opencv--图像轮廓的近似检测

目录

什么是图像轮廓的近似检测？

具体实现

第一步（读取图片并展示）：

第二步（图片处理）：

第三步（获取数据）：

第四步（调参）：

第五步（绘制）：

优点：

---

什么是图像轮廓的近似检测？

图像轮廓的近似检测是一种轮廓近似方法，用于将复杂的轮廓形状近似为另一种轮廓形状，该轮廓形状由更少的点组成，并且可以根据我们设定的准确度参数进行调整。

这种方法可以应用于诸如提取图像中的矩形等任务，在原始轮廓无法直接提取到完美矩形时尤其有用。

具体实现

首先介绍一下需要用到的参数

cv2.approxPolyDP(curve, epsilon, closed)

curve：输入轮廓。
epsilon：近似精度，即两个轮廓之间最大的欧式距离。该参数越小，得到的近似结果越接近实际轮廓；反之，得到的近似结果会更加粗略。
closed：布尔类型的参数，表示是否封闭轮廓。如果是 True，表示输入轮廓是封闭的，近似结果也会是封闭的；否则表示输入轮廓不是封闭的，近似结果也不会是封闭的。

第一步（读取图片并展示）：

先将原图片读取并展示

import cv2

phone = cv2.imread('./phone.jpg')
phone = cv2.resize(phone, (700, 500))
cv2.imshow('phone', phone)
cv2.waitKey(0)

这里因为我的图片太大，所以用resize函数对图片进行了缩放

第二步（图片处理）：

将图片转换为灰度图，并进行二值化处理

# 将图片转换成灰度图（方便更好识别）
phone_gray = cv2.cvtColor(phone, cv2.COLOR_BGR2GRAY)
# 二值化处理（黑白）
ret, phone_binary = cv2.threshold(phone_gray, 120, 255, cv2.THRESH_BINARY)  # rec为阈值
# 展示图片
cv2.imshow('phone_binary', phone_binary)
cv2.waitKey(0)

成果：

第三步（获取数据）：

获取数据对象

image, contours, hierarchy = cv2.findContours(phone_binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)

image：返回处理的原图
contours：包含图像中所有轮廓的list对象。其中每一个独立的轮廓信息以边界点坐标（x,y）的形式储存在numpy数组中。
hierarchy：轮廓的层次结构。一个包含4个值的数组

cv2.RETR_TREE：返回所有的轮廓，建立一个完整的组织结构的轮廓。

cv2.CHAIN_APPROX_NONE：存储所有的轮廓点。

第四步（调参）：

设置参数

epsilon = 0.01 * cv2.arcLength(contours[0], True)  # 设置近似精度
approx = cv2.approxPolyDP(contours[0], epsilon, True)  # 对轮廓进行近似

contours[index] ：选取索引为index的轮廓

cv2.arctangle：得到这条轮廓的周长

第五步（绘制）：

绘制图像

# 这里是对原图复制，这样就不会在原图上修改
phone_new = phone.copy()
# 这里第二个参数就使用上面定义好的参数，要用列表的形式
phone_new_draw = cv2.drawContours(phone_new, [approx], contourIdx=0, color=(0, 0, 255), thickness=3)  # 绘制轮廓
cv2.imshow('phone_new', phone_new_draw)
cv2.waitKey(0)

展示：

如果我们不做近似处理，得到的图像是这样的：

那为什么要对图像做近似处理呢？也就是说，近似处理的有什么好处

优点：

1. 简化轮廓表示：通过使用更少的点来表示复杂的轮廓形状，可以大大降低轮廓表示的复杂性，同时保持轮廓的主要特征。
2. 提高处理效率：由于使用了更简单的轮廓表示，因此在进行轮廓处理时可以大大提高计算效率。例如，在轮廓跟踪、轮廓分析和轮廓特征提取等任务中，使用近似轮廓可以更快地完成这些任务。
3. 适应各种应用需求：轮廓近似方法可以灵活地调整其参数，以适应不同的应用需求。例如，在一些应用中，我们可能需要更精确的轮廓表示，而在另一些应用中，我们可能只需要一个大致的轮廓即可。通过调整轮廓近似方法的相关参数，可以得到满足不同需求的结果。
4. 兼容其他技术：轮廓近似方法可以与其他图像处理技术相结合，以实现更复杂的图像处理任务。例如，我们可以在进行目标检测或特征识别等任务时，先使用轮廓近似方法提取目标的近似轮廓，然后再使用其他技术对目标进行进一步的分析和处理。

总的来说，图像轮廓的近似检测能够以较为简单和高效的方式处理复杂轮廓，同时保持轮廓的主要特征，适应各种应用需求，兼容其他技术，是一种非常实用的图像处理技术。