当前位置: 首页 > news >正文

opencv的findContours()函数

来自WaTab AI Pro

请详细解释cv2.findContours():

cv2.findContours() 是 OpenCV 中用于检测图像轮廓的函数。轮廓可以看作是将连续的点(沿边界)连接在一起的一条曲线,具有相同的颜色或强度。该函数常用于图像处理和计算机视觉中的对象检测和识别。下面是 cv2.findContours() 的详细解释及其用法。

函数原型

contours, hierarchy = cv2.findContours(image, mode, method[, contours[, hierarchy[, offset]]])

参数解释

  • image: 输入图像,必须是二值图像(通常使用 cv2.threshold() 或 cv2.Canny() 进行二值化处理)。注意,cv2.findContours() 会修改输入图像。

  • mode: 轮廓检索模式。常用的模式有:

    • cv2.RETR_EXTERNAL:只检测外部轮廓。
    • cv2.RETR_LIST:检测所有轮廓,并将其放入列表中,但不创建轮廓间的层级关系。
    • cv2.RETR_CCOMP:检测所有轮廓并将它们组织成两级层次结构:顶层是外部边界,二级是空洞的边界。
    • cv2.RETR_TREE:检测所有轮廓并重构嵌套轮廓的完整层级。
  • method: 轮廓近似方法。常用的有:

    • cv2.CHAIN_APPROX_NONE:存储所有轮廓点,相邻两个点的像素位置差不超过1。
    • cv2.CHAIN_APPROX_SIMPLE:压缩水平、垂直和对角方向的元素,只保留端点,这样可以节省内存。
  • contours: 输出参数,轮廓的点集列表。

  • hierarchy: 输出参数,轮廓的层级结构。

返回值

  • contours: 一个 Python 列表,其中每个元素都是图像中的一个轮廓。每个轮廓本身又是一个点集。
  • hierarchy: 一个 Numpy 数组,轮廓的层级信息。

示例代码

以下是一个使用 cv2.findContours() 检测图像轮廓的示例代码:

import cv2
import numpy as np
import matplotlib.pyplot as plt# 读取图像
image = cv2.imread('path/to/your/image.jpg', cv2.IMREAD_GRAYSCALE)# 二值化图像
ret, binary_image = cv2.threshold(image, 127, 255, cv2.THRESH_BINARY)# 查找轮廓
contours, hierarchy = cv2.findContours(binary_image, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)# 在原图上绘制轮廓
contour_image = cv2.cvtColor(image, cv2.COLOR_GRAY2BGR)
cv2.drawContours(contour_image, contours, -1, (0, 255, 0), 2)# 显示结果
plt.figure(figsize=(10, 5))
plt.subplot(1, 2, 1)
plt.title('Binary Image')
plt.imshow(binary_image, cmap='gray')plt.subplot(1, 2, 2)
plt.title('Contours')
plt.imshow(contour_image)
plt.show()

代码解释

  1. 读取图像:使用 cv2.imread() 读取图像,并以灰度模式读取。
  2. 二值化图像:使用 cv2.threshold() 对图像进行二值化处理,生成二值图像。
  3. 查找轮廓:使用 cv2.findContours() 查找二值图像中的轮廓,选择 cv2.RETR_TREE 模式和 cv2.CHAIN_APPROX_SIMPLE 方法。
  4. 绘制轮廓:使用 cv2.drawContours() 在原始图像上绘制找到的轮廓,绿色表示轮廓。
  5. 显示结果:使用 Matplotlib 显示二值图像和绘制了轮廓的图像。

这样,通过这段代码,你可以检测并可视化图像中的轮廓。

http://www.lryc.cn/news/356461.html

相关文章:

  • 多电压档hold扫尾
  • ABAP Json解析案例
  • QT学习(20):QStyle和自定义样式
  • 香橙派 AIpro 昇腾 Ascend C++ 分类模型适配
  • 2024吉林省电赛(达盛杯)
  • 【算法题】520 钻石争霸赛 2024 全解析
  • Yii 结合MPDF 给PDF文件添加多行水印
  • 你什么时候感觉学明白Java了?
  • 马斯克xAI融资60亿美元,宣布打造世界第一超算中心,10万张H100GPU
  • 贪心算法[1]
  • 卢文岩博士受邀参与中国科学院大学校友论坛 解码DPU核心价值
  • 2024年上半年软件设计师试题及答案(回忆版)
  • QGIS使用python代码导出给定坐标图片
  • 看花眼,眼花缭乱的主食冻干到底应该怎么选?靠谱的主食冻干分享
  • 开源VS闭源:谁更能推动AI技术的普及与发展?
  • 前端面试题日常练-day28 【面试题】
  • 好消息!DolphinScheduler官网集成LLM模型问答AI kapa.ai
  • 【软考】下篇 第19章 大数据架构设计理论与实践
  • 创新指南|降低 TikTok CPA 的 9 项专家策略
  • jmeter服务器性能监控分析工具ServerAgent教程
  • 工作纪实50-Idea下载项目乱码
  • 37. 解数独 - 力扣(LeetCode)
  • 使用uniapp编写的微信小程序进行分包
  • 设计模式19——观察者模式
  • C++算术运算和自增自减运算
  • Python深度学习:【模型系列】一文搞懂Transformer架构的三种注意力机制
  • 微服务架构中Java的应用
  • 【强训笔记】day25
  • 知识产权与标准化
  • 【LeetCode:2769. 找出最大的可达成数字 + 模拟】