計算機視覺第一課opencv（四）保姆級教學

簡介

一、輪廓檢測

1.查找輪廓的API

2.代碼分析

2.1.圖像二值化處理

2.2輪廓檢測

2.3輪廓繪制

2.4輪廓面積計算

2.5輪廓周長計算

2.6篩選特定面積的輪廓

2.7查找最大面積的輪廓

2.8繪制輪廓的外接圓

2.9繪制輪廓的外接矩形

二、輪廓的近似

三、模板匹配?

簡介

????????今天繼續學習opencv，今天學習輪廓檢測、輪廓的近似

計算機視覺第一課opencv（三）保姆級教學

計算機視覺第一課opencv（一）保姆級教學

計算機視覺第一課opencv（二）保姆級教學

一、輪廓檢測

1.查找輪廓的API

image, contours, hierarchy = cv2.findContours(img, mode, method)

參數：img: 需要實現輪廓檢測的原圖
mode: 輪廓的檢索模式，主要有四種方式：cv2.RETR_EXTERNAL：只檢測外輪廓，所有子輪廓被忽略cv2.RETR_LIST：檢測的輪廓不建立等級關系，所有輪廓屬于同一等級cv2.RETR_CCOMP：返回所有的輪廓，只建立兩個等級的輪廓，一個對象的外輪廓為第1級組織結構，而對象內中空的輪廓為第2級組織結構，空間中的任何對象的輪廓又是第 1 級組織結構。
-> cv2.RETR_TREE：返回所有的輪廓，建立一個完整的組織結構的輪廓。

method: 輪廓的近似方法，主要有以下兩種：

-> cv2.CHAIN_APPROX_NONE：存儲所有的輪廓點。
-> cv2.CHAIN_APPROX_SIMPLE：壓縮模式，只保留該方向的終點坐標，例如一個矩形輪廓只畫4個點來保存輪廓信息。

返回：image: 返回類型的原圖contours：包含圖像中所有輪廓的list對象，其中每一個獨立的輪廓信息以邊界點坐標（x,y）的形式儲存在numpy數組中。hierarchy：輪廓的層次結構，一個包含4個值的數組：[Next, Previous, First Child, Parent]Next：與當前輪廓處于同一層級的下一條輪廓Previous：與當前輪廓處于同一層級的上一條輪廓First Child：當前輪廓的第一條子輪廓Parent：當前輪廓的父輪廓注意：做輪廓檢測前需要將圖片讀取為二值數據，即像素值只為0和255。

2.代碼分析

圖像讀取與預處理

import cv2
phone = cv2.imread('phone.png')  # 讀取原圖，默認以BGR格式加載
phone_gray = cv2.cvtColor(phone, cv2.COLOR_BGR2GRAY)  # 轉換為灰度圖
cv2.imshow('phone_0', phone_gray)  # 顯示灰度圖
cv2.waitKey(0)  # 等待用戶按鍵，0表示無限等待

這部分代碼首先讀取圖像，然后將彩色圖像轉為灰度圖（減少計算量，便于后續處理）
cv2.imshow()用于顯示圖像，cv2.waitKey(0)確保圖像窗口不會立即關閉

2.1.圖像二值化處理

ret, phone_binary = cv2.threshold(phone_gray, 120, 255, cv2.THRESH_BINARY)  # 二值化處理
cv2.imshow('phone_binary', phone_binary)
cv2.waitKey(0)

二值化是輪廓檢測的前提，將灰度圖轉換為只有黑白兩種顏色的圖像
參數解釋：
- 120：閾值，像素值高于此值會被處理
- 255：最大值，滿足條件的像素會被設置為此值
- cv2.THRESH_BINARY：二值化類型，大于閾值的設為 255，否則設為 0

2.2輪廓檢測

contours = cv2.findContours(phone_binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)[-2]  # 檢測輪廓
print(len(contours))  # 打印檢測到的輪廓數量

cv2.findContours()是輪廓檢測的核心函數
參數解釋：
- cv2.RETR_TREE：輪廓檢索模式，檢測所有輪廓并建立完整的層次結構
- cv2.CHAIN_APPROX_NONE：輪廓近似方法，存儲所有輪廓點
- [-2]：兼容不同 OpenCV 版本的寫法，確保獲取到輪廓列表

