Python + Opencv 实现轮廓提取,轮廓区域面积计算

Python + Opencv2 实现轮廓提取,轮廓区域面积计算;

对图像处理时,会遇到这样一个场景:找到图像主体轮廓,这是其一,可能为了凸显轮廓,需要用指定的颜色进行标记;轮廓标记完可能任务还没有结束,还需对轮廓所勾勒的像素面积区域统计计算。

本篇文章的主要内容就是要解决上面场景遇到的三个问问题

  • 找到图像主题轮廓;
  • 用指定颜色对源图像进行轮廓标记;
  • 计算轮廓中的主体;

实验环境配置为 Python + Opencv 3.4, 处理的图像如下:

images.jpg

第一步,提取轮廓,Opencv 中的 findContours() 函数 可以直接提取轮廓,但对输入图像有一定要求

  • 一,输入的图像必须是单通道,三通道不允许;
  • 二,输入的图像数据类型需是 8UC1;否则程序会报错的,报错信息如下:
error: (-210) [start]FindContours supports only CV_8UC1 images when mode != CV_RETR_FLOODFILL otherwise supports CV_32SC1 images only in function cvStartFindContours_Impl

解决方法,在读取时加入下面这行代码进行数据格式转换,同时解决上面两个问题:

mat_img2 = cv2.imread(img_path,cv2.CV_8UC1)
  • 三、输入的图像背景需是黑色的,否则轮廓提取失败,就以本次图像为例,如果直接提取效果如下:
1.jpg

图片最外层是一层黑色部分,所以最终结果就是标记最外层;对这类背景非黑色的图片做轮廓提取时,需要进行预处理:把背景变为黑色

提供一个简单办法,阈值化处理:设定一个阈值 Threshold 和一个指定值 OutsideValue ,当图像中像素满足某种条件(大于或小于设定的阈值时),像素值发生变化

自适应阈值化分割

这里用到的是 Opencv 提供的自适应阈值分割算法,其函数格式为:

dst=cv2.adaptiveThreshold(src, maxValue, adaptiveMethod, thresholdType, blockSize, C)

  • src 需要分割的图像( adarray 类型);

  • maxValue ,满足条件是替换的像素值,等价于上面提到的 OutsideValue;

  • adaptiveMetheod: 自适应阈值分割算法,Opencv 中提供两种方法

1,ADAPTIVE_THRESH_MEAN_C : 最后的像素值

为原像素值
g

区域像素的平均值

;

2,ADAPTIVE_THRESH_GAUSSIAN_C : 最后像素值

为原像素值

附近

区域大小最小值
image.png

;

  • thresholdType 阈值分割方法,Opencv 提供了5 种;

1,THRESH_BINARY:



2,THRESH_BINARY_INV:



3,THRESH_TRUNC:

4,THRESH_TOZERO:



5,THRESH_TOZERO_INV;
  • dst : 返回的阈值分割图像(是 ndarray 类型)

下面这行代码就是本次实验设置的参数:

dst = cv2.adaptiveThreshold(mat_img2,210,cv2.BORDER_REPLICATE,cv2.THRESH_BINARY_INV,3,10)

自适应阈值分割的结果:

轮廓提取

接下来就是进行轮廓提取了,用到的函数:

image, contours, hierarchy=cv2.findContours(image, mode, method)

  • image 返回的图像,在 Opencv 4.0 之后就没有这个参数了;
  • contours 标记的轮廓,以 list 形式存在,每个轮廓中都包含了轮廓像素的坐标向量;
  • hierarchy 表示轮廓的继承关系,一般用不到;d
  • image 后面image 表示需要标记轮廓的图像,以 ndarray 格式存在;
  • mode 标记轮廓的模式,Opencv 提供了4种;

1,RETR_EXTERNAL;只提取整体外部轮廓;

2,RETR_LIST; 提取所有轮廓,不需要建立任何继承关系;

3, RETR_CCOMP ;提取所有轮廓,最后形成连个水平集,外面一个,内部一个;

4, RETR_TREE ;提取所有轮廓,构建等级关系(父子继承关系)

  • method :轮廓近似点连接方式,例如一个长方形,可以由数百个点连接而成,单节省内存的方式就是找到四个角点即可;
  • 其中前者为 CHAIN_APPROX_NONE 后者为 CHAIN_APPROX_SIMPLE

这里分别对 mode 设置不同的参数,一个设为 RETR_TREE (提取全部轮廓),一个设置 RETR_EXTRENAL (只提取最外部轮廓 );可以看一下提取轮廓效果:

RETR_TREE 结果:

Snipaste_2020-05-10_00-15-26.jpg

RETR_EXTRENAL 结果:


是不是感受到了mode 不同导致轮廓的差距;一般只提取一个轮廓用 RETR_EXTRENAL,多个的话用 RETR_TREE;

轮廓标记

对轮廓颜色绘制,用到 的函数

cv2.drawContours(image, contours, contourIdx, color,thickness)

  • image 绘制轮廓的图像 ndarray 格式;

  • contours ,findContours 函数找到的轮廓列表;

  • contourIdx 绘制轮廓的索引数,取整数时绘制特定索引的轮廓,为负值时,绘制全部轮廓;

  • color 绘制轮廓所用到的颜色,这里需要提醒一下, 想使用 RGB 彩色绘制时,必须保证 输入的 image 为三通道,否则轮廓线非黑即白;

  • thickness ,用于绘制轮廓线条的宽度,取负值时将绘制整个轮廓区域;

以下就是分别取 thickness 为3(左)、-3(右) 绘制的结果

轮廓区域面积计算

最后计算轮廓面积,用到 cv2.contourArea(contour) 函数,里面的参数指的就是计算的轮廓

area = 0for i in contours:    area += cv2.contourArea(i)print(area)>>>16397.5 #最后结果

本篇文章用到的完整代码如下:

import cv2img_path = "E:/data_ceshi/images.jpg"#读取文件mat_img = cv2.imread(img_path)mat_img2 = cv2.imread(img_path,cv2.CV_8UC1)#自适应分割dst = cv2.adaptiveThreshold(mat_img2,210,cv2.BORDER_REPLICATE,cv2.THRESH_BINARY_INV,3,10)#提取轮廓img,contours,heridency = cv2.findContours(dst,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)#标记轮廓cv2.drawContours(mat_img,contours,-1,(255,0,255),3)#计算轮廓面积area = 0for i in contours:    area += cv2.contourArea(i)print(area)#图像showcv2.imshow("window1",mat_img)cv2.waitKey(0)

文章首发于微信公众号:Z先生点记,没事儿常来坐坐!

你可能感兴趣的:(Python + Opencv 实现轮廓提取,轮廓区域面积计算)