图像轮廓的处理和计算

• 1 什么是图像的轮廓
• 2 查找轮廓
• 3 绘制轮廓
• 4 轮廓的周长和面积
• 5 多边形逼近
• 6 凸包
• 7 外接矩形
• 8 图像金字塔
• • 常见的两类图像金字塔
  • 拉普拉斯金字塔

• 图像的轮廓指的是同一个颜色的连续点曲线。
• 轮廓是分析物体形状和检测识别的重要指标
• 使用Canny等操作对图片进行二值化操作
• 画轮廓是会修改原图

• cv2.findContours(image,mode,method)
• mode查找模式：
    
  RETR_EXTERNAL = 0 只检测外轮廓
  RETR_LIST = 1 检测所有轮廓，不存在等级关系
  RETR_CCOMP = 2 每层最多检测2级，从小到大，从里到外
  RETR_TREE = 3 按照树形存储轮廓，从大到小，从右到左
• method轮廓的近似方法：
    CHAIN_APPROX_NONE保存轮廓上的所有点
    CHAIN_APPROX_SIMPLE：只存储边缘的对角点，存储信息少，比较常用
• 返回值参数：
    返回轮廓和层次。contours，hierarchy

import cv2
import numpy as np

img = cv2.imread('imgs/a.jpg')

# 把突变转为单通道的黑白照片
img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 二值化处理:返回图片和阈值
max_value, img = cv2.threshold(img, 150,255,cv2.THRESH_BINARY)

# 查找轮廓，返回轮廓和阶级
contours, hierarchy = cv2.findContours(img, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)

# 打印轮廓
print(contours)
# 打印图片
cv2.imshow('轮廓', img)

cv2.waitKey(0)

cv2.waitKey(0)

• 通过查找轮廓findContours我们可以得到这个图像返回的轮廓
• 使用cv2.drawContours(image，contours，contourldx，color)画出轮廓
      contours:轮廓点
      contourldx：想绘制轮廓图像的标号。 -1 为默认所有图像

#绘画轮廓，轮廓会直接修改原图
cv2.drawContours(img,contours,-1,(0,0,255))

• 查找轮廓之后，可能得到多个轮廓，通过周长和面积对这些轮廓进行筛选
• 得到图像的轮廓，通过面积和周长来分析这个图像的具体特征
• cv2.contourArea(contours)：计算面积
• cv2.arcLength(curve, closed)：计算周长
    curve：表示轮廓
    closed：表示这个轮廓是否闭合

#计算第一个图的面积
cv2.contourArea(contours[0])
#计算轮廓的周长
cv2.arcLength(contours[0],True)

• 由于找到的轮廓图像非常多，可能过于复杂不平滑，故意使用**cv2.approxPolyDP()**对轮廓进行近似处理
• 多边形逼近使用Douglas-Peucker算法进行处理
• 首先设置一个阈值，在找到的目标两点之间遭到最远切线之间的距离，如果这个距离小于阈值，即可近似处理
• cv2.approxPolyDP(curve, epsilon, closed)
     curve:多边形的轮廓
     epsilon:dp算法的阈值
     closed:是否闭合

import cv2
import numpy as np

img = cv2.imread('imgs/a.jpg')
img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
maxvlues, img = cv2.threshold(img, 150,255,cv2.THRESH_BINARY)
contours,hi = cv2.findContours(img,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)
#使用多边形逼近来处理图片,大于20的点可以近似处理
approx = cv2.approxPolyDP(contours[1], 20, True)

#画出这个轮廓
cv2.drawContours(img,[approx],0,(0,255,0))

cv2.imshow('a',img)

cv2.waitKey(0)

• 为了对轮廓的图像进行改进，使用凸包对轮廓进一步的描述，使得所有连续三个点的角度小于180度
• 得到一个大概的轮廓
• cv2.convexHull(contours[1]) 传入轮廓即可

import cv2
import numpy as np
#读取照片
img = cv2.imread('imgs/a.jpg')
img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
maxvlues, img = cv2.threshold(img, 150,255,cv2.THRESH_BINARY)
contours,hi = cv2.findContours(img,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)

#计算凸包,传入某一个轮廓的列表
hull = cv2.convexHull(contours[1])

#画出凸包轮廓
cv2.drawContours(img,[hull],0,(0,255,0))

cv2.imshow('a',img)

cv2.waitKey(0)

