Opencv(Python) 教程-轮廓(2)轮廓特征求取
来源:互联网 发布:java连接数据库的框架 编辑:程序博客网 时间:2024/05/16 06:27
目标
查找轮廓的不同特征,例如面积,周长,重心,边界框等,这些特征在未来的图像识别中,会大量的用到。
矩的概念
图像识别的一个核心问题是图像的特征提取,简单描述即为用一组简单的数据(图像描述量)来描述整个图像,这组数据越简单越有代表性越好。良好的特征不受光线、噪点、几何形变的干扰。图像识别发展几十年,不断有新的特征提出,而图像不变矩就是其中一个。矩是概率与统计中的一个概念,是随机变量的一种数字特征。设
比较重要的有两种情况:
1.
2.
一阶原点矩就是期望。一阶中心矩
针对于一幅图像,我们把像素的坐标看成是一个二维随机变量
不变矩(Invariant Moments)是一处高度浓缩的图像特征,具有平移、灰度、尺度、旋转不变性。M.K.Hu在1961年首先提出了不变矩的概念。1979年M.R.Teague根据正交多项式理论提出了Zernike矩。
对于矩的相关具体计算方法及概念,参考链接http://blog.csdn.net/qq_18343569/article/details/46913501
import cv2import numpy as npimg = cv2.imread('star.jpg',0)img=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) #彩色转灰度ret,thresh = cv2.threshold(img,127,255,0) #二值化image,contours,hierarchy = cv2.findContours(thresh, 1, 2)cnt = contours[0] #选取其中的第一个轮廓M = cv2.moments(cnt) #对第一个轮廓print (M) #打印出所有计算的M的参数,其各个数值的计算公式参考http://blog.csdn.net/qq_18343569/article/details/46913501cx = int(M['m10']/M['m00']) #X方向的重心,其中M['m10']表示的是x方向的一阶空间矩,M['m00']表示面积,M['m00']也可以通过cv2.contourArea() 计算得到cy = int(M['m01']/M['m00']) #Y方向的重心
另外,关于轮廓的函数还包括如下
轮廓周长
cv2.arcLength()
perimeter = cv2.arcLength(cnt,True)这个函数的第二参数可以用来指定对象的形状是闭合的(True),还是打开的(一条曲线)。假如是一条闭合的曲线,那种方法计算结果一致,如果是开曲线,则两者计算结果不同,其中闭合的方法,会在最后将起始点和终止点连一起的长度加进去。
轮廓近似
将轮廓形状近似到另外一种由更少点组成的轮廓形状,新轮廓的点的数目由我们设定的准确度来决定。使用的Douglas-Peucker算法,你可以到维基百科获得更多此算法的细节。为了帮助理解,假设我们要在一幅图像中查找一个矩形,但是由于图像的种种原因,我们不能得到一个完美的矩形,而是一个“坏形状”(如下图所示)。现在你就可以使用这个函数来近似这个形状了。这个函数的第二个参数叫epsilon,它是从原始轮廓到近似轮廓的最大距离。它是一个准确度参数。选择一个好的 epsilon 对于得到满意结果非常重要。
epsilon = 0.1*cv2.arcLength(cnt,True)approx = cv2.approxPolyDP(cnt,epsilon,True)下边,第二幅图中的绿线是当 epsilon = 10% 时得到的近似轮廓,第三幅图是当 epsilon = 1% 时得到的近似轮廓。第三个参数设定弧线是否闭合。
凸包
凸包与轮廓近似相似,但不同,虽然有些情况下它们给出的结果是一样的。函数 cv2.convexHull() 可以用来检测一个曲线是否具有凸性缺陷,并能纠正缺陷。一般来说,凸性曲线总是凸出来的,至少是平的。如果有地方凹进去了就被叫做凸性缺陷。例如下图中的手。红色曲线显示了手的凸包,凸性缺陷被双箭头标出来了。
参考代码为:
hull = cv2.convexHull(points, hull, clockwise, returnPoints)points 我们要传入的轮廓• hull 输出,通常不需要• clockwise 方向标志。如果设置为 True,输出的凸包是顺时针方向的。否则为逆时针方向。• returnPoints 默认值为 True。它会返回凸包上点的坐标。如果设置为 False,就会返回与凸包点对应的轮廓上的点。
凸性检测
函数 cv2.isContourConvex() 可以可以用来检测一个曲线是不是凸的。它只能返回 True 或 False。
