2.GaussianBlur(img,(3,3),0)??

edges?=?cv2.Canny(img,?50,?150,?apertureSize?=?3)??

lines?=?cv2.HoughLines(edges,1,np.pi/180,118)??

result?=?img.copy()??

??

#經(jīng)驗(yàn)參數(shù)??

minLineLength?=?200??

maxLineGap?=?15??

lines?=?cv2.HoughLinesP(edges,1,np.pi/180,80,minLineLength,maxLineGap)??

for?x1,y1,x2,y2?in?lines[0]:??

????cv2.line(img,(x1,y1),(x2,y2),(0,255,0),2)??

??

cv2.imshow('Result',?img)??

cv2.waitKey(0)??

cv2.destroyAllWindows()??

結(jié)果如下：

未完待續(xù)。。。

參考資料：

1、《Opencv2 Computer Vision Application Programming Cookbook》

2、《OpenCV References Manule》

OpenCV-Python教程（10、直方圖均衡化）

相比C++而言，Python適合做原型。本系列的文章介紹如何在Python中用OpenCV圖形庫，以及與C++調(diào)用相應(yīng)OpenCV函數(shù)的不同之處。這篇文章介紹在Python中使用OpenCV和NumPy對(duì)直方圖進(jìn)行均衡化處理。

提示：

• 轉(zhuǎn)載請(qǐng)?jiān)敿?xì)注明原作者及出處，謝謝！
  
• 本文不介詳細(xì)的理論知識(shí)，讀者可從其他資料中獲取相應(yīng)的背景知識(shí)。筆者推薦清華大學(xué)出版社的《圖像處理與計(jì)算機(jī)視覺算法及應(yīng)用(第2版)?》，對(duì)于本節(jié)的內(nèi)容，建議直接參考維基百科直方圖均衡化，只需看下頁面最后的兩幅圖就能懂了。

本文內(nèi)容：

• 使用查找表拉伸直方圖
• 使用OpenCV和NumPy的函數(shù)以不同的方式進(jìn)行直方圖均衡化
  

在某些情況下，一副圖像中大部分像素的強(qiáng)度都集中在某一區(qū)域，而質(zhì)量較高的圖像中，像素的強(qiáng)度應(yīng)該均衡的分布。為此，可將表示像素強(qiáng)度的直方圖進(jìn)行拉伸，將其平坦化。如下：

圖來自維基百科

實(shí)驗(yàn)數(shù)據(jù)

本節(jié)的實(shí)驗(yàn)數(shù)據(jù)來自維基百科，原圖如下：

其直方圖為：

使用查找表來拉伸直方圖

在圖像處理中，直方圖均衡化一般用來均衡圖像的強(qiáng)度，或增加圖像的對(duì)比度。在介紹使用直方圖均衡化來拉伸圖像的直方圖之前，先介紹使用查詢表的方法。

觀察上圖中原始圖像的直方圖，很容易發(fā)現(xiàn)大部分強(qiáng)度值范圍都沒有用到。因此先檢測(cè)圖像非0的最低（imin）強(qiáng)度值和最高（imax）強(qiáng)度值。將最低值imin設(shè)為0，最高值imax設(shè)為255。中間的按255.0*(i-imin)/(imax-imin)+0.5)的形式設(shè)置。

實(shí)現(xiàn)的任務(wù)主要集中在查詢表的創(chuàng)建中，代碼如下：

[python]?view plaincopy

minBinNo,?maxBinNo?=?0,?255??

??

#計(jì)算從左起第一個(gè)不為0的直方圖位置??

for?binNo,?binValue?in?enumerate(hist):??

????if?binValue?!=?0:??

????????minBinNo?=?binNo??

????????break??

#計(jì)算從右起第一個(gè)不為0的直方圖位置??

for?binNo,?binValue?in?enumerate(reversed(hist)):??

????if?binValue?!=?0:??

????????maxBinNo?=?255-binNo??

????????break??

print?minBinNo,?maxBinNo??

??