• 最小外接矩形：使用最小的框
• rect = cv2.minAreaRect(contours[1])
     传入某一个具体的轮廓
     得到一个元组：矩阵的起始坐标，长款，矩形的旋转角度
• 还需要计算出矩阵的各个点的坐标： box = cv2.boxPoints(rect)
• 像素都是整型，还需要转化成整型

import cv2
import numpy as np

# 读取图片的地址
img = cv2.imread('imgs/a.jpg')
# 讲图片转为灰色图片
img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 对图片的像素进行二值化处理
maxvlues, img = cv2.threshold(img, 150, 255, cv2.THRESH_BINARY)
# 找到图片的所有轮廓
contours, hi = cv2.findContours(img, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
# 轮廓返回的是图片是各块像素的元组，存储在contours中，本文使用的关键像素是contours[1]


# 最小矩阵的生成
rect = cv2.minAreaRect(contours[1])

# 计算矩阵4个点的坐标
box = cv2.boxPoints(rect)

# 由于像素都是整数，所以对坐标还需要转成整型
box = np.int0(box)

# 绘制最小矩阵
cv2.drawContours(img, [box], 0, (255, 0, 0))

cv2.imshow('a', img)

cv2.waitKey(0)

• 最大外接矩形：使用最大的框
• cv2.boundingRect(contours[1])
• 得到的就是4个点的坐标
• 使用rectangle画上矩阵的坐标

import cv2
import numpy as np

# 读取图片的地址
img = cv2.imread('imgs/a.jpg')
# 讲图片转为灰色图片
img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 对图片的像素进行二值化处理
maxvlues, img = cv2.threshold(img, 150, 255, cv2.THRESH_BINARY)
# 找到图片的所有轮廓
contours, hi = cv2.findContours(img, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
# 轮廓返回的是图片是各块像素的元组，存储在contours中，本文使用的关键像素是contours[1]


# 最大外接矩阵的生成
x,y,w,h = cv2.boundingRect(contours[1])

# 绘制最大外接矩阵
cv2.rectangle(img,(x,y),(x+w,y+h),(0,255,0),2)

cv2.imshow('a', img)

cv2.waitKey(0)

 图像金字塔是同一张图片不同分辨率的集合。

• 对于一张高分辨率的图片，通过压缩成分辨率低的图片。

1. 高斯金字塔
      通过使用高斯平滑和亚采样（subsampling）来获取一系列的下采样图像
   G i G_i Gi​ = [ 1 4 6 4 1 4 16 24 16 4 6 24 36 24 6 4 16 24 16 4 1 4 6 4 1 ] ∗ 1 16 begin{bmatrix} 1 &4&6&4&1 \4 &16&24&16&4\6 &24&36&24&6 \4 &16&24&16&4 \1 &4&6&4&1 \ end{bmatrix}*frac{1}{16} ⎣⎢⎢⎢⎢⎡​14641​41624164​62436246​41624164​14641​⎦⎥⎥⎥⎥⎤​∗161​

• 将 G i G_i Gi​与高斯内核卷积
• 将所有二代偶数行列去掉

2. 下采样会减少图片的分辨率：cv2.pyrDown(img)

import cv2

# 读取图片的地址
img = cv2.imread('imgs/66.jpg')

#高斯金字塔进行下采样
dst = cv2.pyrDown(img)
#分别查看原图和缩小之后的图
cv2.imshow('a', img)
cv2.imshow('b', dst)

cv2.waitKey(0)

3. 向上采样：将图片放大，放大4倍，用0来补充
4. 然后使用内卷进行卷积

import cv2

# 读取图片的地址
img = cv2.imread('imgs/66.jpg')

#高斯金字塔进行上采样
dst = cv2.pyrUp(img)
#分别查看原图和放大之后的图
cv2.imshow('a', img)
cv2.imshow('b', dst)

cv2.waitKey(0)

使用高斯金字塔对图片先缩小向下采样，然后向上采样。

• 使用原图减去改变之后的图片即可得到丢失的数据，即拉普拉斯金字塔

import cv2

# 读取图片的地址
img = cv2.imread('imgs/66.jpg')


#先缩小2倍
dst = cv2.pyrDown(img)


# 再放大2倍
dst = cv2.pyrUp(dst)
#相减之后的差集即拉普拉斯金字塔
dst = img-dst


cv2.imshow('a', img)
cv2.imshow('b', dst)

cv2.waitKey(0)