1.基于OpenCV的形狀檢測(cè)Python版本

目錄結(jié)構(gòu)

1.1.定義我們的形狀檢測(cè)器類ShapeDetector

開始定義我們的 ShapeDetector 類。我們將跳過這里的 init 構(gòu)造函數(shù)，因?yàn)椴恍枰跏蓟魏螙|西。

# 導(dǎo)入必要的包
import cv2


class ShapeDetector:
    def __init__(self):
        pass

    def detect(self, c):
        # 初始化形狀名稱并近似輪廓
        shape = "unidentified"
        peri = cv2.arcLength(c, True)
        approx = cv2.approxPolyDP(c, 0.04 * peri, True)

我們的檢測(cè)方法，它只需要一個(gè)參數(shù) c，即我們?cè)噲D識(shí)別的形狀的輪廓。為了進(jìn)行形狀檢測(cè)，我們將使用輪廓逼近。

顧名思義，輪廓近似是一種算法，用于減少曲線中點(diǎn)的數(shù)量，并減少點(diǎn)集——因此稱為近似。

輪廓近似是基于曲線可以由一系列短線段近似的假設(shè)。這導(dǎo)致生成的近似曲線由原始曲線定義的點(diǎn)的子集組成。

輪廓近似實(shí)際上已經(jīng)在 OpenCV 中通過 cv2.approxPolyDP 方法實(shí)現(xiàn)。

為了進(jìn)行輪廓逼近，我們首先計(jì)算輪廓的周長(zhǎng)，然后構(gòu)建實(shí)際的輪廓逼近。 cv2.approxPolyDP 的第二個(gè)參數(shù)的常用值通常在原始輪廓周長(zhǎng)的 1%-5% 范圍內(nèi)。

給定我們的近似輪廓，我們可以繼續(xù)執(zhí)行形狀檢測(cè):

        # 如果形狀是一個(gè)三角形，它將有3個(gè)頂點(diǎn)
        if len(approx) == 3:
            shape = "triangle"
        # 如果形狀有4個(gè)頂點(diǎn)，它要么是正方形，要么是矩形
        elif len(approx) == 4:
            # 計(jì)算輪廓的包圍框，并使用包圍框計(jì)算高寬比
            (x, y, w, h) = cv2.boundingRect(approx)
            ar = w / float(h)
            # 正方形的長(zhǎng)寬比大約等于1，否則，形狀就是矩形
            shape = "square" if ar >= 0.95 and ar <= 1.05 else "rectangle"
        # 如果形狀是一個(gè)五邊形，它將有5個(gè)頂點(diǎn)
        elif len(approx) == 5:
            shape = "pentagon"
        # 否則，我們假設(shè)形狀是一個(gè)圓
        else:
            shape = "circle"
        # 返回形狀的名稱
        return shape

重要的是要了解輪廓由頂點(diǎn)列表組成。我們可以檢查此列表中的數(shù)目以確定對(duì)象的形狀。例如，如果近似輪廓有三個(gè)頂點(diǎn)

那么它一定是一個(gè)三角形。如果一條輪廓有四個(gè)頂點(diǎn)，那么它一定是正方形或矩形。為了確定這一點(diǎn)，我們計(jì)算形狀的長(zhǎng)寬比

也就是輪廓邊界框的寬度除以高度。如果長(zhǎng)寬比是~1.0，那么我們正在檢查一個(gè)正方形(因?yàn)樗械倪叾加写蠹s相等的長(zhǎng)度)。否則，形狀就是矩形。如果一條等高線有五個(gè)頂點(diǎn)，我們可以將其標(biāo)記為五邊形。否則，我們可以假設(shè)我們正在檢查的形狀是一個(gè)圓。

最后，將標(biāo)識(shí)好的形狀返回給調(diào)用方法。

我們已經(jīng)定義了一個(gè)utils模塊。在這個(gè)模塊中，我們有shapedetector .py，它將存儲(chǔ)ShapeDetector類的實(shí)現(xiàn)。

最后，我們有detect_shapes.py腳本，我們將使用它從磁盤加載圖像，分析它的形狀，然后通過ShapeDetector類執(zhí)行形狀檢測(cè)和識(shí)別。

1.2.基于OpenCV的形狀檢測(cè)器

現(xiàn)在我們的 ShapeDetector 類已經(jīng)定義好了，讓我們創(chuàng)建 detect_shapes.py 腳本：

# 導(dǎo)入必要的庫(kù)
from utils.shapedetector import ShapeDetector
import argparse
import imutils
import cv2

# 構(gòu)造參數(shù)解析并解析參數(shù)
ap = argparse.ArgumentParser()
ap.add_argument("-i", "--image", default="inpaint.jpg", help="path to the input image")
args = vars(ap.parse_args())

