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

import cv2 as cvclass="lazy" data-src = cv.imread("./demo.jpg")gray = cv.cvtColor(class="lazy" data-src, cv.COLOR_BGR2GRAY)# cv.imshow("class="lazy" data-src", class="lazy" data-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(class="lazy" data-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for c in contours:# 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for c in contours:# 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。if len(approx) == 4:screen_cnt = approxbreak# 结果显示cv.drawContours(class="lazy" data-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for c in contours:  # 计算轮廓近似  approx = cv.approxPolyDP(c, 30, True)  if len(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，欢迎关注编程网行业资讯频道。