OpenCV踩坑(一)为什么你的cv2.drawContours()绘制轮廓失败

opencv基础47 图像轮廓查找cv2.findContours()介绍及示例 图像轮廓是指图像中物体边缘的连续性曲线。在计算机视觉和图像处理中,轮廓通常被用于检测物体、分割图像以及提取物体特征。图像轮廓是由一系列连续的像素点组成,这些像素点位于物体边界上。轮廓的特点是在物体和背景之间的边界位置,因此可以用来表示物体的形状和结构。轮廓可以是闭合的,也可以是开放的,具体取决于物体的形状。 阅读详情
AI摘要

本文探讨了使用OpenCV进行银行卡数字模板匹配的过程,重点分析了轮廓检测与绘制的技巧,包括二值化处理对轮廓识别的影响及如何正确在原图上绘制轮廓。

活不多说,先上代码:(错的哈!!!)

import cv2

# 读入银行卡数字的模板图片 灰度图
template = cv2.imread('ocr_a_reference.png')
template = cv2.cvtColor(template, cv2.COLOR_BGR2GRAY)
# 对模板图片进行二值化
template_thresh = cv2.threshold(template, 10, 255, cv2.THRESH_BINARY_INV)[1]
cv2.imshow('template_thresh', template_thresh)
cv2.waitKey(0)
# 轮廓检测 cv2.RETR_EXTERNAL--检测外侧轮廓
contours, hierarchy = cv2.findContours(template_thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
print(contours)
# 轮廓绘制
res = cv2.drawContours(template_thresh.copy(), contours, -1, (0, 0, 255), 3) 
cv2.imshow('res', res)
cv2.waitKey(0)
cv2.destroyAllWindows()

搞定,没报错-->运行

图片预处理之后(嗯,没毛病...)

接下来,看到绘制轮廓的图我傻了...

what??? 这是啥?这咋还变瘦了呢?

【Python】【Opencv】cv2.findContours()、cv2.drawContours()和cv2.contourArea()函数详解和运行示例 为帮助大家理解和使用cv2.findContours()、cv2.drawContours()和cv2.contourArea()函数,本文通过对函数内容进行详解,并通过运行示例更直观表述。 阅读详情

相关推荐

初学OpenCV学习记录(六)

以下内容摘自《OpenCV2计算机视觉编程手册》 引言 本章主要介绍了一种更优秀的检测轮廓的方法:Canny算子,如何使用霍夫变换检测直线、圆等形状,直线拟合,提取轮廓,计算连通区域形状描述符。 使用Canny算子检测轮廓 在前面我们已经使用过很多种方法检测图像的轮廓,前面的算法最后生成的二值轮廓图主要的问题在于二值化的过程中,如果阈值选的过低,则会检测出很多不重要的边缘,并且检测到的轮廓也过宽,不利于精确定位物体,如果阈值过高,则有可能忽略重要的边缘,使用Canny算法即可以很好的解决这个问题。 基本原理

weixin_42411702的博客 1008

OpenCV轮廓处理全解析:从二值化到形状分析实战指南

在计算机视觉中,轮廓(Contour)是连接图像中具有相同颜色或强度的连续点的曲线,是进行物体识别、形状分析和图像分割的基础。其核心原理在于通过边缘检测或区域分割技术,将图像中的目标与背景分离,形成闭合或开放的边界。轮廓提取的技术价值在于能将复杂的图像信息简化为可度量的几何形状,为后续的测量、匹配和分类提供结构化数据。这一技术广泛应用于工业质检中的尺寸测量、医学影像的器官分割、自动驾驶中的障碍物检测以及文档扫描的版面分析等场景。本文聚焦于OpenCV中的`cv2.findContours()`和`cv2.d

