主頁 > 知識庫 > OpenCV-Python實現(xiàn)輪廓的特征值

OpenCV-Python實現(xiàn)輪廓的特征值
熱門標簽：海外網(wǎng)吧地圖標注注冊 打電話機器人營銷 ai電銷機器人的優(yōu)勢 聊城語音外呼系統(tǒng) 孝感營銷電話機器人效果怎么樣 騰訊地圖標注沒法顯示 地圖標注自己和別人標注區(qū)別 商家地圖標注海報 南陽打電話機器人

前言

輪廓自身的一些屬性特征及輪廓所包圍對象的特征對于描述圖像具有重要意義。本篇博文將介紹幾個輪廓自身的屬性特征及輪廓包圍對象的特征。

寬高比

在輪廓中，我們可以通過寬高比來描述輪廓，例如矩形的輪廓寬高比為：

寬高比=寬度/高度

下面，我們來計算矩形輪廓的寬高比，代碼如下：

import cv2

img = cv2.imread("26_1.jpg")
cv2.imshow("img", img)

# 轉(zhuǎn)換為灰度圖像
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

ret, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
contours, hierarchy = cv2.findContours(binary, cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)

x, y, w, h = cv2.boundingRect(contours[0])
cv2.rectangle(img, (x, y), (x + w, y + h), (0, 0, 255), 3)
cv2.imshow("img1", img)

aspectRatio=float(w)/h
print(aspectRatio)

cv2.waitKey()
cv2.destroyAllWindows()

運行之后，我們可以得到輪廓的寬高比約為3：

Extend

我們還可以使用輪廓面積與矩形邊界面積之比Extend來描述圖像及其輪廓特征，數(shù)學(xué)計算公式圖下：

Extend=輪廓面積/矩形邊界面積

下面，我們來計算Extend，代碼如下：

import cv2

img = cv2.imread("26_1.jpg")
cv2.imshow("img", img)

# 轉(zhuǎn)換為灰度圖像
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

ret, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
contours, hierarchy = cv2.findContours(binary, cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)

x, y, w, h = cv2.boundingRect(contours[0])
rectArea=w*h#矩形邊界面積
cntArea=cv2.contourArea(contours[0])#輪廓面積
extend=float(cntArea)/rectArea
print(extend)

本例中，輪廓面積與矩形邊界面積的比值Extend大約為0.8：

Solidity

我們還可以使用輪廓面積與凸包面積之比Solidity來衡量圖像，輪廓以及凸包的特征。其數(shù)學(xué)計算公式為：

Slidity=輪廓面積/凸包面積

下面，我們來計算Slidity，代碼如下：

import cv2

img = cv2.imread("26_1.jpg")
cv2.imshow("img", img)

# 轉(zhuǎn)換為灰度圖像
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

ret, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
contours, hierarchy = cv2.findContours(binary, cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)

x, y, w, h = cv2.boundingRect(contours[0])
cntArea=cv2.contourArea(contours[0])#輪廓面積
hull=cv2.convexHull(contours[0])
hullArea=cv2.contourArea(hull)#凸包面積
solidity=float(cntArea)/hullArea
print(solidity)

運行之后，本例輪廓面積與凸包面積的比值solidity約為1：

等效直徑

在OpenCV中，我們還可以使用等效直徑來衡量輪廓的特征值，該值是與輪廓面積相等的圓形的直徑。其數(shù)學(xué)計算公式為：


下面，我們來計算與輪廓面積相等的圓形直徑，代碼如下：

import cv2
import numpy as np

img = cv2.imread("26_1.jpg")
cv2.imshow("img", img)

# 轉(zhuǎn)換為灰度圖像
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

ret, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
contours, hierarchy = cv2.findContours(binary, cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)

x, y, w, h = cv2.boundingRect(contours[0])
cntArea=cv2.contourArea(contours[0])#輪廓面積
equiDiameter=np.sqrt(4*cntArea/np.pi)
print(equiDiameter)
cv2.circle(img,(100,100),int(equiDiameter/2),(0,255,0),3)
cv2.imshow("img1",img)
cv2.waitKey()
cv2.destroyAllWindows()

