邊緣檢測

Canny邊緣檢測器是一種被廣泛使用的算法，并被認為是邊緣檢測最優的算法，該方法使用了比高斯差分算法更復雜的技巧，如多向灰度梯度和滯后閾值化。

Canny邊緣檢測器算法基本步驟：

平滑圖像：通過使用合適的模糊半徑執行高斯模糊來減少圖像內的噪聲。 計算圖像的梯度：這里計算圖像的梯度，并將梯度分類為垂直、水平和斜對角。這一步的輸出用于在下一步中計算真正的邊緣。 非最大值抑制：利用上一步計算出來的梯度方向，檢測某一像素在梯度的正方向和負方向上是否是局部最大值，如果是，則抑制該像素（像素不屬于邊緣）。這是一種邊緣細化技術，用最急劇的變換選出邊緣點。 用滯后閾值化選擇邊緣：最后一步，檢查某一條邊緣是否明顯到足以作為最終輸出，最后去除所有不明顯的邊緣。

Opencv使用Canny邊緣檢測相對簡單，代碼如下：

import cv2import numpy as npimg = cv2.imread('hammer.jpg', 0)cv2.imwrite('canny.jpg', cv2.Canny(img, 200, 300))cv2.imshow('canny', cv2.imread('canny.jpg'))cv2.waitKey()cv2.destroyAllWindows()

運行結果：

Canny函數的原型為

cv2.Canny(image, threshold1, threshold2[, edges[, apertureSize[, L2gradient ]]])

必要參數：第一個參數是需要處理的原圖像，該圖像必須為單通道的灰度圖；第二個參數是滯后閾值1；第三個參數是滯后閾值2。

輪廓檢測

輪廓檢測主要由cv2.findContours函數實現的。函數的原型為

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

函數參數第一個參數是尋找輪廓的圖像；

第二個參數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表示只檢測外輪廓 。 cv2.RETR_LIST檢測的輪廓不建立等級關系。 cv2.RETR_CCOMP建立兩個等級的輪廓，上面的一層為外邊界，里面的一層為內孔的邊界信息。如果內孔內還有一個連通物體，這個物體的邊界也在頂層。 cv2.RETR_TREE建立一個等級樹結構的輪廓。

第三個參數method為輪廓的逼近方法

cv2.CHAIN_APPROX_NONE存儲所有的輪廓點，相鄰的兩個點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，對角線方向的元素，只保留該方向的終點坐標，例如一個矩形輪廓只需4個點來保存輪廓信息。 cv2.CHAIN_APPROX_TC89_L1和cv2.CHAIN_APPROX_TC89_KCOS都是使用teh-Chinl chain近似算法。

返回值

如：image, contours, hier = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

image：是原圖像

contours：圖像的輪廓，以列表的形式表示，每個元素都是圖像中的一個輪廓。

hier：相應輪廓之間的關系。這是一個ndarray，其中的元素個數和輪廓個數相同，每個輪廓contours[i]對應4個hierarchy元素hierarchy[i][0] ~hierarchy[i][3]，分別表示后一個輪廓、前一個輪廓、父輪廓、內嵌輪廓的索引編號，如果沒有對應項，則該值為負數。

