21. 目标识别 — 车辆统计项目

图像轮廓

什么是图像轮廓?

具有相同颜色强度连续点的曲线

21. 目标识别 — 车辆统计项目_第1张图片

轮廓的作用:

  1. 可以用于图形分析
  2. 物体的识别和检测(找到车的轮廓,然后进行定位)

注意:

1.为了检测的准确性,需要先对图像进行二值化或Canny操作

使用 print(img.shape) 查看图片属性  

2.画轮廓时会修改输入的图像

如果不想改变原图像,则把原图像进行深拷贝一份

轮廓查找 API

findContours(img, mode, ApproximationMode...)

该API有两个返回值 contours和hierarchy

contours 查找到的所有轮廓的列表

hierarchy 层级,查找到的轮廓之间的关系

21. 目标识别 — 车辆统计项目_第2张图片

一般情况下选择使用  LIST或者TREE

21. 目标识别 — 车辆统计项目_第3张图片只检测外部大的边缘

21. 目标识别 — 车辆统计项目_第4张图片从里到外进行编号

21. 目标识别 — 车辆统计项目_第5张图片

21. 目标识别 — 车辆统计项目_第6张图片用该种方式的情况最多,因为数顺序的时候好数

21. 目标识别 — 车辆统计项目_第7张图片

 一般使用第二种较多,比如四边形只保存四个脚,数据量会少很多,但不会减少相应的信息

【实战】查找轮廓

import cv2
from matplotlib.pyplot import gray
import numpy as np

# 读取文件
img = cv2.imread('E:\\contours1.jpeg')
print(img.shape)

# 将图片转化为单通道
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY )
print(gray.shape)

#二值化
ret, binary = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY)
# ret为转化是否成功判断,binary为二值化图像,150为阈值
print(ret)

# 轮廓查找
contours, hierarchy = cv2.findContours(binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
# contours 为轮廓    hierarchy为层级
print(contours)

# cv2.imshow('img',img)
# #cv2.imshow('gray',gray)
# cv2.imshow('binary',binary)

cv2.waitKey(0)

 绘制轮廓API

img        在那张图上进行绘制轮廓 

contours        坐标点

contourIdx        轮廓顺序号,-1表示绘制所有轮廓

color        轮廓颜色  (0,0,255)

thickness        线宽, -1表示全部填充

# 轮廓查找
contours, hierarchy = cv2.findContours(binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
# contours 为轮廓    hierarchy为层级
print(contours)

# 绘制轮廓
cv2.drawContours(img,contours, -1 ,(0,0,255), 1)

cv2.imshow('img',img)
# #cv2.imshow('gray',gray)
# cv2.imshow('binary',binary)

cv2.waitKey(0)

21. 目标识别 — 车辆统计项目_第8张图片

计算轮廓的面积和周长

实用场景:通过判断轮廓的面积来过滤小的轮廓,计算物体的面积

21. 目标识别 — 车辆统计项目_第9张图片若要计算实际面积,需要有一个参照物进行比例换算。

21. 目标识别 — 车辆统计项目_第10张图片

闭合:true        不闭合:false

# 计算面积
area = cv2.contourArea(contours[0])
print("area = %d"%(area))

# 计算周长
len = cv2.arcLength(contours[0], True)
# 若为false,则会少计算一条边
print("len = %d"%(len))

 多边形逼近与凸包

21. 目标识别 — 车辆统计项目_第11张图片

 多边形逼近更接近真实的物体

多边形逼近 API

approxPolyDP(curve, epsilon, closed)

curve         轮廓

epsilon        精度

closed        轮廓是否闭合

凸包 API

convexHull(points, clockwise)

points       轮廓

clockwise      true为顺时针,false为逆时针

import cv2
from matplotlib.pyplot import gray
import numpy as np

# 读取文件
img = cv2.imread('E:\\opencv_photo\\hand.png')
print(img.shape)

# 将图片转化为单通道
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY )
print(gray.shape)

#二值化
ret, binary = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY)
# ret为转化是否成功判断,binary为二值化图像,150为阈值
# print(ret)

# 轮廓查找
contours, hierarchy = cv2.findContours(binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
# contours 为轮廓    hierarchy为层级
# print(contours)

# 绘制轮廓
# cv2.drawContours(img,contours, 0 ,(255,255,0), 1)

# # 计算面积
# area = cv2.contourArea(contours[0])
# print("area = %d"%(area))

# # 计算周长
# len = cv2.arcLength(contours[0], True)
# # 若为false,则会少计算一条边
# print("len = %d"%(len))

# 多边形逼近
e = 20
approx = cv2.approxPolyDP(contours[0], e, True)

def drawShape(src, points):
    i = 0
    while i < len(points):
        if(i == len(points) - 1):
            x, y = points[i][0]
            x1, y1 = points[0][0]
            cv2.line(src, (x, y), (x1, y1), (0, 0, 255), 3)
        else:
            x, y = points[i][0]
            x1, y1 = points[i+1][0]
            cv2.line(src, (x, y), (x1, y1), (0, 0, 255), 3)
        i = i+1

drawShape(img, approx)

# 凸包
hull = cv2.convexHull(contours[0])
drawShape(img, hull)

cv2.imshow('img',img)
# #cv2.imshow('gray',gray)
# cv2.imshow('binary',binary)

cv2.waitKey(0)

21. 目标识别 — 车辆统计项目_第12张图片

 外接矩形

最小外接矩形、最大外接矩形

21. 目标识别 — 车辆统计项目_第13张图片

 最小外接矩形:红框,按照最小面积进行连接,判断物体是否发生了旋转,采用该种方式

 最大外接矩形:绿框,按照最大面积进行连接

最小外接矩形 API

minAreaRect(points)

points        轮廓

返回值        RotatedRect     矩形的旋转角度,具体参数

21. 目标识别 — 车辆统计项目_第14张图片

#最小外界矩形
r = cv2.minAreaRect(contours[1])
box = cv2.boxPoints(r)  #取出其中的宽和高
box = np.int0(box)
cv2.drawContours(img, [box], 0, (0,0,255),2)    #轮廓绘制

cv2.imshow('img',img)
# #cv2.imshow('gray',gray)
# cv2.imshow('binary',binary)

cv2.waitKey(0)

21. 目标识别 — 车辆统计项目_第15张图片

最大外界矩形

boundingRect(array)

array        轮廓

返回值        Rect   (宽、高)

# 最大外界矩形
x, y , w, h = cv2.boundingRect(contours[1])
cv2.rectangle(img, (x,y),(x+w, y+h), (255, 0, 0), 2)

 21. 目标识别 — 车辆统计项目_第16张图片

你可能感兴趣的:(Opencv学习笔记,计算机视觉,人工智能,python,opencv)