#生成查找表，方法來自參考文獻(xiàn)1第四章第2節(jié)??

for?i,v?in?enumerate(lut):??

????print?i??

????if?i?<?minBinNo:??

????????lut[i]?=?0??

????elif?i?>?maxBinNo:??

????????lut[i]?=?255??

????else:??

????????lut[i]?=?int(255.0*(i-minBinNo)/(maxBinNo-minBinNo)+0.5)??

查詢表創(chuàng)建完成后，就直接調(diào)用相應(yīng)的OpenCV函數(shù)即可，這里調(diào)用的是cv2.LUT函數(shù)： [python]?view plaincopy

#計(jì)算??

result?=?cv2.LUT(image,?lut)??

cv2.LUT函數(shù)只有兩個(gè)參數(shù)，分別為輸入圖像和查找表，其返回處理的結(jié)果，完整代碼如下：

[python]?view plaincopy

#coding=utf-8??

import?cv2??

import?numpy?as?np??

??

image?=?cv2.imread("D:/test/unequ.jpg",?0)??

lut?=?np.zeros(256,?dtype?=?image.dtype?)#創(chuàng)建空的查找表??

hist=?cv2.calcHist([image],?#計(jì)算圖像的直方圖??

????[0],?#使用的通道??

????None,?#沒有使用mask??

????[256],?#it?is?a?1D?histogram??

????[0.0,255.0])??

??????

minBinNo,?maxBinNo?=?0,?255??

??

#計(jì)算從左起第一個(gè)不為0的直方圖柱的位置??

for?binNo,?binValue?in?enumerate(hist):??

????if?binValue?!=?0:??

????????minBinNo?=?binNo??

????????break??

#計(jì)算從右起第一個(gè)不為0的直方圖柱的位置??

for?binNo,?binValue?in?enumerate(reversed(hist)):??

????if?binValue?!=?0:??

????????maxBinNo?=?255-binNo??

????????break??

print?minBinNo,?maxBinNo??

??

#生成查找表，方法來自參考文獻(xiàn)1第四章第2節(jié)??

for?i,v?in?enumerate(lut):??

????print?i??

????if?i?<?minBinNo:??

????????lut[i]?=?0??

????elif?i?>?maxBinNo:??

????????lut[i]?=?255??

????else:??

????????lut[i]?=?int(255.0*(i-minBinNo)/(maxBinNo-minBinNo)+0.5)??

??

#計(jì)算??

result?=?cv2.LUT(image,?lut)??

cv2.imshow("Result",?result)??

cv2.imwrite("LutImage.jpg",?result)??

cv2.waitKey(0)??

cv2.destroyAllWindows()??

直方圖結(jié)果如下，可以看到原來占的區(qū)域很小的直方圖尖峰被移動(dòng)了：

處理結(jié)果為：

關(guān)于直方圖的繪制，請(qǐng)參考這篇文章。

直方圖均衡化

介紹

有時(shí)圖像的視覺上的缺陷并不在強(qiáng)度值集中在很窄的范圍內(nèi)。而是某些強(qiáng)度值的使用頻率很大。比如第一幅圖中，灰度圖中間值的占了很大的比例。

在完美均衡的直方圖中，每個(gè)柱的值都應(yīng)該相等。即50%的像素值應(yīng)該小于128，25%的像素值應(yīng)該小于64?？偨Y(jié)出的經(jīng)驗(yàn)可定義為：在標(biāo)準(zhǔn)的直方圖中p%的像素?fù)碛械膹?qiáng)度值一定小于或等于255×p%。將該規(guī)律用于均衡直方圖中：強(qiáng)度i的灰度值應(yīng)該在對(duì)應(yīng)的像素強(qiáng)度值低于i的百分比的強(qiáng)度中。因此，所需的查詢表可以由下面的式子建立：

[python]?view plaincopy

lut[i]?=?int(255.0?*p[i])?#p[i]是是強(qiáng)度值小于或等于i的像素的數(shù)目。??

