python+opencv实现二维码定位（一）
参考：
思路和代码
二维码补充知识
基本思路是：
1）定位点的轮廓有三层轮廓
2）每个定位点的轮廓中心点一样的
3）三个定位点可以围成一个等腰直角三角形
补充思路：
当背景过于复杂的使用时候无法正确找到二维码位置，按以下思路尝试改进：
1）阈值分割
2）膨胀或者腐蚀
3）扣取所有正方形区域，逐一检测
4）然后再进行上面的操作
import numpy as np
import copy
def reshape_image(image):
'''归一化图片尺寸：短边400，长边不超过800，短边400，长边超过800以长边800为主'''
width,height=image.shape[1],image.shape[0]
min_len=width
scale=width*1.0/400
new_width=400
new_height=int(height/scale)
if new_height>800:
new_height=800
scale=height*1.0/800
new_width=int(width/scale)
out=cv2.resize(image,(new_width,new_height))
return out
def detecte(image):
'''提取所有轮廓'''
gray=cv2.cvtColor(image,cv2.COLOR_BGR2GRAY)
_,gray=cv2.threshold(gray,0,255,cv2.THRESH_OTSU+cv2.THRESH_BINARY_INV)
img,contours,hierachy=cv2.findContours(gray,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)
return image,contours,hierachy
def compute_1(contours,i,j):
'''最外面的轮廓和子轮廓的比例'''
area1 = cv2.contourArea(contours[i])
area2 = cv2.contourArea(contours[j])
if area2==0:
return False
ratio = area1 * 1.0 / area2
if abs(ratio - 49.0 / 25):
return True
return False
def compute_2(contours,i,j):
'''子轮廓和子子轮廓的比例'''
area1 = cv2.contourArea(contours[i])
area2 = cv2.contourArea(contours[j])
if area2==0:
return False
ratio = area1 * 1.0 / area2
if abs(ratio - 25.0 / 9):
return True
return False
def compute_center(contours,i):
'''计算轮廓中心点'''
M=cv2.moments(contours[i])
cx = int(M['m10'] / M['m00'])
cy = int(M['m01'] / M['m00'])
return cx,cy
def detect_contours(vec):
'''判断这个轮廓和它的子轮廓以及子子轮廓的中心的间距是否足够小'''
distance_1=np.sqrt((vec[0]-vec[2])**2+(vec[1]-vec[3])**2)
distance_2=np.sqrt((vec[0]-vec[4])**2+(vec[1]-vec[5])**2)
distance_3=np.sqrt((vec[2]-vec[4])**2+(vec[3]-vec[5])**2)
if sum((distance_1,distance_2,distance_3))/3<3:
return True
return False
def juge_angle(rec):
'''判断寻找是否有三个点可以围成等腰直角三角形'''
if len(rec)<3:
return -1,-1,-1
for i in range(len(rec)):
for j in range(i+1,len(rec)):
for k in range(j+1,len(rec)):
distance_1 = np.sqrt((rec[i][0] - rec[j][0]) ** 2 + (rec[i][1] - rec[j][1]) ** 2)
distance_2 = np.sqrt((rec[i][0] - rec[k][0]) ** 2 + (rec[i][1] - rec[k][1]) ** 2)
distance_3 = np.sqrt((rec[j][0] - rec[k][0]) ** 2 + (rec[j][1] - rec[k][1]) ** 2)
if abs(distance_1-distance_2)<5:
if abs(np.sqrt(np.square(distance_1)+np.square(distance_2))-distance_3)<5:
return i,j,k
elif abs(distance_1-distance_3)<5:
if abs(np.sqrt(np.square(distance_1)+np.square(distance_3))-distance_2)<5:
return i,j,k
elif abs(distance_2-distance_3)<5:
if abs(np.sqrt(np.square(distance_2)+np.square(distance_3))-distance_1)<5:
return i,j,k
return -1,-1,-1
def find(image,contours,hierachy,root=0):
'''找到符合要求的轮廓'''
rec=[]
for i in range(len(hierachy)):
child = hierachy[i][2]
child_child=hierachy[child][2]
