Python OpenCV区域轮廓标记 Python OpenCV 图像区域轮廓标记(框选各种小纸条)
梦想橡皮擦 人气:0学在前面
上篇 OpenCV 博客原计划完成一个 识别银行卡号 的项目，但是写的过程中发现，技术储备不足，我无法在下述图片中，提取出卡号区域，也就无法进行后续的识别了，再次意识到了自己技术还不达标，继续学习。完不成，就实现其它学习项目。
轮廓识别实战
先看一下最终实现的效果，针对一张图片（该图片前景色和背景色差异较大），进行轮廓标记。
图片基本处理
import cv2 as cv
src = cv.imread("./demo.jpg")
gray = cv.cvtColor(src, cv.COLOR_BGR2GRAY)
# cv.imshow("src", src)
gray = cv.GaussianBlur(gray, (5, 5), 0)
edges = cv.Canny(gray, 70, 210)
cv.imshow("edged", edges)
转换成灰度图，高斯模糊去噪，Canny 边缘检测，这些都是图像处理的基本函数，使用方法已经在前文进行过相关学习。
运行上述代码之后，获取基本边缘数据。
轮廓检测
下面就是检测图像轮廓具体位置的代码了：
contours, hierarchy = cv.findContours(edges.copy(), cv.RETR_LIST, cv.CHAIN_APPROX_SIMPLE)
print(f"轮廓数量：{len(contours)}")
在 cv.findContours(edges, cv.RETR_LIST, cv.CHAIN_APPROX_SIMPLE) 中，第二个参数使用的是 cv.RETR_LIST，该参数值表示检测所有轮廓，不建立等级关系，彼此独立。如果只想获取轮廓边缘信息,不关心是否嵌套在另一个轮廓之内，使用该参数值即可。
第三个参数使用的是 cv.CHAIN_APPROX_SIMPLE，表示压缩水平方向，垂直方向，对角线方向的元素，只保留该方向的终点坐标，例如一个矩形轮廓只需 4 个点来保存轮廓信息，这也是为了后面便于计算。
观察上图，可以发现最外侧的边缘面积是最大的，所以依据面积进行排序，依据其他值也可以，获取面积最大的轮廓。
contours = sorted(contours, key = cv.contourArea, reverse = True)[:3]
对轮廓进行简单绘制，获得下图效果。
cv.drawContours(src,contours,-1,(0,0,255),2)
遍历轮廓，计算轮廓近似
先看代码：
# 遍历轮廓 for c in contours: # 计算轮廓近似 peri = cv.arcLength(c, True) approx = cv.approxPolyDP(c, 0.02 * peri, True)
一个新的函数 cv.arcLength，该函数的原型如下：
retval = cv2.arcLength(curve, closed)
该函数用于计算轮廓的周长。
下面的 cv.approxPolyDP 函数原型如下：
approxCurve = cv2.approxPolyDP(curve, epsilon, closed[, approxCurve])
函数参数如下：
curve：源图像的某个轮廓；epsilon：距离值，表示多边形的轮廓接近实际轮廓的程度，值越小，越精确；closed：轮廓是否闭合。
最重要的参数就是 epsilon 简单记忆为：该值越小，得到的多边形角点越多，轮廓越接近实际轮廓，该参数是一个准确度参数。
该函数返回值为轮廓近似多边形的角点。
绘制轮廓
最后判断，当上文返回的角点为 4 的时候，提取轮廓，代码如下：
# 遍历轮廓 for c in contours: # 计算轮廓近似 peri = cv.arcLength(c, True) approx = cv.approxPolyDP(c, 0.02 * peri, True) # 当恰好是 4 个角点的时候，获取轮廓。 if len(approx) == 4: screen_cnt = approx break # 结果显示 cv.drawContours(src, [screen_cnt], -1, (0, 0, 255), 2)
更换图片，进行再次轮廓检测，注意修改轮廓近似部分代码即可。
# 遍历轮廓
for c in contours:
# 计算轮廓近似
approx = cv.approxPolyDP(c, 30, True)
if len(approx) == 4:
screen_cnt = approx
break
加载全部内容