1，輪廓發(fā)現(xiàn)
當通過閾值分割提取到圖像中的目標物體后，就需要通過邊緣檢測來提取目標物體的輪廓，使用這兩種方法基本能夠確定物體的邊緣或者前景。接下來，通常需要做的是擬合這些邊緣的前景，如擬合出包含前景或者邊緣像素點的最小外包矩形、圓、凸包等幾何形狀，為計算它們的面積或者模板匹配等操作打下堅實的基礎。

一個輪廓代表一系列的點（像素），這一系列的點構(gòu)成一個有序的點集，所以可以把一個輪廓理解為一個有序的點集。

輪廓發(fā)現(xiàn)是基于圖像邊緣提取的基礎，尋找對象輪廓的方法，所以邊緣提取的閾值選定會影響最終輪廓的發(fā)現(xiàn)。
2，對象測量
opencv 中輪廓特征包括：如面積，周長，質(zhì)心，邊界框等。
3，輪廓發(fā)現(xiàn)源代碼：

import cv2 as cv
import numpy as npdef edge_demo(image):blurred = cv.GaussianBlur(image, (9, 9), 5)gray = cv.cvtColor(blurred, cv.COLOR_BGR2GRAY)# X Gradientxgrad = cv.Sobel(gray, cv.CV_16SC1, 1, 0)# Y Gradientygrad = cv.Sobel(gray, cv.CV_16SC1, 0, 1)#edge#edge_output = cv.Canny(xgrad, ygrad, 50, 150)edge_output = cv.Canny(gray, 30, 100)cv.imshow("Canny Edge", edge_output)return edge_outputdef contours_demo(image):dst = cv.GaussianBlur(image, (3, 3), 0)gray = cv.cvtColor(dst, cv.COLOR_BGR2GRAY)ret, binary = cv.threshold(gray, 0, 255, cv.THRESH_BINARY | cv.THRESH_OTSU)cv.imshow("binary image", binary)#直接二值化的圖像#binary = edge_demo(image)   #過邊緣處理后的圖像#可以是直接二值化的圖像也可以是經(jīng)過邊緣處理后的圖像（兩種方法視情況而定）#cloneImage, contours, heriachy = cv.findContours(binary, cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE)contours, hierarchy = cv.findContours(binary,cv.RETR_TREE,cv.CHAIN_APPROX_SIMPLE)  cv.drawContours(image,contours,-1,(0,0,255),3) cv.imshow("detect contours", image)src = cv.imread("F:/images/coin.png")
cv.namedWindow("input image", cv.WINDOW_AUTOSIZE)
cv.imshow("input image", src)
contours_demo(src)
cv.waitKey(0)cv.destroyAllWindows()

運行結(jié)果：
注意：對于cv.findContours：opencv2返回兩個值：contours：hierarchy。注:opencv3會返回三個值,分別是img, countours, hierarchy
4，對象測量源代碼：

import cv2 as cv
import numpy as npdef measure_object(image):gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)ret, binary = cv.threshold(gray, 0, 255, cv.THRESH_BINARY | cv.THRESH_OTSU)print("threshold value : %s"%ret)cv.imshow("binary image", binary)dst = cv.cvtColor(binary, cv.COLOR_GRAY2BGR)contours, hierarchy = cv.findContours(binary,cv.RETR_EXTERNAL,cv.CHAIN_APPROX_SIMPLE)  for i, contour in enumerate(contours):area = cv.contourArea(contour)  #輪廓的面積x, y, w, h = cv.boundingRect(contour) #輪廓的外接矩形rate = min(w, h)/max(w, h)#輪廓外接矩形的寬高比print("rectangle rate : %s"%rate)mm = cv.moments(contour)#求輪廓的幾何矩#print(type(mm))#字典型數(shù)據(jù)cx = mm['m10']/mm['m00']#原點的零階矩cy = mm['m01']/mm['m00']cv.circle(dst, (np.int(cx), np.int(cy)), 3, (0, 0, 255), -1)##畫出中心點，-1表示填充#cv.rectangle(dst, (x, y), (x+w, y+h), (0, 0, 255), 2)#繪制輪廓的外接矩形print("contour area %s"%area)approxCurve = cv.approxPolyDP(contour,4,True) #多邊形逼近 4是與閾值的間隔大小，越小越易找出，True是是否找閉合圖像"""cv.contourArea(contour)      #獲取每個輪廓面積cv.boundingRect(contour)     #獲取輪廓的外接矩形cv.moments(contour)          #求取輪廓的幾何距cv.arcLength(contour,True)　　#求取輪廓的周長，指定閉合approxPolyDP(curve, epsilon, closed, approxCurve=None)第一個參數(shù)curve：輸入的點集，直接使用輪廓點集contour第二個參數(shù)epsilon：指定的精度，也即是原始曲線與近似曲線之間的最大距離。第三個參數(shù)closed：若為true,則說明近似曲線是閉合的，反之，若為false，則斷開。第四個參數(shù)approxCurve：輸出的點集，當前點集是能最小包容指定點集的。畫出來即是一個多邊形；print(approxCurve)　　#打印每個輪廓的特征點print(approxCurve.shape)　　#打印該點集的shape，第一個數(shù)是代表了點的個數(shù)，也就是邊長連接逼近數(shù)"""print(approxCurve.shape)if approxCurve.shape[0] > 6:cv.drawContours(dst, contours, i, (0, 255, 0), 2)if approxCurve.shape[0] == 4:cv.drawContours(dst, contours, i, (0, 0, 255), 2)if approxCurve.shape[0] == 3:cv.drawContours(dst, contours, i, (255, 0, 0), 2)cv.imshow("measure-contours", dst)cv.imshow("measure-contours", dst)src = cv.imread("F:/images/contours.png")
cv.namedWindow("input image", cv.WINDOW_AUTOSIZE)
cv.imshow("input image", src)
measure_object(src)
cv.waitKey(0)cv.destroyAllWindows()

運行結(jié)果：

總結(jié)

以上是生活随笔為你收集整理的OpenCV+python：轮廓发现与对象测量的全部內(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，歡迎將生活随笔推薦給好友。