p[i]即直方圖累積值，這是包含小于給點(diǎn)強(qiáng)度值的像素的直方圖，以代替包含指定強(qiáng)度值像素的數(shù)目。比如第一幅圖像的累計(jì)直方圖如下圖中的藍(lán)線：

而完美均衡的直方圖，其累積直方圖應(yīng)為一條斜線，如上圖中均衡化之后的紅線。

更專業(yè)一點(diǎn)，這種累積直方圖應(yīng)稱為累積分布（cumulative distribition）。在NumPy中有一個(gè)專門的函數(shù)來計(jì)算。這在NumPy實(shí)現(xiàn)直方圖均衡化一節(jié)中介紹。

通過上面的介紹，應(yīng)該可以明白，直方圖均衡化就是對(duì)圖像使用一種特殊的查詢表。在第三個(gè)例子中可以看到使用查詢表來獲得直方圖均衡化的效果。通常來說，直方圖均衡化大大增加了圖像的表象。但根據(jù)圖像可視內(nèi)容的不同，不同圖像的直方圖均衡化產(chǎn)生的效果不盡相同。

直方圖均衡化之OpenCV函數(shù)實(shí)現(xiàn)

用OpenCV實(shí)現(xiàn)直方圖均衡化很簡(jiǎn)單，只需調(diào)用一個(gè)函數(shù)即可：

[python]?view plaincopy

img?=?cv2.imread('圖像路徑',0)??

equ?=?cv2.equalizeHist(img)??

cv2.imshow('equ',equ)??

這樣圖像就均衡化了?？梢酝ㄟ^ 直方圖的計(jì)算與顯示 這篇文章中介紹的方法將結(jié)果繪制出來。

直方圖均衡化之NumPy函數(shù)實(shí)現(xiàn)

通過前面的介紹，可以明白直方圖均衡化就是用一種特殊的查找表來實(shí)現(xiàn)的。所以這里用NumPy函數(shù)，以查找表的方式手動(dòng)實(shí)現(xiàn)圖像直方圖的均衡化：

[python]?view plaincopy

#coding=utf-8??

import?cv2??

import?numpy?as?np??

??

image?=?cv2.imread("D:/test/unequ.jpg",?0)??

??

lut?=?np.zeros(256,?dtype?=?image.dtype?)#創(chuàng)建空的查找表??

??

hist,bins?=?np.histogram(image.flatten(),256,[0,256])???

cdf?=?hist.cumsum()?#計(jì)算累積直方圖??

cdf_m?=?np.ma.masked_equal(cdf,0)?#除去直方圖中的0值??

cdf_m?=?(cdf_m?-?cdf_m.min())*255/(cdf_m.max()-cdf_m.min())#等同于前面介紹的lut[i]?=?int(255.0?*p[i])公式??

cdf?=?np.ma.filled(cdf_m,0).astype('uint8')?#將掩模處理掉的元素補(bǔ)為0??

??

#計(jì)算??

result2?=?cdf[image]??

result?=?cv2.LUT(image,?cdf)??

??

cv2.imshow("OpenCVLUT",?result)??

cv2.imshow("NumPyLUT",?result2)??

cv2.waitKey(0)??

cv2.destroyAllWindows()??

最終結(jié)果

驗(yàn)證

比較查找表和OpenCV直方圖均衡化生成的直方圖：

可以看出，總體上來看是吻合的，但OpenCV中函數(shù)的實(shí)現(xiàn) 可能 還有一些細(xì)微的差別（有空去翻下源碼，不過今天就先到這里了）。

參考資料：

1、《Opencv2 Computer Vision Application Programming Cookbook》

2、《OpenCV References Manule》

3、http://opencvpython.blogspot.com/2013/03/histograms-2-histogram-equalization.html

OpenCV-Python教程（11、輪廓檢測(cè)）

相比C++而言，Python適合做原型。本系列的文章介紹如何在Python中用OpenCV圖形庫，以及與C++調(diào)用相應(yīng)OpenCV函數(shù)的不同之處。這篇文章介紹在Python中使用OpenCV檢測(cè)并繪制輪廓。

