快捷導(dǎo)航

如何使用Python?OpenCV提取物體輪廓詳解

更新時(shí)間：2022年05月11日 14:58:36 作者：wzw12315

圖像的輪廓檢測(cè)不論是機(jī)器視覺還是其他方面都有較大作用,下面這篇文章主要給大家介紹了關(guān)于如何使用Python?OpenCV提取物體輪廓的相關(guān)資料,文中通過實(shí)例代碼介紹的非常詳細(xì),需要的朋友可以參考下

通常提取物體的輪廓時(shí)，圖像都存在噪聲，提取效果并不理想。如提取下圖的輪廓時(shí)，

提取代碼：

import cv2
 
img = cv2.imread("mouse.png")
cv2.imshow("origin",img)
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
ret,binary = cv2.threshold(gray,128,255,cv2.THRESH_BINARY)
cv2.imshow("binary",binary)
 
contours, hierarchy = cv2.findContours(binary,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)
cv2.drawContours(img,contours,-1,(0,0,255),3)
cv2.imshow("result", img)
cv2.waitKey(0)

提取效果：

可以看出存在非常嚴(yán)重的噪聲干擾。因此，提取輪廓之前需要過濾噪聲的干擾。

首先，進(jìn)行對(duì)圖像進(jìn)行均值濾波（低通濾波），去除噪聲

blured = cv2.blur(img,(5,5))
cv2.imshow("blur",blured)

使用floodfill來去掉目標(biāo)周圍的背景，泛洪填充類始于ps的魔棒工具，這里用來清除背景。

mask = np.zeros((h+2, w+2), np.uint8)       #掩碼長和寬都比輸入圖像多兩個(gè)像素點(diǎn)，泛洪填充不會(huì)超出掩碼的非零邊緣  
#進(jìn)行泛洪填充
cv2.floodFill(blured, mask, (10,10), (255,255,255), (2,2,2),(3,3,3),8)
cv2.imshow("floodfill", blured)

floodFill函數(shù)解析

img：為待使用泛洪算法的圖像
mask：為掩碼層，使用掩碼可以規(guī)定是在哪個(gè)區(qū)域使用該算法，如果是對(duì)于完整圖像都要使用，則掩碼層大小為原圖行數(shù)+2，列數(shù)+2.是一個(gè)二維的0矩陣，邊緣一圈會(huì)在使用算法是置為1。而只有對(duì)于掩碼層上對(duì)應(yīng)為0的位置才能泛洪，所以掩碼層初始化為0矩?！綿type:np.uint8】
seed：為泛洪算法的種子點(diǎn)，也是根據(jù)該點(diǎn)的像素判斷決定和其相近顏色的像素點(diǎn)，是否被泛洪處理。
newvalue：是對(duì)于泛洪區(qū)域新賦的值（B,G,R）
(loDiff1,loDiff2,loDiff3)：是相對(duì)于seed種子點(diǎn)像素可以往下的像素值，即seed(B0,G0,R0)，泛洪區(qū)域下界為（B0-loDiff1,G0-loDiff2,R0-loDiff3）
(upDiff1,upDiff2,upDiff3)：是相對(duì)于seed種子點(diǎn)像素可以往上的像素值，即seed(B0,G0,R0)，泛洪區(qū)域上界為（B0+upDiff1,G0+upDiff2,R0+upDiff3）
flag：為泛洪算法的處理模式：
低八位控制算法的連通性，是以seed點(diǎn)為中心，接著判斷周圍的幾個(gè)像素點(diǎn)，再將泛洪區(qū)域像素點(diǎn)周圍的幾個(gè)像素點(diǎn)進(jìn)行考慮。一般為4，8；默認(rèn)為4
中間八位與掩碼層賦值密切相關(guān)，一般使用（255<<8）使中間8位全位1，則值為255，也就是掩碼層對(duì)應(yīng)原圖的泛洪區(qū)域的部分被由原來的初值0賦值成255，如果中間8位為0，則賦值為1.
高八位由opencv宏參數(shù)指定
- cv2.FLOODFILL_FIXED_RANGE：改變圖像，填充newvalue
- cv2.FLOODFILL_MASK_ONLY：不改變?cè)瓐D像，也就是newvalue參數(shù)失去作用，而是改變對(duì)應(yīng)區(qū)域的掩碼，設(shè)為中間八位的值

