037-OpenCV轮廓特征应用-最小外接矩形_cv2最小外接矩阵

话不多说，上代码，看结果。

import cv2           # 导入库
import numpy as np
font = cv2.FONT_HERSHEY_SIMPLEX
'''  
    cv2.imread(filename,flags)
# filename为文件名，图片与.py文件在一个文件夹时输入文件名即可
# 不在一个文件夹时输入图片的路径和名字
# flags为图片的颜色类型，默认为1，灰度图像为0
'''
img = cv2.imread('39.jpg')
'''
    np.copy()
# 数组拷贝，理解成备份原图像就行
# 原图像img， 备份图像img1
# 原图像随便改，备份图像还是初始的原图像
'''
img2 = img.copy()
'''
    cv2.cvtColor()
# 颜色空间转换
# img为要转换的图像，后者为转换的格式
# 颜色空间有很多种，最常见的就是RGB颜色空间
# R红色，G绿色，B蓝色，OpenCV中顺序是BGR！！！！！！！
# [255, 0,0]是蓝色，[0, 255, 0]表示绿色，[0， 0， 255]表示红色
    HSV颜色空间
# 也挺常用的，H是色调，S是饱和度，V是明度，具体百度就行
'''
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
'''
cv2.namedWindow(winname,flags)
#  winname是窗口名字
#  flags为窗口显示方式，cv2.WINDOW_NORMAL为正常显示，可以调整大小
# cv2.WINDOW_AUTOSIZE显示原图片的大小，用户不能调整大小
'''
cv2.namedWindow('img', cv2.WINDOW_NORMAL)
'''
   cv2.imshow(winname,mat)
# winname为显示的窗口
# mat 需要显示的图像
'''
cv2.imshow('img', img)
'''
    cv2.blur(src, ksize, dst, anchor, borderType)
    均值滤波
# 用邻域内像素均值来代替该点像素值，均值滤波在去噪的同时也破坏了图像细节部分
#  src 要滤波的图像   ksize 内核的大小  anchor 锚点，即要平滑的点，默认值(-1, -1),即在核中心
#  ksize(3, 3)表示3 * 3的核大小
# dst 输出图像
# borderType 图像像素边界类型，默认就行
'''
gray = cv2.blur(gray, (3, 3))



# 对图片做二值变化
'''
    cv2.threshold(src, thresh, maxval, type, dst)
 给定阈值，可以过滤灰度值过大或过小的点
# src 要滤波的图像  dst 输出图像
# thresh 给定阈值  咋判断选取的这个数的好坏呢？不停尝试。
# 用Otsu 不停尝试
# 多加一个参数：cv2.THRESH_OTSU,这时要把阈值设为 0。然后算法会找到最优阈值.
# 这个最优阈值就是返回值ret。如果不使用Otsu二值化，返回的retVal 值与设定的阈值相等
# maxval cv2.THRESH_BINARY  二值化阈值，大于阈值的部分被置为255，小于部分被置为0
# cv2.THRESH_BINARY_INV     反向二值化阈值，大于阈值部分被置为0，小于部分被置为255
# cv2.THRESH_TOZERO        大于部分保持不变, 小于阈值部分被置为0
# cv2.THRESH_TOZERO_INV    大于阈值部分被置为0，小于部分保持不变
# cv2.THRESH_TRUNC          截断阈值化，大于阈值部分被置为threshold，小于部分保持原样
'''
ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)

'''
    cv2.findContours(image, mode, method, contours, hierarchy, offset)
# image 输入图像, 8位单通道图像(一般为二值图)
# contours: 检测到的轮廓, 每个轮廓存储为一个点向量, 即Point类型的vector表示
# hierarchy: 可选的输出向量, 包含图像的拓扑信息。
# 其作为轮廓数量的表示, 包含了许多元素, 每个轮廓contours[i]对应4个hierarchy元素
# hierarchy[i][0]~hierarchy[i][3], 分别表示后一轮廓、前一轮廓、父轮廓、内嵌轮廓的索引编号, 
# 如果没有对应项, 设置为负数
# mode: 轮廓检索模式, 取值如下:
# cv2.RETR_EXTERNAL=0-----表示只检测最外层轮廓
# cv2.RETR_LIST=1------提取所有轮廓并放置在list中, 轮廓不建立等级关系
# cv2.RETR_CCOMP=2------提取所有轮廓并组织为双层结构
# cv2.RETR_TREE =3------提取所有轮廓并重新建立网状轮廓结构
# method: 轮廓的近似方法,取值见图2
# offset: 每个轮廓的可选偏移量, 默认值Point()
'''
thresh, contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)
print(len(contours))  # 输出轮廓个数
'''
    cv2.drawContours(image, contours, contourIdx, color, thickness, lineType, hierarchy, maxLevel, offset)
 画出图片中的轮廓值，也可以用来画轮廓的近似值
# img 输入的需要画的图片 contours 轮廓值
# -1表示轮廓的索引， (0, 0, 255)表示颜色， 2表示线条粗细
# lineType: 线条类型, 默认值8
# hierarcy: 可选的层次结构信息, 默认值noArray()
# maxLevel: 表示用于绘制轮廓的最大等级, 默认值INT_MAX
# offset: 可选的轮廓偏移参数, 默认值Point()
'''
cv2.drawContours(img, contours, -1, (0, 255, 255), 1)  # 绘制轮廓

for cnt in contours:
    '''
        cv2.minAreaRect(points)    
        轮廓最小外接矩形
    # points: 输入的二维点集
    # 返回值: RotatedRect类矩形对象, 外接旋转矩形主要成员有center、size、angle
    # 在opencv中，坐标的原点在左上角，与x轴平行的方向为角度为0，逆时针
    # 旋转角度为负，顺时针旋转角度为正。而RotatedRect类是以矩形的哪一
    # 条边与x轴的夹角作为角度的呢？angle 是水平轴（x轴）逆时针旋转，与
    # 碰到的第一个边的夹角，而opencv默认把这个边的边长作为width，angle
    # 的取值范围必然是负的  
    '''
    # 获取最小外接矩阵，中心点坐标，宽高，旋转角度
    rect = cv2.minAreaRect(cnt)
    # 获取矩形四个顶点，浮点型
    box = cv2.boxPoints(rect)
    # 取整
    box = np.int0(box)
    print(box)
    cv2.drawContours(img, [box], 0, (0, 255, 0), 2)
cv2.putText(img, ("Num=%s" % str(len(contours))), (5, 20), font, 0.8, (0, 255, 0), 2)
cv2.imshow("img", img)  # 显示图片

'''
cv2.waitKey(delay)
#  delay为正数时，延时delay毫秒结束
#  想要用按下某个键时退出可用以下方法：
#  if(cv2.waitKey(0)  == ord('q')):
        exit(0)
#别的方法也行，不唯一
'''
if cv2.waitKey(0) & 0xFF == 27:
    exit(0)
'''
cv2.destroyWindow(winname)
#结束窗口，winname为窗口名
cv2.destroyAllWindows() 
#结束所有窗口
'''
cv2.destroyAllWindows()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142

结果如下图。

找了张图片，结果如下图

就先这样，遇到别的再补充。