首先導(dǎo)入我們已經(jīng)實(shí)現(xiàn)的ShapeDetector類，然后解析參數(shù)，下一步，我們開始預(yù)處理我們的圖像

# 加載圖像并將其調(diào)整圖像大小，以便更好地近似形狀
image = cv2.imread(args["image"])
resized = imutils.resize(image, width=300)
ratio = image.shape[0] / float(resized.shape[0])
# 將調(diào)整后的圖像轉(zhuǎn)換為灰度，稍微模糊它，并閾值化
gray = cv2.cvtColor(resized, cv2.COLOR_BGR2GRAY)
blurred = cv2.GaussianBlur(gray, (5, 5), 0)
thresh = cv2.threshold(blurred, 60, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]
# 在閾值化圖像中找到輪廓并初始化形狀檢測(cè)器
cnts = cv2.findContours(thresh.copy(), cv2.RETR_EXTERNAL,
                        cv2.CHAIN_APPROX_SIMPLE)
cnts = imutils.grab_contours(cnts)
sd = ShapeDetector()

首先，我們從磁盤加載圖像，并調(diào)整其大小。然后，我們跟蹤舊高度與調(diào)整后的新高度的比率——我們將在本教程的后面部分找到這樣做的確切原因。

將調(diào)整大小后的圖像轉(zhuǎn)換為灰度，平滑它以減少高頻噪聲，最后閾值化它以顯示圖像中的形狀。

閾值之后，我們的圖像應(yīng)該是這樣的:

請(qǐng)注意我們的圖像是如何被二值化的——形狀顯示為黑色背景下的白色前景。

最后，在二值圖像中找到輪廓，基于OpenCV版本的cv2.findContours獲取正確的元組值，并最終初始化我們的ShapeDetector。

最后一步是識(shí)別每個(gè)輪廓:

# 遍歷所有輪廓
for c in cnts:
    # 計(jì)算輪廓的中心，然后僅使用輪廓檢測(cè)形狀的名稱
    M = cv2.moments(c)
    cX = int((M["m10"] / M["m00"]) * ratio)
    cY = int((M["m01"] / M["m00"]) * ratio)
    shape = sd.detect(c)
    # 將輪廓(x, y)坐標(biāo)乘以調(diào)整比例，然后在圖像上繪制輪廓和形狀的名稱
    c = c.astype("float")
    c *= ratio
    c = c.astype("int")
    cv2.drawContours(image, [c], -1, (0, 255, 0), 2)
    cv2.putText(image, shape, (cX, cY), cv2.FONT_HERSHEY_SIMPLEX,
                0.5, (255, 255, 255), 2)
    # 顯示輸出圖像
    cv2.imshow("Image", image)
    cv2.waitKey(0)

我們開始在每個(gè)單獨(dú)的輪廓上循環(huán)。對(duì)于每一個(gè)，我們計(jì)算輪廓的中心，然后執(zhí)行形狀檢測(cè)和識(shí)別。

由于我們正在處理從調(diào)整大小后的圖像中提取的輪廓(而不是原始圖像)，我們需要將輪廓和中心(x, y)坐標(biāo)乘以調(diào)整比率。

這將為我們提供原始圖像的輪廓和質(zhì)心的正確(x, y)坐標(biāo)。

最后，我們?cè)趫D像上繪制輪廓和識(shí)別的形狀，然后顯示我們的結(jié)果。

2.基于OpenCV的形狀檢測(cè)C++版本

在本教程中，讓我們看看如何使用 OpenCV 的輪廓來識(shí)別對(duì)象的形狀和位置。

使用OpenCV的輪廓，你可以得到每個(gè)白斑的頂點(diǎn)的點(diǎn)序列(白斑被認(rèn)為是多邊形)。例如，對(duì)于三角形你會(huì)得到3個(gè)點(diǎn)(頂點(diǎn))，

對(duì)于四邊形你會(huì)得到4個(gè)點(diǎn)。你可以通過多邊形的頂點(diǎn)數(shù)來識(shí)別任何多邊形。

你甚至可以通過計(jì)算和比較頂點(diǎn)之間的距離來識(shí)別多邊形的特征，如凸性、凹性、等邊等。

我們看看如何使用 OpenCV 來完成。您所需要的只是一個(gè)二進(jìn)制圖像，其中您的對(duì)象應(yīng)該是白色的，背景應(yīng)該是黑色的。

現(xiàn)在我將使用OpenCV C++應(yīng)用程序來識(shí)別上圖中的三角形、四邊形和七邊形。我將沿著每個(gè)確定的多邊形的周長(zhǎng)畫一條線，

三角形顏色為藍(lán)色，四邊形顏色為綠色，七邊形顏色為紅色。

2.1代碼實(shí)現(xiàn)