運行之后，我們得到其等效直徑約為145：

方向

在OpenCV中，函數(shù)cv2.fitEllipse()可以用來構(gòu)建最優(yōu)擬合橢圓，還可以在返回值內(nèi)分別返回橢圓的中心點，軸長，旋轉(zhuǎn)角度信息。使用這種形式，能夠直觀地獲取橢圓的方向等信息。

函數(shù)cv2.fitEllipse()返回值為：

(x,y)：橢圓的中心點

(MA,ma)：橢圓水平方向軸與垂直方向軸的長度

angle：橢圓的旋轉(zhuǎn)角度

import cv2

img = cv2.imread("26_1.jpg")
cv2.imshow("img", img)

# 轉(zhuǎn)換為灰度圖像
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

ret, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
contours, hierarchy = cv2.findContours(binary, cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)

ellipsis=cv2.fitEllipse(contours[0])

(x, y), (MA, ma), angle = cv2.fitEllipse(contours[0])

print((x, y), (MA, ma), angle)

cv2.ellipse(img, ellipsis, (0, 255, 0), 2)
cv2.imshow("img1", img)
cv2.waitKey()
cv2.destroyAllWindows()

本來就是橢圓圖，下面擬合后正好也是橢圓：

掩摸和像素點

有時候，我們還像獲取某對象的掩摸圖像及其對應(yīng)的點。在OpenCV中，它還提供了cv2.findNonZero()函數(shù)用于獲取一個圖像內(nèi)的輪廓點位置，其完整定義如下：

def findNonZero(src, idx=None):

src：要查找非零元素的圖像

idx：返回值，表示非0元素的索引位置。具體格式為（行號，列號）

下面，我們實測該函數(shù)，代碼如下：

import cv2
import numpy as np

img = cv2.imread("26_1.jpg")

cv2.imshow("img", img)

# 轉(zhuǎn)換為灰度圖像
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

ret, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
contours, hierarchy = cv2.findContours(binary, cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)

mask=np.zeros(gray.shape,np.uint8)
cv2.drawContours(mask,[contours[0]],0,255,2)
pixelpoints=cv2.findNonZero(mask)
print(pixelpoints)

cv2.imshow("img1", mask)
cv2.waitKey()
cv2.destroyAllWindows()

運行之后，我們會得到輪廓點位置：

最大值，最小值以及它們的位置

在OpenCV中，它提供cv2.minMaxLoc()函數(shù)獲取指定對象內(nèi)最大值，最小值以及位置等信息，其完整定義如下：

def minMaxLoc(src, mask=None):

src：單通道圖像

mask：掩摸，通過使用掩摸圖像，得到掩膜指定區(qū)域內(nèi)的最值信息

該函數(shù)返回4個值：最小值，最大值，最小值位置，最大值位置。

下面，我們來獲取這些值，代碼如下：

import cv2
import numpy as np

img = cv2.imread("26_1.jpg")

cv2.imshow("img", img)

# 轉(zhuǎn)換為灰度圖像
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

ret, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
contours, hierarchy = cv2.findContours(binary, cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)

mask = np.zeros(gray.shape, np.uint8)
cv2.drawContours(mask, [contours[0]], 0, 255, 2)

min, max, min_loc, max_loc = cv2.minMaxLoc(gray, mask)
print(min, max, min_loc, max_loc)

運行之后，控制臺輸出4個值：

平均顏色及平均灰度

在OpenCV中，它給我們提供cv2.mean()函數(shù)計算一個對象的平均顏色與平均灰度。其完整定義如下：

def mean(src, mask=None):

參數(shù)與上面兩個小節(jié)一樣，這里不在贅述。下面，我們來使用這個函數(shù)，代碼如下：

import cv2
import numpy as np

img = cv2.imread("26_1.jpg")


cv2.imshow("img", img)

