OpenVINOTM,给你看得见的未来!>>
电子产品世界 » 论坛首页 » 企业专区 » OpenVINO生态社区 » 【原创】OpenCV-Python系列之轮廓特征高阶(三十)

共2条 1/1 1 跳转至

【原创】OpenCV-Python系列之轮廓特征高阶(三十)

高工
2020-07-11 21:15:21    评分

OpenCV-Python系列之轮廓特征高阶

在之前的教程中,我们谈到了轮廓的一些基本特征,包括有图像的矩、轮廓区域的面积、轮廓的周长、轮廓的外接图形等等。今天我们仍然讨论几种轮廓的特征,它们将很具有实战意义,我们将从综合方面讲述。

轮廓近似

通常在某些特定场合,我们并不需要太过精确的轮廓信息,而只需要大概的信息,这个时候我们就需要对轮廓进行近似处理,实际上也称之为多边形拟合。

我们接下来将会做一个综合性实验,从而完善对轮廓近似的实战学习。先来看相关的函数原型:

cv2.approxPolyDP(curve, epsilon, closed)

curve

需要进行近似的轮廓

epsilon

指定近似精度的参数ε,这是原始曲线与其近似值之间的最大距离。参数越小,两直线越接近

closed

若为true,曲线第一个点与最后一个点连接形成闭合曲线,若为false,曲线不闭合。

我们先来看一幅图像:

                                               image.png

这个实际上是一个综合性的实战项目——OCR文档识别,但是在这里我们只做一些前期的操作,我们现在的目标就是将这幅图像进行校正,这可以通过OpenCV的****变换进行完成,但是在前面我们讲述过,OpenCV的****变化需要四个坐标点,所以我们需要将文档的四个顶点的坐标提取出来,那么现在,我们有了明确的目标,就是将图像的四个顶点找出来。

我们先来看代码:

import cv2
import numpy as np


def resize(image, width=None, height=None, inter=cv2.INTER_AREA):
    dim = None
    (h, w) = image.shape[:2]
    if width is None and height is None:
        return image
    if width is None:
        r = height / float(h)
        dim = (int(w * r), height)
    else:
        r = width / float(w)
        dim = (width, int(h * r))
    resized = cv2.resize(image, dim, interpolation=inter)
    return resized

def show(img):
    cv2.imshow("res", img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

img = cv2.imread("page.jpg")
ratio = img.shape[0] / 500.0
orig = img.copy()
img = resize(img, height=500)
show(img)
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
show(gray)
gray = cv2.GaussianBlur(gray, (5, 5), 0)
show(gray)
edged = cv2.Canny(gray, 45, 230)
show(edged)
contours = cv2.findContours(edged, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)[0]
print(len(contours[0]))
cv2.drawContours(img, contours, -1, (0, 0, 255), 2)
show(img)

我们会进行一步步的分析,首先我们需要对图像进行尺寸统一,在这里我们自定义函数加上OpenCV的函数进行的尺寸自适应的统一,这些我们在前面都已经讲过,现在都综合起来。

这是重新定义尺寸之后的图像,在这里定义为高度为500,宽度等比例缩小:

image.png

接下来是对图像进行灰度化,方便后期的处理:

image.png

高斯模糊,消除噪声的影响,方便后面的边缘检测:

image.png

使用Canny边缘检测算法对高斯模糊后的图像进行边缘检测:

image.png

于此同时,我们检测最外层的轮廓,然后将轮廓绘制出来:

image.png

打印出来轮廓的所有的坐标点:

image.png

可以看到,坐标点总共有185个,这样根本没有办法进行****变换,****变换只允许四个坐标点,这个时候我们本次教程介绍的轮廓近似的作用就已经显现出来了,我们来看代码:

import cv2
import numpy as np


def resize(image, width=None, height=None, inter=cv2.INTER_AREA):
    dim = None
    (h, w) = image.shape[:2]
    if width is None and height is None:
        return image
    if width is None:
        r = height / float(h)
        dim = (int(w * r), height)
    else:
        r = width / float(w)
        dim = (width, int(h * r))
    resized = cv2.resize(image, dim, interpolation=inter)
    return resized

