《数字图像处理-OpenCV/Python》第14章：边缘检测与图像轮廓

本书京东优惠购书链接 https://item.jd.com/14098452.html
本书CSDN 独家连载专栏 https://blog.csdn.net/youcans/category_12418787.html

在这里插入图片描述

第 14 章边缘检测与图像轮廓

边缘是图像的基本特征。边缘检测根据灰度的突变检测边缘，检测到的边缘通常是零散的片段，并不是连续的整体，要从图像中提取目标物体，就要将边缘像素连接构成连续闭合的轮廓。边缘主要作为图像的特征使用，而轮廓主要用来分析物体的形态。

本章内容概要

理解边缘检测的原理，学习使用梯度算子进行边缘检测。
学习使用LoG算子、DoG算子和Canny算子进行边缘检测。
学习查找轮廓的方法，绘制轮廓图像。
介绍轮廓的属性、基本参数和形状特征。

14.6　轮廓的查找与绘制

轮廓是一系列相连的像素点组成的曲线，代表物体的基本外形。轮廓常用于形状分析和物体的检测和识别。
边缘检测根据灰度的突变检测边缘，但检测到的边缘通常是零散的片段，并未构成整体。从背景中分离目标，要将边缘像素连接构成轮廓，也就是说，轮廓是连续的，边缘不一定是连续的。边缘主要作为图像的特征使用，而轮廓主要用来分析物体的形态。

OpenCV中的函数cv.findContours用于从黑色背景的二值图像中寻找轮廓。
OpenCV中的函数cv.drawContours用于在图像上绘制轮廓线或填充轮廓。绘制图像轮廓并不是显示图像，而是在原始图像上添加轮廓线。

函数原型

cv.findContours(image, mode, method[, contours, hierarchy, offset]) → contours, hierarchy
cv.drawContours(image, contours, contourIdx, color[, thickness, lineType, hierarchy, maxLevel, offset]) → image

参数说明

image：输入图像，是8位单通道二值图像。
mode：轮廓查找模式。
- RETR_EXTERNAL：只查找最外层的轮廓。
- RETR_LIST：查找所有轮廓，不建立层次关系。
- RETR_CCOMP：查找所有轮廓，组织为两层，顶层是外部轮廓。
- RETR_TREE：查找所有轮廓，并重建嵌套轮廓的完整层次结构。
method：轮廓的表示方法。
- CHAIN_APPROX_NONE：输出轮廓所有的像素点(x,y)。
- CHAIN_APPROX_SIMPLE：对于水平线/垂直线/对角线，只保留线段端点。
- CHAIN_APPROX_TC89_L1：应用Teh-Chin链近似算法L1。
- CHAIN_APPROX_TC89_KCOS：应用Teh-Chin 链近似算法KCOS。
contours：查找到的所有轮廓，是列表格式，每个轮廓以点的坐标向量表示。
hierarchy：轮廓的层次结构，是Numpy数组，形状为(1,L,4)。
offset：偏移量，可选项。

注意问题

（1）查找轮廓是针对黑色背景中的白色目标而言的，以得到白色目标的轮廓。如果背景为亮色和浅色，如白纸黑字的印刷书籍，要在查找轮廓前进行反色处理。
（2）函数将输入图像按二值图像处理，所有非0像素都会被视为1，因此必须先通过阈值分割或边缘检测获得二值图像。推荐在平滑滤波后使用边缘检测方法，可以减少白色噪点，提高轮廓检测的效率和质量。
（3） contours是一个列表（List），不是Numpy数组，而轮廓列表中的元素是Numpy数组，列表长度L是查找到的轮廓总数。
（4） contours列表中的第i个元素contours[i]是形为(k,1,2)的Numpy数组，表示第i个轮廓，k是第i个轮廓中的像素点数量。contours[i]的每一行contours[i][k,1,:]有两个元素，分别表示第i个轮廓的第k个像素点的坐标(x,y)。
注意轮廓处理函数中像素点的坐标为(x,y)，与OpenCV中像素点的坐标(y,x)的次序相反。
（5） hierarchy是形为(1,L,4)的Numpy数组。第i个轮廓的层次结构为：hierarchy[0,i,:]=[Next, Previous, FirstChild, Parent]。这4个元素hierarchy[0,i,0]～hierarchy[0,i,3]分别表示轮廓i的同层下一个轮廓Next、同层前一个轮廓Previous、第一个子轮廓FirstChild和父轮廓Parent的编号，-1表示不存在。
（6）从实际图像中查找的轮廓往往数量很多、拓扑结构复杂，可以基于轮廓的层次结构进行筛选和识别。例如，使用 $hi er a rc h y [0, i, 3] == - 1$ 可以筛选没有父轮廓的最外层轮廓，使用 $hi er a rc h y [0, i, 2] == - 1$ 可以筛选没有子轮廓的最内层轮廓。
（7）轮廓是由很多像素点组成的。使用CHAIN_APPROX_NONE时，contours[i]能保存轮廓所有的像素点，可以计算轮廓长度；而使用CHAIN_APPROX_SIMPLE时，contours[i]对水平线/垂直线/对角线只保留轮廓的线段端点，可以简化轮廓描述。
（8）在OpenCV的不同版本中，函数cv.findContours的返回值不同，使用返回值格式不当会导致程序报错。例如，在OpenCV3中函数的返回值为[image,contours,hierarchy]，而在OpenCV2、OpenCV4、OpenCV5 中函数的返回值为[contours,hierarchy]。