2.3輪廓繪制

image_copy = phone.copy()  # 復制原圖，避免在原圖上直接繪制
cv2.drawContours(image=image_copy, contours=contours, contourIdx=-1,  # -1表示繪制所有輪廓color=(0,0,255),  # 紅色（BGR格式）thickness=2  # 線條粗細
)
cv2.imshow('Contours_show', image_copy)
cv2.waitKey(0)

cv2.drawContours()用于在圖像上繪制輪廓
這里創建原圖副本是為了保留原圖，方便后續其他處

2.4輪廓面積計算

area_0 = cv2.contourArea(contours[0])  # 計算第一個輪廓的面積
print(area_0)
area_1 = cv2.contourArea(contours[1])  # 計算第二個輪廓的面積
print(area_1)

cv2.contourArea()用于計算輪廓所包圍的面積
面積單位是像素，值越大表示輪廓包圍的區域越大

2.5輪廓周長計算

length = cv2.arcLength(contours[0], closed=True)  # 計算第一個輪廓的周長
print(length)

cv2.arcLength()用于計算輪廓的周長
closed=True表示輪廓是封閉的

2.6篩選特定面積的輪廓

a_list = []
for i in contours:if cv2.contourArea(i) > 10000:  # 篩選面積大于10000的輪廓a_list.append(i)
image_copy = phone.copy()
image_copy = cv2.drawContours(image_copy, a_list, -1, (0, 255, 0), 3)  # 用綠色繪制篩選后的輪廓
cv2.imshow('Contours_show_10000', image_copy)
cv2.waitKey(0)

這部分實現了根據面積篩選輪廓的功能
只保留面積大于 10000 的輪廓，并用綠色繪制，便于觀察較大的物體輪廓

2.7查找最大面積的輪廓

# 按面積降序排序，取第一個（面積最大的輪廓）
sortcnt = sorted(contours, key=cv2.contourArea, reverse=True)[0]
image_contours = cv2.drawContours(phone.copy(), [sortcnt], -1, (0, 0, 255), 3)
cv2.imshow('image_contours', image_contours)
cv2.waitKey(0)

使用sorted()函數和cv2.contourArea作為排序鍵，找到面積最大的輪廓
這種方法常用于定位圖像中最主要的物體

2.8繪制輪廓的外接圓

cnt = contours[6]  # 選擇第7個輪廓（索引從0開始）
(x, y), r = cv2.minEnclosingCircle(cnt)  # 計算最小外接圓
phone_circle = cv2.circle(phone, (int(x), int(y)), int(r), (0, 255, 0), 2)  # 繪制外接圓
cv2.imshow('phone_circle', phone_circle)
cv2.waitKey(0)

cv2.minEnclosingCircle()計算能包圍輪廓的最小圓
返回值包括圓心坐標 (x,y) 和半徑 r
cv2.circle()用于繪制圓形，這里用綠色線條

2.9繪制輪廓的外接矩形

x, y, w, h = cv2.boundingRect(cnt)  # 計算最小外接矩形
phone_rectangle = cv2.rectangle(phone, (x, y), (x + w, y + h), (255, 0, 0), 2)  # 繪制矩形
cv2.imshow('phone_rectangle', phone_rectangle)
cv2.waitKey(0)

cv2.boundingRect()計算能包圍輪廓的最小矩形（軸對齊矩形）
返回值包括矩形左上角坐標 (x,y)、寬度 w 和高度 h
cv2.rectangle()用于繪制矩形，這里用藍色線條

二、輪廓的近似

approx = cv2.approxPolyDP(curve, epsilon, closed)

參數說明：curve：輸入輪廓。epsilon：近似精度，即兩個輪廓之間最大的歐式距離。該參數越小，得到的近似結果越接近實際輪廓；反之，得到的近似結果會更加粗略。closed：布爾類型的參數，表示是否封閉輪廓。如果是 True，表示輸入輪廓是封閉的，近似結果也會是封閉的；否則表示輸入輪廓不是封閉的，近似結果也返回值：approx：近似結果，是一個ndarray數組，為1個近似后的輪廓，包含了被近似出來的輪廓上的點的坐標

圖像讀取與預處理

phone = cv2.imread('phone.png')  # 讀取原圖
phone_gray = cv2.cvtColor(phone,cv2.COLOR_BGR2GRAY)  # 轉換為灰度圖
ret,phone_thresh = cv2.threshold(phone_gray, 120, 255,cv2.THRESH_BINARY)  # 二值化處理

將彩色圖像轉為灰度圖，簡化圖像處理
二值化處理：將灰度圖轉換為只有黑白兩種顏色的圖像，閾值設為 120，大于 120 的像素變為 255（白色），小于等于 120 的變為 0（黑色）

輪廓檢測

contours=cv2.findContours(phone_thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_NONE)[-2]

使用cv2.findContours函數檢測輪廓
參數cv2.RETR_TREE表示檢測所有輪廓并建立完整的層次結構
參數cv2.CHAIN_APPROX_NONE表示存儲所有輪廓點
[-2]是為了兼容不同 OpenCV 版本，確保獲取到輪廓列表

輪廓近似處理

# 設置近似精度，epsilon值越小，近似結果越接近原始輪廓
epsilon = 0.002 * cv2.arcLength(contours[0], True)        # 對輪廓進行近似
approx = cv2.approxPolyDP(contours[0], epsilon, True)

cv2.arcLength計算輪廓周長，True表示輪廓是封閉的
epsilon是近似精度，這里設置為輪廓周長的 0.002 倍
cv2.approxPolyDP函數實現輪廓近似，將輪廓用更少的點來表示，保留主要形狀

