opencv图像的轮廓特征
图像的矩
Opencv轮廓矩【判断形态方向、匹配度】_zhuyong006的博客-CSDN博客
从图像中计算出来的矩通常描述了图像不同种类的几何特征如：大小、灰度、方向、形状等，图像矩广泛应用于模式识别、目标分类、目标识别与防伪估计、图像编码与重构等领域。
计算图像的矩
import cv2
from pprint import pprint
im = cv2.imread('./img2.png')
imgray = cv2.cvtColor(im, cv2.COLOR_BGR2GRAY)
ret, thresh = cv2.threshold(imgray, 244, 255, 0)
"""
图像的矩可以帮助我们计算图像的质心，面积等。
"""
M = cv2.moments(thresh)
# print(M)
pprint(M)
# 根据这些矩的值我们可以计算出图像的重心
cx = int(M['m10'] / M['m00'])
cy = int(M['m01'] / M['m00'])
print('图像重心:', cx, cy)计算轮廓矩
import cv2
from pprint import pprint
im = cv2.imread('./img2.png')
imgray = cv2.cvtColor(im, cv2.COLOR_BGR2GRAY)
ret, thresh = cv2.threshold(imgray, 244, 255, 0)
contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
print('轮廓1的有{}个点组成'.format(len(contours[0])))
print('len contours', len(contours))
contours2=[cnt for cnt in contours if cv2.contourArea(cnt)>200]#过滤太小的contour
print('过滤太小的contour', len(contours2))
"""
图像的矩可以帮助我们计算图像的质心， 面积等。
"""
cnt = contours[0] # 第一个
print('第一个轮廓',cnt)
M = cv2.moments(cnt)
# print(M)
pprint(M)
# 根据这些矩的值我们可以计算出轮廓的重心
cx = int(M['m10'] / M['m00'])
cy = int(M['m01'] / M['m00'])
print('图像重心:', cx, cy)
#轮廓面积
area = cv2.contourArea(cnt)
print('轮廓面积:', area,M['m00'])
# 轮廓周长
perimeter = cv2.arcLength(cnt, True)
print('轮廓周长:', perimeter)
轮廓近似
import cv2
import numpy as np
im = cv2.imread('./img2.png')
imgray = cv2.cvtColor(im, cv2.COLOR_BGR2GRAY)
ret, thresh = cv2.threshold(imgray, 244, 255, 0)
contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
#寻找最大轮廓
area=[]
for k in range(len(contours)):
area.append(cv2.contourArea(contours[k]))
max_dix=np.argmax(np.array(area))
#近似轮廓.注意这里只能计算一个轮廓的
cnt=contours[max_dix]
epsilon = 0.1*cv2.arcLength(cnt,True)
print('epsilon:',epsilon)
approx = cv2.approxPolyDP(cnt,epsilon,True)
print('原始的最大轮廓',len(cnt))
print('近似的最大轮廓',len(approx))
img1=im.copy()
cv2.drawContours(img1,cnt,-1,(255,0,0),-3)
cv2.imshow('最大轮廓',img1)
img2=im.copy()
cv2.drawContours(img2,approx,-1,(255,0,0),-3)
cv2.imshow('近似轮廓',img2)
img3=im.copy()
cv2.drawContours(img3,contours,-1,(255,0,0),-3)
cv2.imshow('img3',img3)
cv2.waitKey()边界矩形
import cv2
import numpy as np
im = cv2.imread('./2.jpg')
imgray = cv2.cvtColor(im, cv2.COLOR_BGR2GRAY)
ret, thresh = cv2.threshold(imgray, 244, 255, 0)
contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
#寻找最大轮廓
area=[]
for k in range(len(contours)):
area.append(cv2.contourArea(contours[k]))
max_dix=np.argmax(np.array(area))
cnt=contours[max_dix]
print('原始的最大轮廓',len(cnt))
img1=im.copy()
#边界矩形
x,y,w,h=cv2.boundingRect(cnt)
img=cv2.rectangle(im,(x,y),(x+w,y+h),(255,0,0),2)
cv2.drawContours(img1,contours,-1,(255,0,0),-3)
cv2.imshow('所有轮廓',img1)
cv2.imshow('边界矩形',img)
cv2.waitKey()
轮廓的性质
# -*- coding: utf-8 -*-
import cv2
import numpy as np
im = cv2.imread('./2.jpg')
imgray = cv2.cvtColor(im, cv2.COLOR_BGR2GRAY)
ret, thresh = cv2.threshold(imgray, 244, 255, 0)
contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
#寻找最大轮廓
area=[]
for k in range(len(contours)):
area.append(cv2.contourArea(contours[k]))
max_dix=np.argmax(np.array(area))
cnt=contours[max_dix]
print('原始的最大轮廓',len(cnt))
"""
轮廓的性质.py:
"""
# 边界矩形的宽高比
x, y, w, h = cv2.boundingRect(cnt)
aspect_ratio = float(w) / h
print('边界矩形的长宽比',aspect_ratio)
# Extent轮廓面积与边界矩形面积的比。
area = cv2.contourArea(cnt)
x, y, w, h = cv2.boundingRect(cnt)
rect_area = w * h
extent = float(area) / rect_area
print('轮廓面积与边界矩形面积比',area)
# Solidity轮廓面积与凸包面积的比。
area = cv2.contourArea(cnt)
hull = cv2.convexHull(cnt)
hull_area = cv2.contourArea(hull)
solidity = float(area) / hull_area
print('轮廓面积与凸包面积比',solidity)
# 对象的方向
# (x, y), (MA, ma), angle = cv2.fitEllipse(cnt)
# Mask and Pixel Points掩模和像素点
mask = np.zeros(imgray.shape, np.uint8)
# 最大值和最小值及它们的位置
min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(imgray, mask=mask)
# 平均灰度
mean_val = cv2.mean(im, mask=mask)
print('平均灰度',mean_val)
# 极点 一个对象最上面 最下面 最左 最右 的点。
leftmost = tuple(cnt[cnt[:, :, 0].argmin()][0])
rightmost = tuple(cnt[cnt[:, :, 0].argmax()][0])
topmost = tuple(cnt[cnt[:, :, 1].argmin()][0])
bottommost = tuple(cnt[cnt[:, :, 1].argmax()][0])