然后轉(zhuǎn)換成灰度圖

 gray = cv2.cvtColor(blured,cv2.COLOR_BGR2GRAY)  
 cv2.imshow("gray", gray)

此時(shí)目標(biāo)圖像周圍有寫不光滑，還有一些噪聲，因此進(jìn)行開閉運(yùn)算，得到比較光滑的目標(biāo)

 #定義結(jié)構(gòu)元素  
 kernel = cv2.getStructuringElement(cv2.MORPH_RECT,(50, 50))
 #開閉運(yùn)算，先開運(yùn)算去除背景噪聲，再繼續(xù)閉運(yùn)算填充目標(biāo)內(nèi)的孔洞
 opened = cv2.morphologyEx(gray, cv2.MORPH_OPEN, kernel)  
 closed = cv2.morphologyEx(opened, cv2.MORPH_CLOSE, kernel)  
 cv2.imshow("closed", closed)

接著轉(zhuǎn)換成二值圖以便于獲取圖像的輪廓

最后進(jìn)行輪廓提取，抓取到目標(biāo)

 #找到輪廓
 _,contours, hierarchy = cv2.findContours(binary,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)  
 #繪制輪廓
 cv2.drawContours(img,contours,-1,(0,0,255),3)  
 #繪制結(jié)果
 cv2.imshow("result", img)

全部代碼：

#coding=utf-8
import cv2
import numpy as np
 
img = cv2.imread("temp.jpg")                #載入圖像
h, w = img.shape[:2]                        #獲取圖像的高和寬
cv2.imshow("Origin", img)                   #顯示原始圖像
 
blured = cv2.blur(img,(5,5))                #進(jìn)行濾波去掉噪聲
cv2.imshow("Blur", blured)                  #顯示低通濾波后的圖像
 
mask = np.zeros((h+2, w+2), np.uint8)       #掩碼長和寬都比輸入圖像多兩個(gè)像素點(diǎn)，滿水填充不會(huì)超出掩碼的非零邊緣
#進(jìn)行泛洪填充
cv2.floodFill(blured, mask, (w-1,h-1), (255,255,255), (2,2,2),(3,3,3),8)
cv2.imshow("floodfill", blured)
 
#得到灰度圖
gray = cv2.cvtColor(blured,cv2.COLOR_BGR2GRAY)
cv2.imshow("gray", gray)
 
 
#定義結(jié)構(gòu)元素
kernel = cv2.getStructuringElement(cv2.MORPH_RECT,(50, 50))
#開閉運(yùn)算，先開運(yùn)算去除背景噪聲，再繼續(xù)閉運(yùn)算填充目標(biāo)內(nèi)的孔洞
opened = cv2.morphologyEx(gray, cv2.MORPH_OPEN, kernel)
closed = cv2.morphologyEx(opened, cv2.MORPH_CLOSE, kernel)
cv2.imshow("closed", closed)
 
#求二值圖
ret, binary = cv2.threshold(closed,250,255,cv2.THRESH_BINARY)
cv2.imshow("binary", binary)
 
#找到輪廓
_,contours, hierarchy = cv2.findContours(binary,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)
#繪制輪廓
 
cv2.drawContours(img,contours,-1,(0,0,255),3)
#繪制結(jié)果
cv2.imshow("result", img)
 
cv2.waitKey(0)
cv2.destroyAllWindows()

總結(jié)

到此這篇關(guān)于如何使用Python OpenCV提取物體輪廓的文章就介紹到這了,更多相關(guān)Python OpenCV提取物體輪廓內(nèi)容請(qǐng)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！

您可能感興趣的文章: