如何在Python中使用OpenCV检测图像中的轮廓？

Python OpenCV检测图像中的轮廓：轮廓是连接所有具有某种颜色或强度的连续点的闭合曲线，它们代表图像中发现的对象的形状。轮廓检测是一种用于形状分析和物体检测和识别的有用技术。

在之前的教程中，我们讨论了使用 Canny 算法进行边缘检测，并且我们已经看到了如何在OpenCV 中实现它，你可能会问，边缘检测和轮廓检测之间有什么区别？

OpenCV如何检测图像轮廓？当我们执行边缘检测时，我们会找到颜色强度显着变化的点，然后我们只需打开这些像素。然而，轮廓是与图像中对象的形状相对应的点和线段的抽象集合。因此，我们可以在我们的程序中操作轮廓，例如计算轮廓的数量，使用它们对对象的形状进行分类，从图像中裁剪对象（图像分割）等等。

轮廓检测并不是图像分割的唯一算法，还有很多其他算法，例如当前最先进的语义分割、霍夫变换和K-Means 分割。

为了获得更好的准确性，以下是我们成功检测图像中的轮廓所要遵循的整个流程：

• 将图像转换为二值图像，通常的做法是将输入图像变为二值图像（应该是阈值图像或边缘检测的结果）。
• 使用findContours() OpenCV函数查找轮廓。
• 绘制这些轮廓并显示图像。

相关： 如何在 Python 中应用 HOG 特征提取。

OpenCV检测图像轮廓示例 - 好的，让我们开始吧。首先，让我们安装本教程的依赖项：

pip3 install matplotlib opencv-python 

导入必要的模块：

import cv2
import matplotlib.pyplot as plt

Python OpenCV检测图像中的轮廓 - 我们将在本教程中使用此图像：

让我们加载它：

# read the image
image = cv2.imread("thumbs_up_down.jpg")

将其转换为RGB，然后灰度：

# convert to RGB
image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
# convert to grayscale
gray = cv2.cvtColor(image, cv2.COLOR_RGB2GRAY)

OpenCV如何检测图像轮廓？正如本教程前面提到的，我们需要创建一个二值图像，这意味着图像的每个像素都是黑色或白色。这在OpenCV 中是必要的，找轮廓就像从黑色背景中找白色物体，要找的物体应该是白色的，背景应该是黑色的。

# create a binary thresholded image
_, binary = cv2.threshold(gray, 225, 255, cv2.THRESH_BINARY_INV)
# show it
plt.imshow(binary, cmap="gray")
plt.show()

上面的代码建立通过禁用（设置为二进制图像0），其具有小于一值的像素225和接通（设定为255），其具有大于一个值的像素225，这里是输出图像：

Python OpenCV检测图像中的轮廓 - 现在这对于OpenCV来说很容易检测轮廓：

# find the contours from the thresholded image
contours, hierarchy = cv2.findContours(binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
# draw all contours
image = cv2.drawContours(image, contours, -1, (0, 255, 0), 2)

OpenCV检测图像轮廓示例：上面的代码在二值图像中找到轮廓，并用粗绿线将它们绘制到图像上，让我们展示一下：

# show the image with the drawn contours
plt.imshow(image)
plt.show()

输出图像：

要在不同的真实世界图像上获得良好的结果，你需要调整阈值或执行边缘检测。例如，对于煎饼图像，我将阈值降低到127，结果如下：

好的，这是本教程的内容，如果你想在实时摄像机上进行测试，请转到此链接。