迷彩风情 520

Opencv drawContours 失败原因之通道数目不符

为何drawcontours失败无法绘制,搞清楚通道数很重要

Krinys的博客 1197

OpenCV图像轮廓特征查找技术详解与应用

在计算机视觉领域,轮廓特征查找是物体识别与分析的基础技术。通过边缘检测获取物体轮廓后,几何特征提取能准确描述物体的形状、尺寸和位置等属性。OpenCV提供了外接矩形、最小外接圆和旋转矩形三种核心方法,分别适用于不同场景:外接矩形计算简单适合快速定位,最小外接圆擅长处理圆形物体,旋转矩形则能提供精确的方向和形状信息。这些技术在工业检测、自动驾驶和医学影像分析中都有广泛应用。实际应用中,图像预处理质量直接影响特征提取效果,合理的二值化和轮廓检测是关键。结合OpenCV的高效实现,开发者可以快速构建基于轮廓特征的

dechen6073的博客 803

OpenCV轮廓几何特征全解析:外接矩形、最小外接矩形、多边形拟合与外接圆实战指南

在计算机视觉与图像处理中,轮廓分析是目标识别与测量的基础。其核心原理在于从二值化图像中提取物体边界,进而通过几何特征描述其形状、位置与尺寸。这项技术具有重要的工程价值,能够将像素信息转化为可量化的数据,是实现自动化检测与分析的关键。在工业质检、文档扫描、自动驾驶及生物医学图像分析等场景中,轮廓几何特征的精准提取直接影响最终结果的可靠性。OpenCV库为此提供了强大的工具集,其中外接矩形、最小外接矩形、多边形拟合和外接圆是四种核心方法。例如,**最小外接矩形**通过旋转卡壳算法寻找面积最小的包围盒,能紧密贴合

weixin_33720078的博客 425

python下使用cv2.drawContours填充轮廓颜色

你要的答案或许都在这里:小鹏的博客目录 在使用cv2.drawContours进行轮廓的颜色填充时要注意一点: (1)颜色填充时:给其传参数的时候,需要搞一个轮廓的list给他,要不会导致颜色填充失败。 (2)画轮廓线时:就没必要搞list了,直接contours[i]就可以。 python代码: 图片:背景为黑色,有很多白色填充的。 下面代码是去除图片中自定义面积小的轮廓

MachineLP的专栏 6万+

OpenCV轮廓提取实战:findContours与drawContours参数详解及避坑指南

在计算机视觉中,轮廓提取是连接像素级边缘与对象级描述的关键步骤。其原理是将二值图像中的连通边缘像素有序组织为轮廓线,从而支持面积、周长等几何计算。这项技术为物体计数、形状匹配和缺陷检测提供了基础,广泛应用于工业视觉、二维码定位和OCR前处理等场景。OpenCV的findContours和drawContours函数是实现轮廓提取与可视化的核心工具,通过调整检索模式和近似方法,可以高效地处理图像中的轮廓信息。

weixin_34377919的博客 311

脑电数据预处理八:基于 ICA 的伪迹去除

摘要: 脑电图(EEG)数据分析中,伪迹(如眼电、心电、肌电)与脑电信号频谱重叠时,独立成分分析(ICA)成为有效工具。ICA通过盲源分离将混合信号分解为统计独立的成分,识别并移除伪迹后重建干净信号。MNE-Python实现步骤包括:数据预处理(滤波、坏导处理)、ICA分解、人工与自动结合识别伪迹成分、剔除后重建数据。实践建议强调人工检查的重要性,避免过度使用ICA,并保存模型以提高效率。该方法显著提升数据质量,为后续分析奠定基础。

qq_32516809的博客 1662

单片机笔记十二:华大HC32L136超低功耗设计实战

本文详细介绍了华大HC32L136单片机的超低功耗设计实战,包括深度睡眠模式下仅0.5μA的电流消耗、五种功耗模式的对比与配置、外设使用技巧及硬件级优化方法。通过实际项目案例,展示了如何利用ARM Cortex-M0+内核的HC32L136显著延长电池寿命,适用于智能门锁、额温枪等低功耗设备。

weixin_29189373的博客 409

云漾AI创作平台实战:如何用GPT4.0+Midjourney快速生成商业级插画(附Prompt模板)