原圖：

示例一

import cv2import numpy as npimg = cv2.pyrDown(cv2.imread('hammer.jpg', cv2.IMREAD_UNCHANGED))# threshold 函數對圖像進行二化值處理，由于處理后圖像對原圖像有所變化，因此img.copy()生成新的圖像，cv2.THRESH_BINARY是二化值ret, thresh = cv2.threshold(cv2.cvtColor(img.copy(), cv2.COLOR_BGR2GRAY), 127, 255, cv2.THRESH_BINARY)# findContours函數查找圖像里的圖形輪廓# 函數參數thresh是圖像對象# 層次類型，參數cv2.RETR_EXTERNAL是獲取最外層輪廓，cv2.RETR_TREE是獲取輪廓的整體結構# 輪廓逼近方法# 輸出的返回值，image是原圖像、contours是圖像的輪廓、hier是層次類型image, contours, hier = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)for c in contours: # 輪廓繪制方法一 # boundingRect函數計算邊框值，x，y是坐標值，w，h是矩形的寬和高 x, y, w, h = cv2.boundingRect(c) # 在img圖像畫出矩形，(x, y), (x + w, y + h)是矩形坐標，(0, 255, 0)設置通道顏色，2是設置線條粗度 cv2.rectangle(img, (x, y), (x + w, y + h), (0, 255, 0), 2) # 輪廓繪制方法二 # 查找最小區域 rect = cv2.minAreaRect(c) # 計算最小面積矩形的坐標 box = cv2.boxPoints(rect) # 將坐標規范化為整數 box = np.int0(box) # 繪制矩形 cv2.drawContours(img, [box], 0, (0, 0, 255), 3) # 輪廓繪制方法三 # 圓心坐標和半徑的計算 (x, y), radius = cv2.minEnclosingCircle(c) # 規范化為整數 center = (int(x), int(y)) radius = int(radius) # 勾畫圓形區域 img = cv2.circle(img, center, radius, (0, 255, 0), 2)# # 輪廓繪制方法四# 圍繞圖形勾畫藍色線條cv2.drawContours(img, contours, -1, (255, 0, 0), 2)# 顯示圖像cv2.imshow('contours', img)cv2.waitKey()cv2.destroyAllWindows()

運行結果如圖所示：

示例二

import cv2import numpy as npimg = cv2.pyrDown(cv2.imread('hammer.jpg', cv2.IMREAD_UNCHANGED))ret, thresh = cv2.threshold(cv2.cvtColor(img.copy(), cv2.COLOR_BGR2GRAY) , 127, 255, cv2.THRESH_BINARY)# findContours函數查找圖像里的圖形輪廓# 函數參數thresh是圖像對象# 層次類型，參數cv2.RETR_EXTERNAL是獲取最外層輪廓，cv2.RETR_TREE是獲取輪廓的整體結構# 輪廓逼近方法# 輸出的返回值，image是原圖像、contours是圖像的輪廓、hier是層次類型image, contours, hier = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)# 創建新的圖像blackblack = cv2.cvtColor(np.zeros((img.shape[1], img.shape[0]), dtype=np.uint8), cv2.COLOR_GRAY2BGR)for cnt in contours: # 輪廓周長也被稱為弧長。可以使用函數 cv2.arcLength() 計算得到。這個函數的第二參數可以用來指定對象的形狀是閉合的（True） ，還是打開的（一條曲線） epsilon = 0.01 * cv2.arcLength(cnt, True) # 函數approxPolyDP來對指定的點集進行逼近，cnt是圖像輪廓，epsilon表示的是精度，越小精度越高，因為表示的意思是是原始曲線與近似曲線之間的最大距離。 # 第三個函數參數若為true,則說明近似曲線是閉合的，它的首位都是相連，反之，若為false，則斷開。 approx = cv2.approxPolyDP(cnt, epsilon, True) # convexHull檢查一個曲線的凸性缺陷并進行修正，參數cnt是圖像輪廓。 hull = cv2.convexHull(cnt) # 勾畫圖像原始的輪廓 cv2.drawContours(black, [cnt], -1, (0, 255, 0), 2) # 用多邊形勾畫輪廓區域 cv2.drawContours(black, [approx], -1, (255, 255, 0), 2) # 修正凸性缺陷的輪廓區域 cv2.drawContours(black, [hull], -1, (0, 0, 255), 2)# 顯示圖像cv2.imshow('hull', black)cv2.waitKey()cv2.destroyAllWindows()

運行結果如圖所示：

參考資料：OpenCV 3計算機視覺 Python語言實現第二版

到此這篇關于Python使用Opencv實現邊緣檢測以及輪廓檢測的實現的文章就介紹到這了,更多相關Python 邊緣檢測內容請搜索好吧啦網以前的文章或繼續瀏覽下面的相關文章希望大家以后多多支持好吧啦網！