def show(img):
    cv2.imshow("res", img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

img = cv2.imread("page.jpg")
ratio = img.shape[0] / 500.0
orig = img.copy()
img = resize(img, height=500)
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
gray = cv2.GaussianBlur(gray, (5, 5), 0)
edged = cv2.Canny(gray, 45, 230)
contours = cv2.findContours(edged, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)[0]
print(len(contours[0]))
epsilon = 0.1 * cv2.arcLength(contours[0], True)
approx = cv2.approxPolyDP(contours[0], epsilon, True)
cv2.drawContours(img, [approx], -1, (0, 0, 255), 2)
print(len(approx))
show(img)

我们可以看到,在进行了轮廓近似之后,坐标点由185变为了四个,这极大的方便了之后的****变换:

image.png

通过这个实战,我们既熟练了之前所讲述的内容,同时也体会到了新内容的实用性,现在我们来看看轮廓的其他特征。

凸包检测

事实上,OpenCV轮廓的凸包检测也是十分实用的,凸包(Convex Hull)是一个计算几何(图形学)中的概念,它的严格的数学定义为:在一个向量空间V中,对于给定集合X,所有包含X的凸集的交集S被称为X的凸包。

凸包检测原理:

思路:Graham扫描的思想和Jarris步进法类似,也是先找到凸包上的一个点,然后从那个点开始按逆时针方向逐个找凸包上的点。

操作步骤大概可分为两步

第一步:排序

第二步:扫描

image.png

步骤:

1.把所有点放在二维自然直角坐标系中(注意与图片像素坐标系区分),则纵坐标最小的点一定是凸包上的点,如图中的P0

2.那么以P0作为坐标参考点,如上图所示:

计算各个点相对于 P0 的幅角 α ,按从小到大的顺序对各个点排序。当 α 相同时,距离 P0 比较近的排在前面。例如上图得到的结果为 P1P2P3P4P5P6P7P8。我们由定义可以知道,结果中第一个点 P1和最后一个点 P8 一定是凸包上的点。 

3.以上,我们已经知道了凸包上的第一个点 P0 和第二个点 P1,我们把它们放在栈里面,并令P2为当前点.

4.根据栈顶的前两个点作出有向直线,记PX-1->PX ,看当前点是在有向直线 L 的右边还是左边。如果在直线的右边就执行步骤5;如果在直线上,或者在直线的左边就执行步骤6

5.栈顶的那个元素不是凸包上的点,把栈顶元素出栈,当前点不变,执行步骤4 

6.当前点是凸包上的点,把它压入栈,执行步骤7

7.检查当前的点是不是步骤3那个结果的最后一个元素:当前点是最后一个元素的话就结束,如果不是的话就将下一个点作为新的当前点,返回步骤4

静态求解过程如下:

image.png

image.png


实战
  在图像处理过程中,我们常常需要寻找图像中包围某个物体的凸包。凸包跟多边形逼近很像,只不过它是包围物体最外层的一个凸集,这个凸集是所有能包围这个物体的凸集的交集。如下图所示:

image.png

在上图中,绿色线条所包围的凸集即为白色图形的凸包。
  OpenCV中,通过函数convexHulll能很容易的得到一系列点的凸包,比如由点组成的轮廓,通过convexHull函数,我们就能得到轮廓的凸包。寻找图像的凸包,能够让我们做一些有意思的事情,比如手势识别等。

函数原型:

hull       =     cv.convexHull(   points[, hull[, clockwise[, returnPoints]]]  )

第一个参数:输入的点集,可以是矩阵。

第二个参数:可以为vector<int>,此时返回的是每个凸包点在原轮廓点容器中的索引,也可以为vector<Point>,此时存放的是凸包点的位置,即点(x,y)坐标。