本文详细介绍了如何利用云漾AI创作平台结合GPT4.0和Midjourney快速生成商业级插画。通过智能文案生成与视觉化工作流,大幅提升创作效率,适用于电商、社交媒体等多种场景。文章包含实用Prompt模板和参数调整技巧,帮助设计师和内容创作者高效产出专业插画。

weixin_29251567的博客 223

流媒体弱网优化之路(NACK)——纯NACK方案的优化探索

流媒体学习之路(NACK)——纯NACK方案的最高性能 文章目录流媒体学习之路(NACK)——纯NACK方案的最高性能一、NACK简介二、Nack的理解2.1 一种补救策略2.2 什么时候要?2.3 要多少?2.4 怎么要?三、计算分析3.1 rtt强相关3.2 补包次数计算3.3 Nack的定时发送3.4 nack重传限制四、实验   近期在针对纯丢包场景做一些简单的探索实验,一个让我困扰的问题就是:不使用FEC而只是通过纯NACK进行补偿,到底能在实验环境下抵抗多少的丢包呢?每一次丢包补偿的最大时长

qw225967的博客 1万+

SLAM轨迹评估神器evo实战:从GPS到TUM格式的完整转换指南(附Python代码)

本文详细介绍了如何使用evo工具将GPS数据转换为TUM格式,以便进行SLAM轨迹评估。通过Python代码实现GPS到笛卡尔坐标的精确转换,并提供了完整的处理流程和实战案例,帮助开发者轻松完成从原始GPS数据到精确轨迹评估的全过程。特别适用于ORB-SLAM等视觉SLAM算法的性能验证。

weixin_29074295的博客 297

SolidWorks软件二次开发:使用C#进行SolidWorks二次开发

SolidWorks 提供的 API(应用程序编程接口)允许开发者使用多种编程语言(如 C#、VB.NET 等)来控制和扩展 SolidWorks 的功能。API 架构基于 COM(组件对象模型),这意味着开发者可以通过引用 SolidWorks 的类型库来访问其对象模型。SolidWorks 的对象模型包括了从文档、零件、装配体到特征、草图等所有 SolidWorks 中可操作的对象。

kkchenjj的博客 3220

Google Earth Engine:LandTrendr (Landsat Collection 2)全更新使用(代码调用+UI交互)

本文介绍了使用Landsat Collection 2进行连续变化监测的分析方法,包含代码实现和可视化界面两部分。代码部分通过Google Earth Engine平台运行LandTrendr算法,设置参数包括时间范围、光谱指数、变化检测阈值等,最终生成变化幅度和检测年份的可视化图层,并将结果导出至Google Drive。可视化界面部分展示了基于LandTrendr的土地覆盖变化结果,结合Landsat影像进行分析。整个方法实现了从数据处理到结果展示的完整流程,适用于森林覆盖等环境变化监测。

此星光明博客 212

QCC305x-QCC304x系列开发教程之应用程序子系统详解 嵌入式

本文对QCC305x-QCC304x系列芯片的应用程序子系统进行了详细解析,并给出了一个LED闪烁的示例代码。嵌入式系统的开发既需要理论知识的支持,也需要实践经验的积累,希望本文能够为读者在QCC305x-QCC304x系列芯片的开发中提供一些有益的指导。QCC305x-QCC304x系列芯片提供了丰富的外设接口,包括UART、SPI、I2C等,开发者可以根据需求选择适合的接口进行数据传输和控制。QCC305x-QCC304x系列芯片的应用程序子系统是整个嵌入式系统的核心部分,负责管理和执行各种应用程序。

CodeMaven的博客 226

迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)

迈瑞BS系列全自动生化分析仪LIS协议接口手册,内含HL7和ASTM)

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

上一篇: 【Leetcode刷题】6.Z字形变换
下一篇: Springboot报错:Servlet.service() for servlet [dispatcherServlet] in context with path [] threw excepti
FunORAMA
博客等级 码龄9年 30粉丝 15原创
评论 10
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值