【例程1406】查找和绘制图像轮廓

本例程用于查找和绘制图像轮廓，并基于层次结构对轮廓进行筛选。
注意：在不同OpenCV版本中，函数cv.findContours的用法不同，详见程序注释。

python"># 【1406】查找和绘制图像轮廓
import cv2 as cv
import numpy as np
from matplotlib import pyplot as pltif __name__ == '__main__':img = cv.imread("../images/Fig1402.png", flags=1)gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)  # 灰度图像_, binary = cv.threshold(gray, 127, 255, cv.THRESH_OTSU + cv.THRESH_BINARY_INV)# 寻找二值图中的轮廓# binary, contours, hierarchy = cv.findContours(binary, cv.RETR_TREE, cv.CHAIN_APPROX_SIMPLE)  # OpenCV3contours, hierarchy = cv.findContours(binary, cv.RETR_TREE, cv.CHAIN_APPROX_SIMPLE)  # OpenCV4~# print("len(contours): ", len(contours))  # contours 是列表，只有长度没有形状print("hierarchy.shape: ", hierarchy.shape)  # 层次结构# 绘制全部轮廓contourTree = img.copy()  # OpenCV 某些版本会修改原始图像contourTree = cv.drawContours(contourTree, contours, -1, (0, 0, 255), 2)  # OpenCV3#  绘制最外层轮廓和最内层轮廓imgContour = img.copy()for i in range(len(contours)):  # 绘制第 i 个轮廓x, y, w, h = cv.boundingRect(contours[i])  # 外接矩形text = "{}#({},{})".format(i, x, y)contourTree = cv.putText(contourTree, text, (x, y), cv.FONT_HERSHEY_DUPLEX, 0.8, (0,0,0))print("i={}\tcontours[{}]:{}\thierarchy[0,{}]={}".format(i, i, contours[i].shape, i, hierarchy[0][i]))if hierarchy[0,i,2]==-1:  # 最内层轮廓imgContour = cv.drawContours(imgContour, contours, i, (0,0,255), thickness=-1)  # 内部填充if hierarchy[0,i,3]==-1:  # 最外层轮廓imgContour = cv.drawContours(imgContour, contours, i, (255,255,255), thickness=5)plt.figure(figsize=(9, 3.2))plt.subplot(131), plt.axis('off'), plt.title("1. Original")plt.imshow(cv.cvtColor(img, cv.COLOR_BGR2RGB))plt.subplot(132), plt.axis('off'), plt.title("2. Contours")plt.imshow(cv.cvtColor(contourTree, cv.COLOR_BGR2RGB))plt.subplot(133), plt.axis('off'), plt.title("3. Selected contour")plt.imshow(cv.cvtColor(imgContour, cv.COLOR_BGR2RGB))plt.tight_layout()plt.show()

运行结果：

python">len(contours):  6
hierarchy.shape:  (1, 6, 4)
i=0	contours[0]:(24, 1, 2)	hierarchy[0,0]=[ 1 -1 -1 -1]
i=1	contours[1]:(24, 1, 2)	hierarchy[0,1]=[ 2  0 -1 -1]
i=2	contours[2]:(4, 1, 2)	hierarchy[0,2]=[-1  1  3 -1]
i=3	contours[3]:(8, 1, 2)	hierarchy[0,3]=[-1 -1  4  2]
i=4	contours[4]:(11, 1, 2)	hierarchy[0,4]=[ 5 -1 -1  3]
i=5	contours[5]:(11, 1, 2)	hierarchy[0,5]=[-1  4 -1  3]

程序说明：

（1）运行结果，图像轮廓如图14-6所示。图14-6(1)所示为浅色背景的原始图像，进行二值处理时反色为黑色背景和白色目标。
（2）图14-6(2)所示为在原始图像上绘制查找到的全部轮廓，并标注轮廓编号。图14-6(3)所示为在原始图像上绘制指定的轮廓，外层轮廓以白色线条绘制，内层轮廓以红色填充。
（3） contours是所有轮廓的列表，长度为6，表示查找到6个轮廓。
（4）查找轮廓时使用CHAIN_APPROX_SIMPLE选项，对水平线/垂直线/对角线只保留线段的端点。矩形轮廓最少可以用4个端点表示，如2#轮廓只有4个像素点，但看起来像矩形的轮廓也可能会有更多顶点，如3# 轮廓有8个像素点。
（5） hierarchy的形状为(1,6,4)，每行表示一个轮廓的拓扑信息。结合运行结果逐行讨论如下。
hierarchy[0,0]=[1,-1,-1,-1]，表示0#轮廓的同层下一个轮廓为1#，没有同层的前一个轮廓，没有子轮廓，没有父轮廓，因此是单层轮廓。
hierarchy[0,1]=[2,0,-1,-1]，表示1#轮廓的同层下一个轮廓为2#，同层前一个轮廓为0#，没有子轮廓，没有父轮廓，因此是单层轮廓。
hierarchy[0,2]=[-1,1,3,-1]，表示2# 轮廓没有同层下一个轮廓，同层前一个轮廓为1#，子轮廓为3#，没有父轮廓，因此是外层轮廓。
hierarchy[0,3] =[-1,-1,4,2]，表示3#轮廓没有同层下一个轮廓，没有同层前一个轮廓，子轮廓为4#，父轮廓为2#。
hierarchy[0,4]=[5,-1,-1,3]，表示4#轮廓的同层下一个轮廓为5#，没有同层前一个轮廓，没有子轮廓，父轮廓为3#，因此是内层轮廓。
hierarchy[0,5] =[-1,4,-1,3]，表示5#轮廓没有同层下一个轮廓，同层前一个轮廓为4#，没有子轮廓，父轮廓为3#，因此是内层轮廓。

在这里插入图片描述