一、边缘检测上一个博客中有讲到边缘检测中的sobel算子的方法我们接着介绍其他方法1.scharr算子和laplacion算子这里我加上了sobel算计进行对比#sobel算子 import cv2 image1cv2.imread(rD:\project\123s.jpg) image1_x_64cv2.Sobel(image1,cv2.CV_64F,dx1,dy0) image1_x_fullcv2.convertScaleAbs(image1_x_64) image1_y_64cv2.Sobel(image1,cv2.CV_64F,dx0,dy1) image1_y_fullcv2.convertScaleAbs(image1_y_64) image1_xy_Sobel_fullcv2.addWeighted(image1_x_full,1,image1_y_full,1,0) cv2.imshow(image1_xy_Sobel_full,image1_xy_Sobel_full) #scharr算子 # cv.scharr(src, ddepth, dx, dy[, dstl, scalel, deltal, borderType]]]]) #ddepth:输出图片的数据深度由输入图像的深度进行选择 #dX:x轴方向导数的阶数 #dy:y轴方向导数的阶数 image2cv2.imread(rD:\project\123s.jpg,cv2.IMREAD_GRAYSCALE)#scharr算子 # image2cv2.cvtColor(image2,cv2.COLOR_BGR2GRAY) #可以通过上面的方法变灰度图也可以通过该方法使用这个方法的时候要把第一句的cv2.IMREAD_GRAYSCALE删去 image2_x_64cv2.Scharr(image2,cv2.CV_64F,dx1,dy0) image2_x_fullcv2.convertScaleAbs(image2_x_64) image2_y_64cv2.Scharr(image2,cv2.CV_64F,dx0,dy1) image2_y_fullcv2.convertScaleAbs(image2_y_64) image2_xy_Scharr_fullcv2.addWeighted(image2_x_full,1,image2_y_full,1,0) cv2.imshow(image2_xy_scharr_full,image2_xy_Scharr_full) #laplacion算子 #ov2.Laplacian(src, ddepth[, dst[, ksize[, scale[, deltal, borderType]]]]]) #ddepth:输出图片的数据深度: #ksize:计算二阶导数滤波器的孔径大小必须为正奇数可选项 #scaLe:缩放比例因子可选项默认值为1 #delta:输出图像的偏移量可选项默认值为0 image3cv2.imread(rD:\project\123s.jpg,cv2.IMREAD_GRAYSCALE) image3_lapcv2.Laplacian(image3,cv2.CV_64F,ksize1)#只能为奇数 image3_lap_fullcv2.convertScaleAbs(image3_lap) cv2.imshow(image_lap_full,image3_lap_full) cv2.waitKey(0)左为sobel中为scharr右为laplacion会发现scharr对边缘的检测会比较强laplacion比较弱。2.canny边缘检测#canny边缘检测 # cv.canny( image, threshold1, threshold2l, aperturesize[, L2gradient]]) #image为输入图像。 #threshold1表示处理过程中的第一个阈值。fL #threshold2表示处理过程中的第二个阈值。fH import cv2 image4cv2.imread(rD:\project\123s.jpg,cv2.IMREAD_GRAYSCALE) cv2.imshow(image4,image4) image4_cannycv2.Canny(image4,100,150)#低高 cv2.imshow(image4_canny,image4_canny) cv2.waitKey(0)二、轮廓检测查找轮廓的API:image, contours, hierarchy cv2.findContours(img,mode,method) 参数: img:需要实现轮廓检测的原图 mode:轮廓的检索模式主要有四种方式: CV2.RETR_EXTERNAL:只检测外轮廓所有子轮廓被忽略 CV2.RETR_LIST:检测的轮廓不建立等级关系所有轮廓属于同一等级 cv2.RETR_CCOMP:返回所有的轮廓只建立两个等级的轮廓。一个对象的外轮廓为第1级组织结构。 而对象内部中空洞的轮廓为第2级组织结构空洞中的任何对象的轮廓又是第1级组织结构。 Cv2.RETR_TREE:返回所有的轮廓建立一个完整的组织结构的轮廓。 method:轮廓的近似方法主要有以下两种: cv2.CHAIN_APPROX_NONE:存储所有的轮廓点。 cv2.CHAIN_APPROX_SIMPLE:压缩模式只保留该方向的终点坐标例如一个矩形轮廓只需4个点来保存轮廓信息。 返回:image:返回处理的原图 contours:包含图像中所有轮廓的List对象。其中每一个独立的轮廓信息以边界点坐标(x,y)的形式储存在numpy数组中。 hierarchy:轮廓的层次结构.一个包含4个值的数组:[Next,Previous,FirstChild,Parent] Next:与当前轮廓处于同一层级的下一条轮廓 Previous:与当前轮廓处于同一层级的上一条轮廓 First Child:当前轮廓的第一条子轮廓 Parent:当前轮廓的父轮廓 注意:做轮廓检测前需要将图片读取为二值数据即像素值只为0和255。import cv2 image1cv2.imread(rD:\project\phone.png) image1_graycv2.cvtColor(image1,cv2.COLOR_BGR2GRAY) cv2.imshow(image1_gray,image1_gray) # cv2.waitKey(0) ret,image1_binarycv2.threshold(image1_gray,120,255,cv2.THRESH_BINARY) cv2.imshow(image1_binary,image1_binary) # cv2.waitKey(0) _,contours,hierarchycv2.findContours(image1_binary,cv2.RETR_TREE,cv2.CHAIN_APPROX_NONE) # contourscv2.findContours(image1_binary,cv2.RETR_TREE,cv2.CHAIN_APPROX_NONE)[-2]#不管opencv啥版本都能正常运行 # print(hierarchy) print(len(contours))#检测到几个轮廓三、轮廓绘制cv2.drawContours(image, contours, contourIdx, color, thicknessNone,lineTypeNone, hierarchyNone, maxLevelNone, offsetNone) 参数含义如下: image:要在其上绘制轮廓的输入图像。 contours:轮廓列表通常由cv2.findContours()函数返回。 