前言

圖像的輪廓檢測不論是機器視覺還是其他方面都有較大作用，本文將基與Python3.7和OpenCV4.3對靜態(tài)圖像進行輪廓檢測。最終以方框的形式框出目標圖像。

函數(shù)基礎(chǔ)與三方庫

本文所用的第三方庫是Opencv4.3

導(dǎo)入第三方庫

import cv2 as cv

由于Opencv顯示圖像比較麻煩，與matlab或matplob不一致，考慮到基礎(chǔ)薄弱可能對此庫的圖像顯示機制不了解，在此我先定義一個img_show函數(shù)，目的是更方便的顯示圖像。

def img_show(pic，name):
'''
此函數(shù)img_show()用于調(diào)用OpenCV的相關(guān)函數(shù)來進行圖像展示
name為顯示圖像窗口的名稱(name為字符串)
pic為被顯示圖像（pic為opencv imread進來的圖片）
'''
    cv.imshow(pic,name)
    cv.waitkey(0)
    cv.destroyAllWindows()

cv.threshold(pic,thresh,maxvalue,model)

此函數(shù)用于圖像單通道不同閾值的操作，一般用來將圖像進行二值化處理，二值化處理將有助于邊緣檢測的梯度計算。
其中pic為待處理圖片，由于是對單通道處理，所以pic一般要轉(zhuǎn)換為灰度圖

thresh為操作閾值，高于這個閾值的將根據(jù)不同的model統(tǒng)一成 0 或 maxvalue

model為操作方法，一般只需要cv.THRESH_BINARY_INV和cv.THRESH_BINARY

…THRESH_BINARY_INV 將大于thresh的設(shè)置為0

…THRESH_BINARY 將大于thresh的設(shè)置為255

該圖像有兩個返回值，第一個返回值為閾值，即thresh值，第二個為二值圖像的矩陣

cv.findContours（待處理圖片,model（提取模式）,method（提取方法））

此函數(shù)用于提取pic的輪廓點，pic為二值圖像時，函數(shù)提取將更加精準

model 為提取模式 一般用到cv.RETR_EXTERNAL和cv.RETR_TREE

…Extrnal為以外層輪廓的方式進行提取

…Tree則提取圖像內(nèi)外層所有輪廓

method 為提取方法，有cv.CHAIN_APPROX_NONE和cv.CHAIN_APPROX_SIMPLE

…NONE為以線的方式連接提取出來的輪廓

…SIMPLE則壓縮了線和斜邊，只標記了輪廓的各個頂點

此函數(shù)的返回值有兩個，一個是邊緣點（列表形式），一個是層次信息

contours,hierarchy = cv.findContours(pic,cv.RETR_EXTERNAL,cv.CHAIN_APPROX_NONE)

此段代碼的意思是

基于pic 此圖像

使用描述外輪廓的模式

通過各個點鏈接的方式進行輪廓提取

最終得到輪廓列表集合contours和層次關(guān)系hierarchy

注：在contours里面有非常多的輪廓集合，比如contours[0]\contours[1]\contours[2]是三個輪廓，可能只有1是目標輪廓，其他均為噪聲輪廓

cv.drawContours（畫布,輪廓集合,索引,顏色,粗細）

此函數(shù)用于在指定畫布，用指定顏色粗細的線畫出指定輪廓（索引判斷）或所有輪廓（-1）

畫布：將輪廓點畫在畫布上，一般是代替去圖片的copy圖，不然會污染原圖。

輪廓集合：上文中提到的contours，其中包含了目標輪廓和噪聲輪廓的所有輪廓

索引：選定輪廓集合中的某一輪廓，如果你知道目標輪廓的編號可以直接寫，如果不知道就寫-1，可以畫出所有輪廓

顏色： 元組形式，（255，0，0）為紅色，以此類推

粗細：輪廓的粗細 1~任意整數(shù)，太大會覆蓋原圖

cv.boundingRect(圖像）

此函數(shù)用于將檢測的函數(shù)進行矩陣點的查找

圖像：被檢測的圖像，一般是傳入目標的輪廓，即contours[index],index為目標編號

此函數(shù)會返回四個值：x,y,w,h

其中x,y指的是該圖像x軸上最小值和y軸最小值（有左上角為原點時），w,h跟別指的囊括圖像所有的寬和高

代碼實現(xiàn)

#導(dǎo)入opencv
import cv2 as cv

#定義opencv的圖像顯示函數(shù)
def img_show(pic,name):
    cv.imshow(pic,name)
    cv.waitKey(0)
    cv.destroyAllWindows()

#彩色模式讀入圖片
eagle_o = cv.imread('eagle.png',1)
# 圖片轉(zhuǎn)為灰度圖
eagle = cv.cvtColor(eagle_o,cv.COLOR_BGR2GRAY)
# 將圖像轉(zhuǎn)換為二值圖
ret,eagle_2v = cv.threshold(eagle,125,255,cv.THRESH_BINARY_INV) #ret為閾值，eagl_2v為二值圖
# 基于二值圖像用外輪廓的模式，通過全點連接輪廓的方法提取輪廓
contours,hierarchy = cv.findContours(eagle_2v,cv.RETR_EXTERNAL,cv.CHAIN_APPROX_NONE)
# 在copy圖上畫出所有輪廓
img = cv.drawContours(eagle_o.copy(),contours,-1,(255,25,0),5)
# 獲取目標圖像的最小矩陣，此處29為目標的輪廓
x,y,w,h = cv.boundingRect(contours[29])
# 繪制目標框
img = cv.rectangle(eagle_o,(x,y),(x+w,y+h),(255,255,0),7)
img_show('goal',img)

實現(xiàn)效果

總結(jié)

到此這篇關(guān)于如何利用Python+OpenCV實現(xiàn)簡易圖像邊緣輪廓檢測的文章就介紹到這了,更多相關(guān)Python OpenCV圖像邊緣輪廓檢測內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！