# 使用OpenCV进行图像处理和轮廓分析_c# opencv 图片太大无法识别轮廓怎么办?-优快云博客

本文链接：https://blog.youkuaiyun.com/www_pp_/article/details/146405464

使用OpenCV进行图像处理和轮廓分析

在这篇博客中，我们将探讨如何使用OpenCV库进行图像处理和轮廓分析。OpenCV是一个强大的计算机视觉库，它提供了许多用于图像处理和分析的工具和函数。我们将通过几个具体的示例来展示如何使用OpenCV进行轮廓检测、轮廓特征提取以及图像匹配。

轮廓特征提取

首先，我们将介绍如何使用OpenCV提取图像中的轮廓特征。轮廓是图像中物体边缘的集合，它们可以提供关于物体形状和大小的重要信息。

计算轮廓面积和周长

我们可以使用cv2.contourArea()函数来计算轮廓的面积，使用cv2.arcLength()函数来计算轮廓的周长。这些信息可以帮助我们识别和区分图像中的不同物体。

import cv2

# 读取图像
phone = cv2.imread('phone.png')
phone_gray = cv2.cvtColor(phone, cv2.COLOR_BGR2GRAY)
ret, phone_thresh = cv2.threshold(phone_gray, 120, 255, cv2.THRESH_BINARY)

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

# 计算所有轮廓的面积并存储在列表中
contours_with_area = [(cnt, cv2.contourArea(cnt)) for cnt in contours]
# 根据轮廓面积进行降序排序(从大到小)
sorted_contours = sorted(contours_with_area, key=lambda x: x[1], reverse=True)

# 如果你只需要排序后的轮廓，可以提取出来
aa = sorted_contours[0][0]
print(aa)

# 计算轮廓的周长
length = cv2.arcLength(contours[0], closed=True)
print(length)

绘制轮廓

我们可以使用cv2.drawContours()函数在图像上绘制轮廓，这有助于可视化轮廓的形状和位置。

# 绘制轮廓
image_copy = phone.copy()
image_copy = cv2.drawContours(image=image_copy, contours=aa, contourIdx=-1, color=(0, 255, 0), thickness=3)
cv2.imshow('Contours_show', image_copy)
cv2.waitKey(0)

计算轮廓的外接圆和最小外接矩形

我们可以使用cv2.minEnclosingCircle()函数计算轮廓的外接圆，使用cv2.boundingRect()函数计算轮廓的最小外接矩形。

# 计算轮廓的外接圆
(x, y), r = cv2.minEnclosingCircle(aa)
phone_circle = cv2.circle(phone, (int(x), int(y)), int(r), (0, 255, 0), 2)
cv2.imshow('phone_circle', phone_circle)
cv2.waitKey(0)

# 计算轮廓的最小外接矩形
x, y, w, h = cv2.boundingRect(aa)
phone_rectangle = cv2.rectangle(phone, (x, y), (x+w, y+h), (0, 255, 0), 2)
cv2.imshow('phone_rectangle', phone_rectangle)
cv2.waitKey(0)

运行结果
在这里插入图片描述

轮廓的近似

我们可以使用cv2.approxPolyDP()函数对轮廓进行近似，这有助于简化轮廓的形状，使其更容易处理和分析。

# 设置近似精度
epsilon = 0.01 * cv2.arcLength(aa, True)
approx = cv2.approxPolyDP(aa, epsilon, True)

# 打印原始和近似轮廓的形状
print(aa.shape)
print(approx.shape)

# 绘制近似的轮廓
phone_new = phone.copy()
image_contours = cv2.drawContours(phone_new, [approx], contourIdx=-1, color=(0, 255, 0), thickness=3)
cv2.imshow('image_contours', image_contours)
cv2.waitKey(0)

运行结果

图像匹配

我们还可以使用OpenCV进行图像匹配，这在许多计算机视觉应用中非常有用，例如目标检测和识别。

您提供的代码是一个完整的OpenCV图像处理脚本，用于执行模板匹配。这个过程通常用于在较大的图像中寻找和识别小的图像模板（子图像）。以下是代码的详细解释和一些可能的改进建议：

读取图像：
```
kele = cv2.imread('kele.png')
template = cv2.imread('template.png')
```
这两行代码读取了两个图像文件，kele.png 是源图像，template.png 是要在源图像中搜索的模板图像。
显示图像：
```
cv2.imshow('kele', kele)
cv2.imshow('template', template)
cv2.waitKey(0)
```
这两行代码显示了源图像和模板图像，cv2.waitKey(0) 使得窗口等待直到用户按下键盘上的任意键。
获取模板尺寸：
```
h, w = template.shape[:2]
```
这行代码获取模板图像的高度和宽度，用于后续的矩形绘制。
模板匹配：
```
res = cv2.matchTemplate(kele, template, cv2.TM_CCORR_NORMED)
```
使用归一化相关匹配方法（cv2.TM_CCORR_NORMED）在源图像中搜索模板。这种方法计算模板与源图像中每个可能位置的匹配程度。
找到最佳匹配位置：
```
min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res)
```
cv2.minMaxLoc 函数找到匹配结果矩阵中的最大值和最小值及其位置。最大值表示最佳匹配位置。

绘制匹配区域：

top_left = max_loc
bottom_right = (top_left[0] + w, top_left[1] + h)
kele_template = cv2.rectangle(kele, top_left, bottom_right, (0, 255, 0), 2)

计算匹配区域的左上角和右下角坐标，并在源图像上绘制一个绿色矩形框，表示找到的模板位置。

显示结果：
```
cv2.imshow('kele_template', kele_template)
cv2.waitKey(0)
```
显示包含匹配矩形的图像，并等待用户按键。

运行结果
在这里插入图片描述

命令行参数解析

最后，我们将展示如何使用argparse库解析命令行参数，这在许多Python应用程序中非常有用，特别是当您需要从用户那里获取输入时。

import argparse

# 创建 ArgumentParser 对象
parser = argparse.ArgumentParser()
# 添加参数
parser.add_argument("--SERIAL_PORT1", type=str, default='COM5', help='第一个报警器的串口号')
parser.add_argument("--area_thred", type=int, default=1600, help='物体面积的阈值')
parser.add_argument("--confid_level", type=float, default=0.8, help='识别的置信度')
parser.add_argument("-aaa", type=int, default=100)
parser.add_argument('-b', "--bbb", type=int, default=10)

# 解析命令行参数
opt = parser.parse_args()

# 获取参数值
aa = opt.aaa
bb = opt.bbb
print(aa + bb)