結果對比與顯示

# 打印原始輪廓和近似輪廓的點數量
print(contours[0].shape)
print(approx.shape)# 繪制近似后的輪廓
phone_new = phone.copy()
image_contours = cv2.drawContours(phone_new, [approx], contourIdx=-1, color=(0,255,0), thickness=3)# 顯示原圖和處理后的圖像
cv2.imshow('phone', phone)
cv2.waitKey(0)
cv2.imshow('image_contours', image_contours)
cv2.waitKey(0)

通過打印形狀可以看到，近似后的輪廓點數量明顯減少
用綠色線條繪制近似后的輪廓，并與原圖進行對比顯示
cv2.waitKey(0)表示等待用戶按鍵后再繼續執行

????????通過調整epsilon的值，可以控制近似程度，值越大，輪廓簡化越明顯，保留的點越少；值越小，越接近原始輪廓。
?

三、模板匹配?

模板匹配是一種用于查找與模板圖像（補丁）匹配（相似）的圖像區域的技術

為了識別匹配區域，我們必須通過滑動來將模板圖像與源圖像進行比較

一次移動一個像素（從左到右，從上到下）。在每個位置，都會計算一個度量（度量計算公式），以便它表示該位置的匹配“好”或“壞”程度

 cv2.matchTemplate(image, templ, method, result=None, mask=None)

image ：待搜索圖像

templ：模板圖像

method：計算匹配程度的方法，可以有：

????????TM_SQDIFF 平方差匹配法，該方法采用平方差進行匹配；匹配越好，值越小；匹配越差，值越大。

????????TM_CCORR 相關匹配法，該方法采用乘積操作；數值越大表明匹配程度越好。

????????TM_CCOEFF 相關系數匹配法，數值越大表明匹配程度越好。

????????TM_SQDIFF_NORMED 歸一化平方差匹配法，匹配越好，值越小；匹配越差，值越大。 ????????TM_CCORR_NORMED 歸一化相關匹配法，數值越大表明匹配程度越好。 ????????TM_CCOEFF_NORMED 歸一化相關系數匹配法，數值越大表明匹配程度越好。

圖像讀取與顯示

kele = cv2.imread('kele.png')
template = cv2.imread('template.png')
cv2.imshow(winname='kele', mat=kele)
cv2.imshow(winname='template', mat=template)
cv2.waitKey(0)

cv2.imread：從本地加載圖像，kele?存大圖像、template?存模板小圖像，默認按?BGR 色彩空間?讀入（和日常 RGB 有區別，OpenCV 歷史原因導致）。
cv2.imshow：創建窗口顯示圖像，第一個參數是窗口名稱（winname?），第二個是要顯示的圖像數據（mat?）。
cv2.waitKey(0)：暫停程序，等待用戶按下任意鍵再繼續執行，0?表示 “無限等待”，保證圖像窗口能停留讓我們看到內容。

獲取模板尺寸與執行模板匹配

h, w = template.shape[:2]
res = cv2.matchTemplate(kele, template, cv2.TM_CCOEFF_NORMED)

template.shape[:2]：獲取模板圖像的?高度（h）、寬度（w）?，shape?返回 (高，寬，通道數) ，[:2]?取前兩個值，后續標記匹配區域會用到尺寸。
cv2.matchTemplate(...)：執行模板匹配核心操作！把?template?當 “模板”，在?kele?里逐像素 / 逐區域滑動比較。cv2.TM_CCOEFF_NORMED?是選的?歸一化相關系數匹配法?，結果存在?res?里：res?是個二維矩陣，每個元素值表示對應位置與模板的匹配程度（越接近 1 ，匹配越好）。

解析匹配結果，標記目標區域

min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res)  
top_left = max_loc
bottom_right = (top_left[0] + w, top_left[1] + h)
kele_template = cv2.rectangle(kele, top_left, bottom_right, color=(0, 255, 0), thickness=2)

cv2.minMaxLoc(res)：從?res（匹配結果矩陣）里找?最小值（min_val?）、最大值（max_val?），以及它們對應的坐標（min_loc、max_loc?）?。因為用了?TM_CCOEFF_NORMED?，值越大匹配越好，所以關注?max_loc（最佳匹配區域的左上角坐標）。
bottom_right = (top_left[0] + w, top_left[1] + h)：根據模板寬高，算出匹配區域?右下角坐標?，這樣就能確定一個矩形范圍。
cv2.rectangle(...)：在?kele?圖像上畫矩形！參數分別是：要畫的圖像（kele?）、左上角坐標（top_left?）、右下角坐標（bottom_right?）、矩形顏色（(0, 255, 0)?，即綠色，BGR 格式）、線條粗細（thickness=2?），結果存在?kele_template?里。

顯示最終結果

cv2.imshow(winname='kele_template', mat=kele_template)
cv2.waitKey(0)

用?cv2.imshow?顯示標記了匹配區域的圖像?kele_template?，再用?cv2.waitKey(0)?等待按鍵，方便我們查看匹配效果，程序最后才結束。