# 轉(zhuǎn)換為灰度圖像
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

ret, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
contours, hierarchy = cv2.findContours(binary, cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)

mask=np.zeros(gray.shape,np.uint8)
cv2.drawContours(mask,[contours[0]],0,255,2)

mean=cv2.mean(img,mask)

運行之后，輸出4個值：RGB以及A通道的均值：

極點

有時候，我們希望獲取某個對象內(nèi)的極點，比如最左，最右，最上，最下等。在OpenCV中，它給我們提供了以下方法進行獲?。?/p> 

left=tuple(cnt[cnt[:,:,0].argmin()][0])
right=tuple(cnt[cnt[:,:,0].argmax()][0])
top=tuple(cnt[cnt[:,:,1].argmin()][0])
bottom=tuple(cnt[cnt[:,:,1].argmax()][0])

下面，我們來通過這些方法獲取，代碼如下：

import cv2
import numpy as np

img = cv2.imread("26_1.jpg")

cv2.imshow("img", img)

# 轉(zhuǎn)換為灰度圖像
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

ret, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
contours, hierarchy = cv2.findContours(binary, cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)

mask = np.zeros(img.shape, np.uint8)
cnt = contours[0]
left = tuple(cnt[cnt[:, :, 0].argmin()][0])
right = tuple(cnt[cnt[:, :, 0].argmax()][0])
top = tuple(cnt[cnt[:, :, 1].argmin()][0])
bottom = tuple(cnt[cnt[:, :, 1].argmax()][0])

print(left, right, top, bottom)

font = cv2.FONT_HERSHEY_SIMPLEX

cv2.putText(img, "left", left, font, 1, (0, 255, 0), 2)
cv2.putText(img, "right", right, font, 1, (0, 255, 0), 2)
cv2.putText(img, "top", top, font, 1, (0, 255, 0), 2)
cv2.putText(img, "bottom", bottom, font, 1, (0, 255, 0), 2)

cv2.imshow("result",img)
cv2.waitKey()
cv2.destroyAllWindows()

運行之后，值與效果如下：

到此這篇關(guān)于OpenCV-Python實現(xiàn)輪廓的特征值的文章就介紹到這了,更多相關(guān)OpenCV 輪廓的特征值內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

您可能感興趣的文章:
  • Python通過OpenCV的findContours獲取輪廓并切割實例
  • Python Opencv實現(xiàn)圖像輪廓識別功能
  • OpenCV-Python實現(xiàn)輪廓檢測實例分析
  • opencv python 圖像輪廓/檢測輪廓/繪制輪廓的方法
  • OpenCV 輪廓檢測的實現(xiàn)方法
  • Opencv提取連通區(qū)域輪廓的方法
  • python+opencv輪廓檢測代碼解析
  • Opencv處理圖像之輪廓提取
  • OpenCV實現(xiàn)圖像輪廓檢測以及外接矩形
  • opencv3/C++輪廓的提取與篩選方式
  • Opencv實現(xiàn)輪廓提取功能

標簽：揚州 聊城 六盤水 楊凌 牡丹江 撫州 南寧 迪慶

巨人網(wǎng)絡(luò)通訊聲明：本文標題《OpenCV-Python實現(xiàn)輪廓的特征值》，本文關(guān)鍵詞  OpenCV-Python,實現(xiàn),輪廓,的,；如發(fā)現(xiàn)本文內(nèi)容存在版權(quán)問題，煩請?zhí)峁┫嚓P(guān)信息告之我們，我們將及時溝通與處理。本站內(nèi)容系統(tǒng)采集于網(wǎng)絡(luò)，涉及言論、版權(quán)與本站無關(guān)。
  • 相關(guān)文章
  • 下面列出與本文章《OpenCV-Python實現(xiàn)輪廓的特征值》相關(guān)的同類信息！
  • 本頁收集關(guān)于OpenCV-Python實現(xiàn)輪廓的特征值的相關(guān)信息資訊供網(wǎng)民參考！
    • 推薦文章