基于人工智能实验平台的OpenCV对象检测与矩阵轮廓分析

1 实验目的

熟悉opencv读入图片，高斯去噪，二值化，绘制目标矩形边框。

2 实验设备

安装了python和pychrm的电脑一台。

3 实验内容

包含图片的导入、绘制矩形、显示图片。

4实验原理

opencv中轮廓特征包括：如面积，周长，质心，边界框等。
我们将图像二值化后，用findContours函数就可以很方便的找出图像的轮廓信息，循环遍历每一个信息点，cv2.boundingRect()函数再计算轮廓的垂直边界最小矩形，矩形是与图像上下边界平行的，cv2.rectangle函数画出来即可。
函数原型：

findContours( image,mode,   method, Point offset=Point())

第一个参数：image，单通道图像矩阵，可以是灰度图，但更常用的是二值图像，一般是经过Canny、拉普拉斯等边缘检测算子处理过的二值图像。

第二个参数：mode 检索轮廓的模式，若取值一：CV_RETR_EXTERNAL只检测最外围轮廓，包含在外围轮廓内的内围轮廓被忽略。
取值二：CV_RETR_LIST 检测所有的轮廓，包括内围、外围轮廓，但是检测到的轮廓不建立等级关系，彼此之间独立，没有等级关系，这就意味着这个检索模式下不存在父轮廓或内嵌轮廓。
取值三：CV_RETR_CCOMP 检测所有的轮廓，但所有轮廓只建立两个等级关系，外围为顶层，若外围内的内围轮廓还包含了其他的轮廓信息，则内围内的所有轮廓均归属于顶层。两个等级关系：顶层为连通域的外围边界，次层为孔的内层边界。
取值四：CV_RETR_TREE， 检测所有轮廓，所有轮廓建立一个等级树结构。外层轮廓包含内层轮廓，内层轮廓还可以继续包含内嵌轮廓。
第三个参数：int型的method，定义轮廓的近似方法：
取值一：CV_CHAIN_APPROX_NONE 保存物体边界上所有连续的轮廓点到contours向量内。
取值二：CV_CHAIN_APPROX_SIMPLE 仅保存轮廓的拐点信息，把所有轮廓拐点处的点保存入contours向量内，拐点与拐点之间直线段上的信息点不予保留
取值三和四：CV_CHAIN_APPROX_TC89_L1，CV_CHAIN_APPROX_TC89_KCOS使用teh-Chinl chain 近似算法。

findContours函数最终会返回三个值，第一个是图像，其中找到的轮廓信息都会被保存到第二个参数contours列表里，其中存储这图像中的所有轮廓；第三个参数是（轮廓的）层析结构，这是一个ndarray，其中的元素个数和轮廓个数相同，对于每个轮廓contours[i]对应4个hierarchy元素hierarchy[i][0] ~hierarchy[i][3]，分别表示后一个轮廓、前一个轮廓、父轮廓、内嵌轮廓的索引编号，如果没有对应项，则该值为负数。每一个轮廓都是一个 Numpy 数组，包含对象边界点（x，y）的坐标。

绘制轮廓
函数 cv2.drawContours() 可以被用来绘制轮廓。它可以根据你提供的边界点绘制任何形状。它的第一个参数是原始图像，第二个参数是轮廓，一个 Python 列表。第三个参数是轮廓的索引（在绘制独立轮廓是很有用，当设置为 -1 时绘制所有轮廓）。接下来的参数是轮廓的颜色和厚度等。

import numpy as np 
import cv2 
im = cv2.imread('../images/numb.png') 
imgray = cv2.cvtColor(im,cv2.COLOR_BGR2GRAY) 
ret,thresh = cv2.threshold(imgray,127,255,0) 
image, contours, hierarchy = cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)

绘制独立轮廓，如第四个轮廓。

img = cv