怎么在Python中使用OpenCV标记图像区域轮廓

这期内容当中小编将会给大家带来有关怎么在Python中使用OpenCV标记图像区域轮廓，文章内容丰富且以专业的角度为大家分析和叙述，阅读完这篇文章希望大家可以有所收获。

图片基本处理

importcv2ascv

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)

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
forcincontours:
	#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
forcincontours:
	#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。
	iflen(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
forcincontours:
#计算轮廓近似

approx=cv.approxPolyDP(c,30,True)

iflen(approx)==4:
screen_cnt=approx
break

上述就是小编为大家分享的怎么在Python中使用OpenCV标记图像区域轮廓了，如果刚好有类似的疑惑，不妨参照上述分析进行理解。如果想知道更多相关知识，欢迎关注恰卡编程网行业资讯频道。