【Python】OpenCV-图像轮廓检测初学

图像轮廓检测初学

在图像处理领域中，轮廓检测是一项重要的任务，用于寻找并标定图像中的物体边缘。本文将介绍如何使用OpenCV库进行图像轮廓检测，并展示一个简单的示例代码。代码中的注释将详细解释每一步的操作。

1. 引言

图像轮廓检测是图像处理中的一项关键技术，可用于检测物体的形状、边界等信息。在本文中，我们将演示如何使用OpenCV进行图像轮廓检测，并通过示例代码展示这一过程。

2. 代码示例

以下是一个使用OpenCV的示例代码，演示了图像轮廓检测的过程：

import cv2
import numpy as np

# 读取图像
src_img = cv2.imread("demo.png") # 例如简单的5个英文验证码图片

# 将图像转换为灰度
img = cv2.cvtColor(src_img, cv2.COLOR_BGR2GRAY)

# 阈值化处理，生成二值图像
thresh, img = cv2.threshold(img, 190, 255, cv2.THRESH_BINARY)  # 白底黑字
print("阈值1:", thresh)

thresh, img = cv2.threshold(img, 190, 255, cv2.THRESH_BINARY_INV)  # 黑底白字
print("阈值2:", thresh)

thresh, img = cv2.threshold(img, 1, 255, cv2.THRESH_OTSU)  # 自动寻找阈值
print("自动阈值:", thresh)

# 膨胀操作，填充小的空洞（去掉周围的点点）
kernel = np.ones([5, 5])
img = cv2.dilate(img, kernel)

# 腐蚀操作，消除噪声（把有用的英文扩大）
kernel = np.ones([7, 7])
img = cv2.erode(img, kernel)

# 寻找图像轮廓
contours, _ = cv2.findContours(img, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)

# 计算轮廓面积
areas = []
for c in contours:
    area = cv2.contourArea(c)
    areas.append(area)
areas = np.array(areas)
print("轮廓面积:", areas)

# 获取面积最大的5个轮廓
index = np.argsort(areas)[-6:-1] # 不是[-5:]，因为最大的面积是边框 
print("前5个轮廓的索引:", index)

# 提取前5个轮廓
top5_contours = []
for i in range(5):
    top5_contours.append(contours[index[i]])

# 在原图上绘制矩形框
for c in top5_contours:
    # 获取矩形框坐标
    x, y, w, h = cv2.boundingRect(c)
    # 绘制矩形框
    cv2.rectangle(src_img, [x, y, x + w, y + h], [0, 0, 255], 2)

# 显示结果图像
cv2.imshow("demo", src_img)
cv2.waitKey(0)
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

• 原图
  
• 识别并画框
  

3. 代码解释

3.1 图像预处理

首先，读取图像并将其转换为灰度图像。接着，通过阈值化处理得到二值图像，其中包括白底黑字和黑底白字两种处理方式。

3.2 形态学操作

通过膨胀（dilate）和腐蚀（erode）操作，对图像进行形态学处理，以填充小的空洞并消除噪声。

3.3 轮廓检测

使用OpenCV的findContours函数寻找图像中的轮廓，并计算每个轮廓的面积。

3.4 提取前5个轮廓

通过面积排序，提取前5个面积最大的轮廓。

3.5 绘制矩形框

在原图上绘制包围每个轮廓的矩形框，以突显检测到的物体。

4. 结论

通过上述代码示例，我们演示了如何使用OpenCV进行图像轮廓检测，并通过一系列预处理操作找到并突显图像中的主要物体。轮廓检测在计算机视觉和图像处理中有着广泛的应用，可用于目标检测、图像分割等任务。详细的注释帮助理解代码的每一步操作，为初学者提供了一个学习的起点。

代码参考源自：Shady的混乱空间