[影像處理] openCV 圖像中物體輪廓偵測 Contour detection

圖像中物理的輪廓偵測 Contour detection

參考資料：https://blog.csdn.net/helei001/article/details/23602449

Satoshi Suzuki在1985年提出的Topological structural analysis of digitized binary images by border following 在使用cv2內建的findContours()函數找尋輪廓時，輸入的圖片必須二值圖(可以使用cv2.threshold()函數)，物件的輪廓可以用來找圖片中的物體，取得ROI(region of interest)，用在物件的追蹤(object tracking)．

語法： cv2.findContours(image, mode, method[, contours[, hierarchy[, offset ]]])

1. 第一個參數是尋找輪廓的圖像
2. 第二個參數表示輪廓的檢索模式，有四種（本文介紹的都是新的cv2接口）：
   cv2.RETR_EXTERNAL表示只檢測外輪廓
   cv2.RETR_LIST檢測的輪廓不建立等級關係
   cv2.RETR_CCOMP建立兩個等級的輪廓，上面的一層為外邊界，裡面的一層為內孔的邊界信息。如果內孔內還有一個連通物體，這個物體的邊界也在頂層。
   cv2.RETR_TREE建立一個等級樹結構的輪廓。
3. 第三個參數method為輪廓的近似辦法
   cv2.CHAIN_APPROX_NONE存儲所有的輪廓點，相鄰的兩個點的像素位置差不超過1，即max（abs（x1-x2），abs（y2-y1））==1
   cv2.CHAIN_APPROX_SIMPLE壓縮水平方向，垂直方向，對角線方向的元素，只保留該方向的終點坐標，例如一個矩形輪廓只需4個點來保存輪廓信息
   cv2.CHAIN_APPROX_TC89_L1，CV_CHAIN_APPROX_TC89_KCOS使用teh-Chinl chain 近似算法

#先產生一個圖像

import cv2

import numpy as np

from pylab import *

from scipy import ndimage

img = np.zeros((200, 200), dtype=np.uint8)

img[50:150, 50:150] = 255

In [4]:

imshow(img)

Out[4]:

<matplotlib.image.AxesImage at 0x181bed8ac8>

In [5]:

#使用threshold過濾器將pixel強度大於127的改為255，將pixel強度小於127的改為0

ret, thresh = cv2.threshold(img, 127, 255, 0)

In [6]:

# 顯示threshold過濾後的影像

imshow(thresh)

Out[6]:

<matplotlib.image.AxesImage at 0x181f2afe10>

In [7]:

#使用cv2.findContours()找尋輪廓

image, contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)

#把影像變成彩色

color = cv2.cvtColor(img, cv2.COLOR_GRAY2BGR)

#在原先的影像上疊上綠色輪廓，粗細為2

img = cv2.drawContours(color, contours, -1, (0,255,0), 2)

cv2.imshow("contours", color)

cv2.waitKey()

cv2.destroyAllWindows()

In [1]:

import cv2

import numpy as np

#使用pyrDown()對圖像做down sampling

img = cv2.pyrDown(cv2.imread("contour.jpg", cv2.IMREAD_UNCHANGED))

'''

Opencv中可以通過函數cv2.pyrDown()和cv2.pyrUp()來構建金字塔。

函數cv2.pyrDown()是從一個高分辨率圖像變成低分辨率圖像的。

cv2.pyrDown()函數接受3個參數：

tmp: 當前圖像，初始化為原圖像 src 。

dst: 目的圖像( 顯示圖像，為輸入圖像的一半)

Size( tmp.cols/2, tmp.rows/2 ) :目的圖像大小， 既然我們是向下採樣

默認情況下直接輸入需要操作的圖像就可以，他會把圖像按縮小1/4的來處理

'''

#設定threshod過濾器將pixel強度大於127的改為255

ret, thresh = cv2.threshold(cv2.cvtColor(img.copy(), cv2.COLOR_BGR2GRAY) , 127, 255, cv2.THRESH_BINARY)

#使用cv2.findContours()找尋輪廓

image, contours, hier = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

print('numbers of contour:',len(contours))

numbers of contour: 3

In [2]:

for c in contours:

  # 把找到的contour用矩形圍起來

  x,y,w,h = cv2.boundingRect(c)

    #把contour標成綠色

  cv2.rectangle(img, (x,y), (x+w, y+h), (0, 255, 0), 2)

  # 找出圍繞contour的最小面積矩形

  rect = cv2.minAreaRect(c)

  # 計算最小矩形的四個座標點

  box = cv2.boxPoints(rect)

  # 把四個座標變成整數值

  box = np.int0(box)

  # 把最小矩形標示成紅色

  cv2.drawContours(img, [box], 0, (0,0, 255), 3)

  

  # 找到圍繞contour的最小圓形，並且回傳圓心座標和半徑

  (x,y),radius = cv2.minEnclosingCircle(c)

  # 把座標變成整數值

  center = (int(x),int(y))

  radius = int(radius)

  # 用藍色表示最小圓形

  img = cv2.circle(img,center,radius,(255,0,0),2)

# 用洋紅色標出所有找到的輪廓

cv2.drawContours(img, contours, -1, (255, 0, 255), 1)

cv2.imshow("contours", img)

cv2.waitKey()

cv2.destroyAllWindows()

找多邊形的方法：

step 1. 找尋輪廓(contour)

step 2. 使用Douglas–Peucker algorithm演算法找出多邊形:

1. 在曲線首尾兩點A，B之間連線一條直線AB，該直線為曲線的弦；
2. 得到曲線上離該直線段距離最大的點C，計算其與AB的距離d；
3. 比較該距離與預先給定的閾值threshold的大小，如果小於threshold，則該直線段作為曲線的近似，該段曲線處理完畢。
4. 如果距離大於閾值，則用C將曲線分為兩段AC和BC，並分別對兩段取信進行1~3的處理。
5. 當所有曲線都處理完畢時，依次連線各個分割點形成的折線，即可以作為曲線的近似。 當threshold設的越小，找出的分割點連線越近似曲線

In [2]:

import cv2

import numpy as np

from pylab import *

from scipy import ndimage

#使用pyrDown()對圖像做down sampling

img = cv2.pyrDown(cv2.imread("contour.jpg", cv2.IMREAD_UNCHANGED))

#設定threshod過濾器將pixel強度大於127的改為255

ret, thresh = cv2.threshold(cv2.cvtColor(img.copy(), cv2.COLOR_BGR2GRAY) , 127, 255, cv2.THRESH_BINARY)

#初始化一張與原圖大小相同的黑圖，並把它變成彩色(3個channels)

black = cv2.cvtColor(np.zeros((img.shape[1], img.shape[0]), dtype=np.uint8), cv2.COLOR_GRAY2BGR)

#使用cv2.findContours()找尋輪廓

image, contours, hier = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

In [6]:

for cnt in contours:

    # 設定epsilon值

  epsilon = 0.01 * cv2.arcLength(cnt,True)

    # 找輪廓的近似

  approx = cv2.approxPolyDP(cnt,epsilon,True)

    # 用內建的convexHull()函數找尋輪廓的convex

    '''

    convex的定義:隨機在convex內部取兩個點，兩點連線永遠都在convex內部

    '''

  hull = cv2.convexHull(cnt)  

  cv2.drawContours(black, [cnt], -1, (0, 255, 0), 2) #綠色

  cv2.drawContours(black, [approx], -1, (255, 255, 0), 2) #青色

  cv2.drawContours(black, [hull], -1, (0, 0, 255), 2) #紅色

cv2.imshow("hull", black)

cv2.waitKey()

cv2.destroyAllWindows()