第三个参数:bool变量,表示输出的凸包是顺时针方向还是逆时针方向,true是顺时针方向,false为逆时针方向,默认值是true,即顺时针方向输出凸包。

第四个参数:bool型变量returnPoints,表示第二个参数的输出类型,默认为true,即返回凸包的各个点,设置为false时,表示返回凸包各个点的索引。当第二个参数类型为std::vector,则该标志位被忽略,就是以第二个参数为准,即为vector<int>,此时返回的是每个凸包点在原轮廓点容器中的索引,为vector<Point>时,此时存放的是凸包点的位置,即点(x,y)坐标。
  下面将会通过两个简单例子来展示如何用OpenCV来寻找图像的凸包。

首先,我们用以下的Python代码来自己绘制一张简单的多边形的图片(tubao.png),代码如下:

import cv2
import numpy as np

# 新建512*512的空白图片
img = np.zeros((512,512,3), np.uint8)
# 平面点集
pts = np.array([[200,250], [250,300], [300, 270], [270,200], [120, 240]], np.int32)
pts = pts.reshape((-1,1,2))
# 绘制填充的多边形
cv2.fillPoly(img, [pts], (255,255,255))
# 保存图片
cv2.imshow("res",img)
cv2.imwrite('tubao.png', img)
cv2.waitKey(0)

image.png

接着我们需要寻找这个多边形的凸包,利用OpenCVconvexHull函数,然后再将这个凸包绘制出来,得到直观的展示结果。处理的Python代码如下:

import cv2

# 读取图片并转至灰度模式
img = cv2.imread("tubao.png", 1)
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 二值化
ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
# 图片轮廓
contours, hierarchy = cv2.findContours(thresh, 2, 1)
cnt = contours[0]
# 寻找凸包并绘制凸包(轮廓)
hull = cv2.convexHull(cnt)
print(hull)

length = len(hull)
for i in range(len(hull)):
    cv2.line(img, tuple(hull[i][0]), tuple(hull[(i+1)%length][0]), (0,255,0), 2)

# 显示图片
cv2.imshow('line', img)
cv2.waitKey()

image.png

这是凸包所在的轮廓的点集集合,有了它,我们就能绘制出凸包的轮廓了,如下:

image.png

接下来,我们将介绍一张稍微难一点的图片——手势图片(finger.jpg),如下所示:

image.png

我们将会来寻找这个手势的凸包。基本的处理思路还是和之前的一致,只是要在二值化以及凸包点集集合的大小上做一些处理,取二值化的阈值为235,凸包点集中的点个数大于5,完整的Python代码如下:

import cv2
 
# 读取图片并转至灰度模式
imagepath = 'F://finger.jpg'
img = cv2.imread(imagepath, 1)
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
 
# 二值化,取阈值为235
ret, thresh = cv2.threshold(gray, 235, 255, cv2.THRESH_BINARY)
 
# 寻找图像中的轮廓
image, contours, hierarchy = cv2.findContours(thresh, 2, 1)
 
# 寻找物体的凸包并绘制凸包的轮廓
for cnt in contours:
    hull = cv2.convexHull(cnt)
    length = len(hull)
    # 如果凸包点集中的点个数大于5
    if length > 5:
        # 绘制图像凸包的轮廓
        for i in range(length):
            cv2.line(img, tuple(hull[i][0]), tuple(hull[(i+1)%length][0]), (0,0,255), 2)
 
cv2.imshow('finger', img)
cv2.waitKey()

image.png

可以发现,一共检测到2个凸包,一个是整个手势外围的凸包,正好包围整个手,另一个是两个手指形成的内部的图形,类似于O的凸包,这符合我们的预期。

至此,OpenCV轮廓的特征就全部介绍完毕,它们的用途极为广泛,其重要性不言而喻。





关键词: OpenCV-Python     原创     轮廓     特征    

助工
2020-07-11 21:25:54    评分
2楼

支持一下


共2条 1/1 1 跳转至

回复

匿名不能发帖!请先 [ 登陆 注册 ]