if child!=-1 and hierachy[child][2]!=-1:
if compute_1(contours, i, child) and compute_2(contours,child,child_child):
cx1,cy1=compute_center(contours,i)
cx2,cy2=compute_center(contours,child)
cx3,cy3=compute_center(contours,child_child)
if detect_contours([cx1,cy1,cx2,cy2,cx3,cy3]):
rec.append([cx1,cy1,cx2,cy2,cx3,cy3,i,child,child_child])
'''计算得到所有在比例上符合要求的轮廓中心点'''
i,j,k=juge_angle(rec)
if i==-1 or j== -1 or k==-1:
return
ts = np.concatenate((contours[rec[i][6]], contours[rec[j][6]], contours[rec[k][6]]))
rect = cv2.minAreaRect(ts)
box = cv2.boxPoints(rect)
box = np.int0(box)
result=copy.deepcopy(image)
cv2.drawContours(result, [box], 0, (0, 0, 255), 2)
cv2.drawContours(image,contours,rec[i][6],(255,0,0),2)
cv2.drawContours(image,contours,rec[j][6],(255,0,0),2)
cv2.drawContours(image,contours,rec[k][6],(255,0,0),2)
cv2.imshow('img',image)
cv2.waitKey(0)
cv2.imshow('img',result)
cv2.waitKey(0)
return
if __name__ == '__main__':
imgpath = "path/mypic.jpg"
image=cv2.imread(imgpath)
image=reshape_image(image)
cv2.imshow('sb', image)
cv2.waitKey(0)
image,contours,hierachy=detecte(image)
find(image,contours,np.squeeze(hierachy))
其中函数的用法说明：
threshold()固定阈值二值化函数
ret, dst = cv2.threshold(src, thresh, maxval, type)
参数
src
输入图，只能输入单通道图像，通常来说为灰度图
thresh
阈值
maxval
当像素值超过了阈值（或者小于阈值，根据type来决定），所赋予的值
type
二值化操作的类型，包含以下5种类型：
cv2.THRESH_BINARY； （两极化）
cv2.THRESH_BINARY_INV；（对调两极化）
cv2.THRESH_TRUNC； （过度）
cv2.THRESH_TOZERO；（亮色过度）
cv2.THRESH_TOZERO_INV；（对调亮色过度）
返回值：
dst
输出图
cv2.findContours()寻找轮廓函数
img, countour,hierarchy ＝ cv2.findContours(image, mode, method[, contours[, hierarchy[, offset ]]])
参数
image
表示寻找轮廓的图像；
mode
表示轮廓的检索模式，有四种（本文介绍的都是新的cv2接口）：
cv2.RETR_EXTERNAL表示只检测外轮廓
cv2.RETR_LIST检测的轮廓不建立等级关系
cv2.RETR_CCOMP建立两个等级的轮廓，上面的一层为外边界，里面的一层为内孔的边界信息。如果内孔内还有一个连通物体，这个物体的边界也在顶层。
cv2.RETR_TREE建立一个等级树结构的轮廓。
method
表示轮廓的近似办法
cv2.CHAIN_APPROX_NONE存储所有的轮廓点，相邻的两个点的像素位置差不超过1，即max（abs（x1-x2），abs（y2-y1））==1
cv2.CHAIN_APPROX_SIMPLE压缩水平方向，垂直方向，对角线方向的元素，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
cv2.CHAIN_APPROX_TC89_L1，CV_CHAIN_APPROX_TC89_KCOS使用teh-Chinl chain 近似算法
返回值
img
表示返回的图像；
coutour
是一个list，每个元素都是一个轮廓（彻底围起来算一个轮廓），用numpy中的ndarray表示。
hierarchy
也是一个ndarry，其中的元素个数和轮廓个数相同，
每个轮廓contours[i]对应4个hierarchy元素hierarchy[i][0] ~hierarchy[i][3]，
分别表示后一个轮廓、前一个轮廓、父轮廓、内嵌轮廓的索引编号，如果没有对应项，则该值为负数。
drawContours()画轮廓函数
cv2.drawContours(img,contours,num,(r,g,b),width)
参数：
img
在这个图像上画
contours
引用这个轮廓列表
num
画轮廓列表准第num个轮廓，如果为-1，则全部画出
rgb
线的颜色
width
线宽
contourArea()计算轮廓下的面积
area = cv2.contourArea(contours[i])
参数
contours[i]
第i个轮廓
返回值
area
面积值
cv2.moments()计算轮廓下的质心
M=cv2.moments(contours[i])
#得到轮廓的矩M，按以下方法可以得到质心坐标。
cx = int(M['m10'] / M['m00'])
cy = int(M['m01'] / M['m00'])