k = cv2.isContourConvex(cnt)
边界矩形
直边界矩形 一个直矩形(就是没有旋转的矩形)。它不会考虑对象是否旋转。所以边界矩形的面积不是最小的。可以使用函数 cv2.boundingRect() 查找得到。(x,y)为矩形左上角的坐标,(w,h)是矩形的宽和高。
x,y,w,h = cv2.boundingRect(cnt)img = cv2.rectangle(img,(x,y),(x+w,y+h),(0,255,0),2)旋转的边界矩形 这个边界矩形是面积最小的,因为它考虑了对象的旋转。用到的函数为 cv2.minAreaRect()。返回的是一个 Box2D 结构,其中包含矩形左上角角点的坐标(x,y),矩形的宽和高(w,h),以及旋转角度。但是要绘制这个矩形需要矩形的 4 个角点,可以通过函数 cv2.boxPoints() 获得。
rect = cv2.minAreaRect(cnt)box = cv2.cv.BoxPoints(rect)box = np.int0(box)cv2.drawContours(img, [box], 0, (0, 0, 255), 2)
把这两中边界矩形显示在下图中,其中绿色的为直矩形,红的为旋转矩形。完整代码如下:# 用绿色(0, 255, 0)来画出最小的矩形框架x, y, w, h = cv2.boundingRect(cnt)cv2.rectangle(img, (x, y), (x+w, y+h), (0, 255, 0), 2)# 用红色表示有旋转角度的矩形框架rect = cv2.minAreaRect(cnt)box = cv2.cv.BoxPoints(rect)box = np.int0(box)cv2.drawContours(img, [box], 0, (0, 0, 255), 2)cv2.imwrite('contours.png', img)
最小外接圆
函数 cv2.minEnclosingCircle() 可以帮我们找到一个对象的外切圆。它是所有能够包括对象的圆中面积最小的一个。
(x,y),radius = cv2.minEnclosingCircle(cnt)center = (int(x),int(y))radius = int(radius)img = cv2.circle(img,center,radius,(0,255,0),2)
椭圆拟合
使用的函数为 cv2.ellipse(),返回值其实就是旋转边界矩形的内切圆
ellipse = cv2.fitEllipse(cnt)im = cv2.ellipse(im,ellipse,(0,255,0),2)
直线拟合
我们可以根据一组点拟合出一条直线,同样我们也可以为图像中的白色点拟合出一条直线。
rows,cols = img.shape[:2][vx,vy,x,y] = cv2.fitLine(cnt, cv2.DIST_L2,0,0.01,0.01)lefty = int((-x*vy/vx) + y)righty = int(((cols-x)*vy/vx)+y)img = cv2.line(img,(cols-1,righty),(0,lefty),(0,255,0),2)
- Opencv(Python) 教程-轮廓(2)轮廓特征求取
- python opencv入门 轮廓特征(18)
- Opencv(Python) 教程-轮廓(3)轮廓的性质
- OpenCV-Python教程(11、轮廓检测)
- OpenCV-Python教程(11、轮廓检测)
- OpenCV-Python教程(11、轮廓检测)
- opencv--轮廓特征2
- OpenCV求取轮廓线
- Opencv(Python) 教程-轮廓(1)查找与绘制轮廓
- OpenCV中的轮廓(2)
- opencv轮廓特征1
- python opencv入门 轮廓(17)
- OpenCV基础08(轮廓+轮廓特性)
- Opencv(Python) 教程-轮廓(4)凹缺陷(凸缺陷)/点与轮廓关系/形状匹配
- python-opencv-轮廓检测
- opencv-python(15):轮廓
- Python-OpenCV轮廓检测
- OpenCV轮廓查找(一)
- Fedora 25
- 激光雷达学习笔记(三)特征提取
- Heap size check 堆大小检查
- 批量解压
- 使用卷积神经网络进行图片分类 3
- Opencv(Python) 教程-轮廓(2)轮廓特征求取
- POI操作Excel常用方法总结
- Python3极速入门
- 软件工程复习笔记
- Gerrit代码Review高阶实战
- Java中两表关系一对多,通过一表获取多表中数据并全部显示
- 几个RPC框架
- 使用卷积神经网络进行图片分类 4
- 自己摸索搭建的lamp环境步骤