提示：

• 轉(zhuǎn)載請(qǐng)?jiān)敿?xì)注明原作者及出處，謝謝！
  
• 本文介紹在OpenCV-Python中檢測(cè)并繪制輪廓的方法。
• 本文不介詳細(xì)的理論知識(shí)，讀者可從其他資料中獲取相應(yīng)的背景知識(shí)。筆者推薦清華大學(xué)出版社的《圖像處理與計(jì)算機(jī)視覺算法及應(yīng)用(第2版)?》。

輪廓檢測(cè)

輪廓檢測(cè)也是圖像處理中經(jīng)常用到的。OpenCV-Python接口中使用cv2.findContours()函數(shù)來查找檢測(cè)物體的輪廓。

實(shí)現(xiàn)

使用方式如下：

[python]?view plaincopy

import?cv2??

??

img?=?cv2.imread('D:\\test\\contour.jpg')??

gray?=?cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)??

ret,?binary?=?cv2.threshold(gray,127,255,cv2.THRESH_BINARY)??

??

contours,?hierarchy?=?cv2.findContours(binary,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)??

cv2.drawContours(img,contours,-1,(0,0,255),3)??

??

cv2.imshow("img",?img)??

cv2.waitKey(0)??

需要注意的是cv2.findContours()函數(shù)接受的參數(shù)為二值圖，即黑白的（不是灰度圖），所以讀取的圖像要先轉(zhuǎn)成灰度的，再轉(zhuǎn)成二值圖，參見4、5兩行。第六行是檢測(cè)輪廓，第七行是繪制輪廓。

結(jié)果

原圖如下：

檢測(cè)結(jié)果如下：

注意，findcontours函數(shù)會(huì)“原地”修改輸入的圖像。這一點(diǎn)可通過下面的語句驗(yàn)證：

[python]?view plaincopy

cv2.imshow("binary",?binary)??

contours,?hierarchy?=?cv2.findContours(binary,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)??

cv2.imshow("binary2",?binary)??

執(zhí)行這些語句后會(huì)發(fā)現(xiàn)原圖被修改了。

cv2.findContours()函數(shù)

函數(shù)的原型為

[python]?view plaincopy

cv2.findContours(image,?mode,?method[,?contours[,?hierarchy[,?offset?]]])??

返回兩個(gè)值：contours：hierarchy。

參數(shù)

第一個(gè)參數(shù)是尋找輪廓的圖像；

第二個(gè)參數(shù)表示輪廓的檢索模式，有四種（本文介紹的都是新的cv2接口）：
??? cv2.RETR_EXTERNAL表示只檢測(cè)外輪廓
??? cv2.RETR_LIST檢測(cè)的輪廓不建立等級(jí)關(guān)系
??? cv2.RETR_CCOMP建立兩個(gè)等級(jí)的輪廓，上面的一層為外邊界，里面的一層為內(nèi)孔的邊界信息。如果內(nèi)孔內(nèi)還有一個(gè)連通物體，這個(gè)物體的邊界也在頂層。
??? cv2.RETR_TREE建立一個(gè)等級(jí)樹結(jié)構(gòu)的輪廓。

第三個(gè)參數(shù)method為輪廓的近似辦法
??? cv2.CHAIN_APPROX_NONE存儲(chǔ)所有的輪廓點(diǎn)，相鄰的兩個(gè)點(diǎn)的像素位置差不超過1，即max（abs（x1-x2），abs（y2-y1））==1
??? cv2.CHAIN_APPROX_SIMPLE壓縮水平方向，垂直方向，對(duì)角線方向的元素，只保留該方向的終點(diǎn)坐標(biāo)，例如一個(gè)矩形輪廓只需4個(gè)點(diǎn)來保存輪廓信息
??? cv2.CHAIN_APPROX_TC89_L1，CV_CHAIN_APPROX_TC89_KCOS使用teh-Chinl chain 近似算法

返回值

cv2.findContours()函數(shù)返回兩個(gè)值，一個(gè)是輪廓本身，還有一個(gè)是每條輪廓對(duì)應(yīng)的屬性。

contour返回值

cv2.findContours()函數(shù)首先返回一個(gè)list，list中每個(gè)元素都是圖像中的一個(gè)輪廓，用numpy中的ndarray表示。這個(gè)概念非常重要。在下面drawContours中會(huì)看見。通過
[python]?view plaincopy

print?(type(contours))??

print?(type(contours[0]))??

print?(len(contours))??

