本文共 1636 字,大约阅读时间需要 5 分钟。
本博客的目标:(1)检测图像中每个形状的轮廓,然后(2)计算轮廓的中心-也称为质心。
- 计算轮廓/形状区域的中心;
- 仅使用轮廓属性识别出各种形状,例如圆形,正方形,矩形,三角形和五边形;
- 标记形状的颜色;
效果图:
考虑到图像是人为绘制或者剪切的,圆形不够圆,方形不够方,矩形也不是完全矩形;首先进行轮廓提取;
(1)转换为灰度图; (2)高斯模糊处理以减少高频噪声,从而使轮廓检测过程更加精确; (3),通常会使用边缘检测和阈值化,这里用阈值化方法;通过调整适当的参数,把图像由背景黑色前景彩色调整成为背景黑色前景轮廓区域为白色。检测轮廓后,计算轮廓区域的图像矩;获取轮廓的中心;并绘制在图像上;
在计算机视觉和图像处理中, 通常用于表征图像中对象的形状。这些力矩捕获了形状的基本统计特性,包括对象的面积,质心(即对象的中心(x,y)坐标),方向以及其他所需的特性。对于处理分隔后的图像尤其有用;
# python center_of_shape.py --image shapes_and_colors.png# 导入必要的包import argparseimport imutilsimport cv2# 构建命令行参数# --image 要处理的图像路径ap = argparse.ArgumentParser()ap.add_argument("-i", "--image", required=True, help="path to the input image")args = vars(ap.parse_args())# 加载图像,转换为灰度,使用5 x 5内核进行高斯平滑处理,阈值化image = cv2.imread(args["image"])gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)blurred = cv2.GaussianBlur(gray, (5, 5), 0)thresh = cv2.threshold(blurred, 60, 255, cv2.THRESH_BINARY)[1]# 注意,在应用阈值化之后,形状是如何在黑色背景上表示为白色前景。# 下一步是使用轮廓检测找到这些白色区域的位置:cnts = cv2.findContours(thresh.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)cnts = imutils.grab_contours(cnts)# 遍历轮廓集for c in cnts: # 计算轮廓区域的图像矩。 在计算机视觉和图像处理中,图像矩通常用于表征图像中对象的形状。这些力矩捕获了形状的基本统计特性,包括对象的面积,质心(即,对象的中心(x,y)坐标),方向以及其他所需的特性。 M = cv2.moments(c) cX = int(M["m10"] / M["m00"]) cY = int(M["m01"] / M["m00"]) # 在图像上绘制轮廓及中心 cv2.drawContours(image, [c], -1, (0, 255, 0), 2) cv2.circle(image, (cX, cY), 7, (255, 255, 255), -1) cv2.putText(image, "center", (cX - 20, cY - 20), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (255, 255, 255), 2) # 展示图像 cv2.imshow("Image", image) cv2.waitKey(0)
参考:
转载地址:http://xxai.baihongyu.com/