(二十一) 圆检测
注意： 图像的高宽一定要相等。
import cv2 as cv
import numpy as np
def detect_circles(img):
dst = cv.pyrMeanShiftFiltering(img, 10, 100)
cimg = cv.cvtColor(dst, cv.COLOR_BGR2GRAY)
circles = cv.HoughCircles(cimg, cv.HOUGH_GRADIENT, 1, 20, param1=50, param2=30, minRadius=0, maxRadius=0)
circles = np.uint16(np.around(circles))
for i in circles[0, :]:
cv.circle(img, (i[0], i[1]), i[2], (0, 0, 255), 2)
cv.circle(img, (i[0], i[1]), 2, (255, 0, 0), 2)
cv.imshow("c", img)
src = cv.imread('images/timg.jpg')
cv.imshow('def', src)
detect_circles(src)
cv.waitKey(0)
cv.destroyAllWindows()
圆检测
(二十二) 轮廓发现
是基于图像边缘提取的基础，寻找对象轮廓的方法，所以边缘提取的阈值选定会影响最终轮廓的发现
轮廓发现API
findContours 发现轮廓
drawContours绘制轮廓
import cv2 as cv
def contours(image):
# 高斯模糊，消除噪声
dst = cv.GaussianBlur(image,(9,9),15)
# 先变灰度图像
gray = cv.cvtColor(dst,cv.COLOR_BGR2GRAY)
#OTSU大律法获取二值图像
#args
# 输入图像
# 阈值（为0是全局自适应阈值, 参数0可改为任意数字但不起作用)
# 与THRESH_BINARY和THRESH_BINARY_INV阈值类型一起使用设置的最大值。
# 阈值类型
ret,binary = cv.threshold(gray,0,255,cv.THRESH_BINARY|cv.THRESH_OTSU)
cv.imshow('binary image',binary)
#寻找轮廓(直接输入二值图像）
#args：
# 输入的二值图像
# 轮廓检索模式 RETR_TREE:提取所有轮廓并重新建立网状轮廓结构
# 轮廓近似方法 CHAIN_APPROX_SIMPLE：压缩水平方向，垂直方向，对角线方向的元素，值保留该方向的重点坐标，如果一个矩形轮廓只需4个点来保存轮廓信息
#return:
# 传入的二值图像（ndarray)
# list：轮廓本身，含有轮廓上面各个点的位置信息
# 每条轮廓对应的属性(ndarray)
# 错误
# ValueError: not enough values to unpack (expected 3, got 2)
# 原因为返回值是两个，用3个接受
# cloneimage,contours,heriachy = cv.findContours(binary,cv.RETR_TREE,cv.CHAIN_APPROX_SIMPLE) #RETR_TREE包含检测内部
contours, hierarchy = cv.findContours(binary, cv.RETR_TREE, cv.CHAIN_APPROX_SIMPLE) # RETR_TREE包含检测内部
# cloneImage, contours, heriachy = cv.findContours(binary, cv.RETR_EXTERNAL,cv.CHAIN_APPROX_SIMPLE) # RETR_EXTERNAL检测外部轮廓
for i ,contour in enumerate(contours):
cv.drawContours(image,contours,i,(0,0,255),2) #绘制轮廓
# cv.drawContours(image,contours,i,(0,0,255),-1) #填充轮廓
print(i)
cv.imshow('detect image',image)
src = cv.imread('images/money.jpg')
cv.imshow('input image',src)
contours(src)
cv.waitKey(0)
cv.destroyAllWindows()
注意：
findContours的返回值。
原图
二值化
绘制轮廓
(二十三) 对象测量
import cv2 as cv
import numpy as np
def measure_object(img):
gray = cv.cvtColor(img, cv.COLOR_RGB2GRAY)
ret, binary = cv.threshold(gray, 0, 255, cv.THRESH_BINARY_INV | cv.THRESH_OTSU)
cv.imshow("binary img", binary)
# outImg, contours, hireachy = cv.findContours(binary, cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE)
contours, hireachy = cv.findContours(binary, cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE)
for i, contour in enumerate(contours):
# 轮廓面积
area = cv.contourArea(contour)
# 轮廓外接矩形面积
area = cv.contourArea(contour)
x, y, w, h = cv.boundingRect(contour)
# 几何矩
mm = cv.moments(contour)
cx = mm['m10'] / mm['m00']
cy = mm['m01'] / mm['m00']
#中心绿点
cv.circle(img, (np.int(cx), np.int(cy)), 3, (0, 255, 0), -1)
#红框
cv.rectangle(img, (x, y), (x + w, y + h), (0, 0, 255), 2)
cv.imshow("mo", img)
src = cv.imread('images/money.jpg')
cv.imshow('def', src)
measure_object(src)
cv.waitKey(0)
cv.destroyAllWindows()
对象测量
(二十四) 膨胀与腐蚀
膨胀就是求局部最大值的操作
腐蚀就是求局部最小值的操作
膨胀与腐蚀都支持任意形状的结构元素
灰度与二值图像处理中重要的手段；
import cv2 as cv
def erode(img):
gray = cv.cvtColor(img, cv.COLOR_RGB2GRAY)
ret, binary = cv.threshold(gray, 0, 255, cv.THRESH_BINARY_INV | cv.THRESH_OTSU)
# 获得结构元素
# 第一个参数：结构元素形状，这里是矩形
# 第二个参数：结构元素大小
kernel = cv.getStructuringElement(cv.MORPH_RECT, (5, 5))
# 执行腐蚀
dst = cv.erode(binary, kernel)
cv.imshow("erode", dst)
def dilate(img):
gray = cv.cvtColor(img, cv.COLOR_RGB2GRAY)
ret, binary = cv.threshold(gray, 0, 255, cv.THRESH_BINARY_INV | cv.THRESH_OTSU)
# 获得结构元素
# 第一个参数：结构元素形状，这里是矩形
# 第二个参数：结构元素大小
kernel = cv.getStructuringElement(cv.MORPH_RECT, (5, 5))
# 执行膨胀
dst = cv.dilate(binary, kernel)
cv.imshow("dilate", dst)
src = cv.imread('images/template.jpg')
cv.imshow('def', src)
erode(src)
dilate(src)
cv.waitKey(0)
cv.destroyAllWindows()
膨胀与腐蚀