可以驗(yàn)證上述信息。會(huì)看到本例中有兩條輪廓，一個(gè)是五角星的，一個(gè)是矩形的。每個(gè)輪廓是一個(gè)ndarray，每個(gè)ndarray是輪廓上的點(diǎn)的集合。

由于我們知道返回的輪廓有兩個(gè)，因此可通過

[python]?view plaincopy

cv2.drawContours(img,contours,0,(0,0,255),3)??

和 [python]?view plaincopy

cv2.drawContours(img,contours,1,(0,255,0),3)??

分別繪制兩個(gè)輪廓，關(guān)于該參數(shù)可參見下面一節(jié)的內(nèi)容。同時(shí)通過
[python]?view plaincopy

print?(len(contours[0]))??

print?(len(contours[1]))??

輸出兩個(gè)輪廓中存儲(chǔ)的點(diǎn)的個(gè)數(shù)，可以看到，第一個(gè)輪廓中只有4個(gè)元素，這是因?yàn)檩喞胁⒉皇谴鎯?chǔ)輪廓上所有的點(diǎn)，而是只存儲(chǔ)可以用直線描述輪廓的點(diǎn)的個(gè)數(shù)，比如一個(gè)“正立”的矩形，只需4個(gè)頂點(diǎn)就能描述輪廓了。

hierarchy返回值

此外，該函數(shù)還可返回一個(gè)可選的hiararchy結(jié)果，這是一個(gè)ndarray，其中的元素個(gè)數(shù)和輪廓個(gè)數(shù)相同，每個(gè)輪廓contours[i]對(duì)應(yīng)4個(gè)hierarchy元素hierarchy[i][0] ~hierarchy[i][3]，分別表示后一個(gè)輪廓、前一個(gè)輪廓、父輪廓、內(nèi)嵌輪廓的索引編號(hào)，如果沒有對(duì)應(yīng)項(xiàng)，則該值為負(fù)數(shù)。

通過

[python]?view plaincopy

print?(type(hierarchy))??

print?(hierarchy.ndim)??

print?(hierarchy[0].ndim)??

print?(hierarchy.shape)??

得到
[python]?view plaincopy

3??

2??

(1,?2,?4)??

可以看出，hierarchy本身包含兩個(gè)ndarray，每個(gè)ndarray對(duì)應(yīng)一個(gè)輪廓，每個(gè)輪廓有四個(gè)屬性。

輪廓的繪制

OpenCV中通過cv2.drawContours在圖像上繪制輪廓。??

cv2.drawContours()函數(shù)

[python]?view plaincopy

cv2.drawContours(image,?contours,?contourIdx,?color[,?thickness[,?lineType[,?hierarchy[,?maxLevel[,?offset?]]]]])??

• 第一個(gè)參數(shù)是指明在哪幅圖像上繪制輪廓；
• 第二個(gè)參數(shù)是輪廓本身，在Python中是一個(gè)list。
• 第三個(gè)參數(shù)指定繪制輪廓list中的哪條輪廓，如果是-1，則繪制其中的所有輪廓。后面的參數(shù)很簡(jiǎn)單。其中thickness表明輪廓線的寬度，如果是-1（cv2.FILLED），則為填充模式。繪制參數(shù)將在以后獨(dú)立詳細(xì)介紹。

補(bǔ)充：

寫著寫著發(fā)現(xiàn)一篇文章介紹不完，所以這里先作為入門的。更多關(guān)于輪廓的信息有機(jī)會(huì)再開一篇文章介紹。

但有朋友提出計(jì)算輪廓的極值點(diǎn)?？捎孟旅娴姆绞接?jì)算得到，如下

[python]?view plaincopy

pentagram?=?contours[1]?#第二條輪廓是五角星??