contourIdx:要绘制的轮廓的索引。如果为负数则绘制所有轮廓。-1 color:轮廓的颜色以B6R格式表示。例如,(02550)表示绿色 thickness:轮廓线的粗细。默认值为1。 lineType:轮廓线的类型。默认值为cv2.LINE_8. hierarchy:轮廓层次结构。通常由cv2.findContours()函数返回. maxLevel:绘制的最大轮廓层级。默认值为None,表示绘制所有层级。 offset:轮廓点的偏移量。默认值为None在上述轮廓检测后面加上image_copyimage1.copy() cv2.drawContours(imageimage_copy,contourscontours,contourIdx-1,color(0,255,255),thickness2) #-1绘制所有轮廓,0为第0个1是第1个color是轮廓的颜色轮廓的一个宽度 cv2.imshow(image_copy,image_copy) cv2.waitKey(0)四、轮廓面积轮廓周长轮廓外接圆外接矩形轮廓检测 import cv2 image1cv2.imread(rD:\project\phone.png) image1_graycv2.cvtColor(image1,cv2.COLOR_BGR2GRAY) cv2.imshow(image1_gray,image1_gray) # cv2.waitKey(0) ret,image1_binarycv2.threshold(image1_gray,120,255,cv2.THRESH_BINARY) cv2.imshow(image1_binary,image1_binary) # cv2.waitKey(0) _,contours,hierarchycv2.findContours(image1_binary,cv2.RETR_TREE,cv2.CHAIN_APPROX_NONE) # contourscv2.findContours(image1_binary,cv2.RETR_TREE,cv2.CHAIN_APPROX_NONE)[-2]#不管opencv啥版本都能正常运行 # print(hierarchy) print(len(contours)) 轮廓面积 # cv2.contourArea(contour[, oriented]) retval轮廓面积 #contour:顶点构成的二维向量组(如轮廓列表contours中的一个轮廓) #oriented:定向区域标志默认值为False返回面积的绝对值Ture时则根据轮廓方向返回带符号的数值 area_0 cv2.contourArea(contours[0])#轮廓面积 print(area_0) area_1 cv2.contourArea(contours[1]) print(area_1) 轮廓周长 # arcLength(InputArray curve, bool closed)轮廓周长 #curve输入的二维点集(轮廓顶点)可以是vector或Mat类型。 #closed用于指示曲线是否封闭。 length cv2.arcLength(contours[0],closedTrue) print(length) 根据面积显示特定轮廓 a_list[] for i in contours: if cv2.contourArea(i)10000: a_list.append(i) image1_copy image1.copy() image1_copy cv2.drawContours(imageimage1_copy, contoursa_list, contourIdx-1,color(0,255,0),thickness3) cv2.imshow( Contours_show_10000, image1_copy) # cv2.waitKey(0) 轮廓定位好方法 根据轮廓面积进行排序 sortcnt sorted(contours,keycv2.contourArea,reverseTrue)[0] #选取最大面积的轮廓 image_contours cv2.drawContours(image1_copy, [sortcnt],contourIdx-1,color(0,0,255),thickness3) cv2.imshow( image_contours,image_contours) # cv2.waitKey(0) 外接圆、外接矩形 cnt contours[6] (x,y),r cv2.minEnclosingCircle(cnt)#计算轮廓的外接圆 image1_circle cv2.circle(image1,(int(x),int(y)),int (r),(0,255,0),2)#绘制外接圆的方法 cv2.imshow( phone_circle,image1_circle) # cv2.waitKey(0) x,y,w,h cv2.boundingRect(cnt) image1_rectangle cv2.rectangle(image1,(x,y),(xw,yh),(0,255,0),2) cv2.imshow( image1_rectangle,image1_rectangle) cv2.waitKey(0)五轮廓近似就是把复杂的轮廓用更少的点简化表示用直线段代替曲线变成多边形#轮廓的近似 import cv2 # approx cv2.approxPolyDP(curve, epsilon, closed) #curve:输入轮廓。 #epsilon:近似精度即两个轮廓之间最大的欧式距离。该参数越小得到的近似结果越接近实际轮廓;反之得到的近似结果会更川相略。 #closed:布尔类型的参数表示是否封批轮院。如果是 True表示输入轮康是封划的近似结果也会是封闭的。 #返回值:approx:近似结果是一个ndarray数组为1个近似后的轮廓包含了被近似出来的轮廓上的点的坐标 phone cv2.imread(rD:\project\phone.png) phone_gray cv2.cvtColor(phone,cv2.COLOR_BGR2GRAY) #转换为灰/度图 ret,phone_thresh cv2.threshold(phone_gray,120,255,cv2.THRESH_BINARY) #二值比 # image, contours, hierarchy cV2.findContours (phone-thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX NONE)#获取轮廓 contourscv2.findContours(phone_thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_NONE)[-2] epsilon 0.01 * cv2.arcLength(contours[0],True) approx cv2.approxPolyDP(contours[0], epsilon,True) print(contours[0].shape) print(approx.shape) phone_new phone.copy() image_contours cv2.drawContours(phone_new, [approx],contourIdx-1,color(255,255,0),thickness3)# cv2.imshow( phone,phone) cv2.waitKey(0) cv2.imshow( image_contours,image_contours) cv2.waitKey(0)