OpenCV(9): 轮廓检测代码详解以及图像轮廓检测处理的全部流程_图像检测代码

引言

Opencv图像轮廓检测主要是通过对图像进行边缘提取，并将提取出的边缘连接成为一个完整的边缘线来实现的。

图像轮廓

和边缘的区别，边缘是零散的，而图像的轮廓是一个整体

cv2.findContours() 是Opencv库中的一个函数，用于在二值化图像中查找轮廓。该函数的参数包括三个部分：

img: 需要查找轮廓的源图像，必须是一个灰度图或二值图。

mode: 轮廓检索模式，指定如何检测轮廓。有四种模式可选：

• cv2.RETR_EXTERNAL：只检测最外层轮廓线。
• cv2.RETR_LIST：检测所有轮廓线，但不建立轮廓之间的等级关系。
• cv2.RETR_CCOMP：检测所有轮廓线，并建立两层轮廓间的等级关系（外层和内层）。
• cv2.RETR_TREE：检测所有轮廓线，并重构轮廓之间的嵌套结构。

method: 轮廓逼近方法，应用于轮廓线的建立。有三种方法可选：

• cv2.CHAIN_APPROX_NONE：存储所有轮廓点，意味着不存在轮廓线之间的点的冗余。
• cv2.CHAIN_APPROX_SIMPLE：仅存储水平、竖直和对角线上的端点，使得轮廓线之间的点更加紧凑。
• cv2.CHAIN_APPROX_TC89_L1或cv2.CHAIN_APPROX_TC89_KCOS：使用Teh-Chin链逼近算法中的一个，以进一步减少轮廓线上的冗余点。

cv2.findContours() 函数返回两个值：

• contours：一个包含找到的轮廓线信息的列表。
• hierarchy：一个包含轮廓线之间等级关系的多维数组。每个元素代表一个轮廓线，包含4个值：当前轮廓线的下一层轮廓线的索引、上一层轮廓线的索引、同级别下一条轮廓线的索引和父轮廓线的索引。

代码实操

此次用的测试图片如下图，car.jpg

为了更精确的结果，往往要把图片转换成二值图 复习一下之前讲过的图像阈值threshold方法,可以将图像转换成二值图,以下是图像转换成二值图。

import cv2
 
#写一个方法用于展示图像，展示后按任意键继续下行代码
def cv_show(title,img):
    cv2.imshow(title,img)
    cv2.waitKey(0) 
    cv2.destroyAllWindows()
    return
 
img = cv2.imread('car.jpg')
img = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)#转换成灰度图
ret, binary = cv2.threshold(img,122,255,cv2.THRESH_BINARY)#灰度图转化成二值图，通过图像阈值的方法。
 
cv_show('img',binary)#展示图片，按任意键继续

结果：

用转换后的二值图进行轮廓检测，完整代码如下：

import cv2
import numpy as np
 
#写一个方法用于展示图像，展示后按任意键继续下行代码
def cv_show(title,img):
    cv2.imshow(title,img)
    cv2.waitKey(0) 
    cv2.destroyAllWindows()
    return
 
img = cv2.imread('car2.jpg')
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)#转换成灰度图
ret, binary = cv2.threshold(gray,122,255,cv2.THRESH_BINARY)#灰度图转化成二值图，通过图像阈值的方法。
contours, hierarchy = cv2.findContours(binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)#寻找轮廓
 
copy = img.copy()
resoult = cv2.drawContours(copy,contours[:],-1,(0,0,255),1)
cv_show('res',resoult)
print(np.array(contours).shape)

解释代码：

在计算完轮廓后，我们将找到的轮廓绘制在原图上。

这段代码使用了 cv2.drawContours() 函数在输入图像的副本上绘制了所有轮廓线。

具体来说，该函数的参数依次为：

copy：输入图像的副本，由于cv2.drawContours()方法会改变原对象，所以输入的img得先copy一个。
contours[:]：待绘制的轮廓列表，即所有轮廓
-1：绘制所有轮廓
(0,0,255)：轮廓线的颜色，这里为红色 (0,0,255)，BGR顺序
1：轮廓线的线宽，这里为1个像素
由于 cv2.drawContours() 函数可以同时处理多个轮廓，因此传入 contours[:] 可以绘制所有轮廓线。最终的绘制结果保存在 resoult 中，可以通过 cv_show() 函数展示出来。

结果：

通过结果发现轮廓检测很好地找到了图像中的所有轮廓，但是与此同时，我们发现乱七八糟的轮廓太多了，所以我们在实际应用中，通常不会直接对二值图进行图像检测，都要进行降噪处理。

下面是降噪处理后的完整代码：

import cv2
import numpy as np
 
def cv_show(name,img):
    cv2.imshow(name,img)
    cv2.waitKey()
    cv2.destroyAllWindows()
 
img = cv2.imread('car2.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
ret, binary = cv2.threshold(gray, 90, 255, cv2.THRESH_BINARY)
 
# 高斯滤波降噪
binary= cv2.GaussianBlur(binary, (5,5), 0)
# 形态学开闭运算降噪
kernel = np.ones((3,3), np.uint8) # 定义卷积核
binary = cv2.morphologyEx(binary, cv2.MORPH_OPEN, kernel, iterations=1)#开运算
binary = cv2.morphologyEx(binary, cv2.MORPH_CLOSE, kernel, iterations=1)#闭运算
 
edges = cv2.Canny(binary, 100, 200, apertureSize=3)
 
cv_show("car2",edges)
 
contour,hierarchy = cv2.findContours(edges, cv2.RETR_TREE,cv2.CHAIN_APPROX_NONE)#寻找轮廓，都储存在contour中
 
copy = img.copy()
resoult = cv2.drawContours(copy,contour[:],-1,(0,0,255),2)
cv_show('res',resoult)

以上代码中，我先后对图像进行了高斯滤波降噪和开闭运算降噪处理，注意我调用了两次cv_show,这个方法用于展示图像，按任意键继续

结果：一些边缘消失了。