??

leftmost?=?tuple(pentagram[:,0][pentagram[:,:,0].argmin()])??

rightmost?=?tuple(pentagram[:,0][pentagram[:,:,0].argmin()])??

??

cv2.circle(img,?leftmost,?2,?(0,255,0),3)???

cv2.circle(img,?rightmost,?2,?(0,0,255),3)???

注意！假設(shè)輪廓有100個(gè)點(diǎn)，OpenCV返回的ndarray的維數(shù)是(100, 1, 2)！！！而不是我們認(rèn)為的(100, 2)。切記！！！人民郵電出版社出版了一本《NumPy攻略：Python科學(xué)計(jì)算與數(shù)據(jù)分析》，推薦去看一下。

更新：關(guān)于pentagram[:,0]的意思

在numpy的數(shù)組中，用逗號(hào)分隔的是軸的索引。舉個(gè)例子，假設(shè)有如下的數(shù)組：

[python]?view plaincopy

a?=?np.array([[[3,4]],?[[1,2]],[[5,7]],[[3,7]],[[1,8]]])??

其shape是(5, 1, 2)。與我們的輪廓是相同的。那么a[:,0]的結(jié)果就是： [python]?view plaincopy

[3,4],?[1,2],?[5,7],?[3,7],?[1,8]??

這里a[:,0]的意思就是a[0:5,0]，也就是a[0:5,0:0:2] ，這三者是等價(jià)的 。

回頭看一下，a的shape是(5,1,2)，表明是三個(gè)軸的。在numpy的數(shù)組中，軸的索引是通過逗號(hào)分隔的。同時(shí)冒號(hào)索引“:”表示的是該軸的所有元素。因此a[:, 0]表示的是第一個(gè)軸的所有元素和第二個(gè)軸的第一個(gè)元素。在這里既等價(jià)于a[0:5, 0]。

再者，若給出的索引數(shù)少于數(shù)組中總索引數(shù)，則將已給出的索引樹默認(rèn)按順序指派到軸上。比如a[0:5,0]只給出了兩個(gè)軸的索引，則第一個(gè)索引就是第一個(gè)軸的，第二個(gè)索引是第二個(gè)軸的，而第三個(gè)索引沒有，則默認(rèn)為[:]，即該軸的所有內(nèi)容。因此a[0:5,0]也等價(jià)于a[0:5,0:0:2]。

再詳細(xì)一點(diǎn)，a的全體內(nèi)容為：[[[3,4]], [[1,2]],[[5,7]],[[3,7]],[[1,8]]]。去掉第一層方括號(hào)，其中有五個(gè)元素，每個(gè)元素為[[3,4]]這樣的，所以第一個(gè)索引的范圍為[0:5]。注意OpenCV函數(shù)返回的多維數(shù)組和常見的numpy數(shù)組的不同之處！

觀察[[3,4]]，我們發(fā)現(xiàn)其中只有一個(gè)元素，即[3, 4]，第二個(gè)索引為[0:1]。

再去掉一層方括號(hào)，我們面對(duì)的是[3,4]，有兩個(gè)元素，所以第三個(gè)索引的范圍為[0:2]。

再次強(qiáng)調(diào)一下OpenCVPython接口函數(shù)返回的NumPy數(shù)組和普通的NumPy數(shù)組在組織上的不同之處。

PS：OpenCV-Python討論群——219962286，歡迎大家加入互相探討學(xué)習(xí)。

得到的結(jié)果為如下：

參考資料：

1、《Opencv2 Computer Vision Application Programming Cookbook》

2、《OpenCV References Manule》

3、OpenCV官方文檔Contour部分

from: http://blog.csdn.net/sunny2038/article/category/904451

總結(jié)

以上是生活随笔為你收集整理的OpenCV-Python教程（9）（10）（11）： 使用霍夫变换检测直线 直方图均衡化 轮廓检测的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。