#include <opencv2/opencv.hpp>
using namespace std;
using namespace cv;

int main()
{

    Mat img = imread("FindingContours.png");

    //show the original image
    namedWindow("Raw");
    imshow("Raw", img);

    //converting the original image into grayscale
    Mat imgGrayScale = Mat(img.size(), CV_8UC1);
    cvtColor(img, imgGrayScale, COLOR_BGR2GRAY);

    //thresholding the grayscale image to get better results
    threshold(imgGrayScale, imgGrayScale, 128, 255, THRESH_BINARY);

    //finding all contours in the image
    vector<vector<Point> > contours;
    vector<Vec4i> hierarchy;
    findContours(imgGrayScale, contours, hierarchy, RETR_TREE, CHAIN_APPROX_SIMPLE);


    //iterating through each contour
    for (size_t i = 0; i < contours.size(); i++)
    {
        vector<Point> approx;
        //obtain a sequence of points of contour, pointed by the variable 'contour'
        approxPolyDP(contours[i], approx, arcLength(contours[i], true) * 0.02, true);

        //if there are 3  vertices  in the contour(It should be a triangle)
        if (approx.size() == 3)
        {
            //drawing lines around the triangle
            for (int i = 0; i < 3; i++) {
                line(img, approx[i], approx[(i+1)%3], Scalar(255, 0, 0), 4);
            }
        }
        //if there are 4 vertices in the contour(It should be a quadrilateral)
        else if (approx.size() == 4)
        {
            //drawing lines around the quadrilateral
            for (int i = 0; i < 4; i++) {
                line(img, approx[i], approx[(i + 1) % 4], Scalar(0, 255, 0), 4);
            }
        }

        //if there are 7  vertices  in the contour(It should be a heptagon)
        else if (approx.size() == 7)
        {
            //drawing lines around the heptagon
            for (int i = 0; i < 7; i++) {
                line(img, approx[i], approx[(i + 1) % 7], Scalar(0, 0, 255), 4);
            } 
        }
    }

    //show the image in which identified shapes are marked   
    namedWindow("Tracked");
    imshow("Tracked", img);

    waitKey(0); //wait for a key press

    //cleaning up
    destroyAllWindows();

    return 0;
}

如您所見，三角形用藍(lán)色標(biāo)記， 四邊形用綠色標(biāo)記，七邊形用紅色標(biāo)記。所以，現(xiàn)在很明顯，這種方法能夠識(shí)別形狀。 首先將原始圖像轉(zhuǎn)換為灰度。

這是因?yàn)檫@種方法只適用于單通道的灰度圖像。為了獲得更好的結(jié)果，我使用“threshold”函數(shù)對(duì)灰度圖像進(jìn)行閾值處理。

您可以使用自己的方式對(duì)圖像進(jìn)行閾值處理。然后我找到閾值圖像中的所有輪廓，并識(shí)別和跟蹤所有三角形、四邊形和七邊形。

2.2主要函數(shù)解析

讓我們討論一下這個(gè)應(yīng)用程序中的OpenCV 函數(shù)。

double threshold(InputArray src, OutputArray dst, double thresh, double maxval, int type);

src:源圖像（8位單通道）

dst:與src具有相同大小相同類型的目標(biāo)圖像

thresh:閾值

maxval:滿足條件的像素替換為這個(gè)值

type:閾值化方法，

THRESH_BINARY

• dst(x,y)=max, if src(x,y) > ThreshVal
• dst(x,y)=0, if src(x,y) < ThreshVal

THRESH_BINARY_INV

• dst(x,y)=0，如果 src(x,y) > ThreshVal
• dst(x,y)=max，如果 src(x,y) < ThreshVal

THRESH_TOZERO

• dst(x,y)=src(x,y), 如果 src(x,y) > ThreshVal
• dst(x,y)=0, 如果 src(x,y) < ThreshVal

THRESH_TOZERO_INV

• dst(x,y)=0，如果 src(x,y) > ThreshVal
• dst(x,y)=src(x,y)，如果 src(x,y) < ThreshVal

THRESH_TRUNC

• dst(x,y)=threshVal，如果 src(x,y) > ThreshVal
• dst(x,y)=src(x,y), if src(x,y) < ThreshVal

在上面的應(yīng)用程序中，我使用了“ THRESH_BINARY”，因?yàn)槲蚁朐趯?duì)象所在的位置分配 255（白色其他是0（黑色）。

findContours( InputArray image, OutputArrayOfArrays contours, OutputArray hierarchy, int mode, int method, Point offset = Point());

image: 8位單通道圖像。非零像素被視為1。零像素保持為0，因此圖像被視為二值。你可以使用#compare #inRange #threshold，#adaptiveThreshold，

#Canny，以及其他參數(shù)來創(chuàng)建灰度或彩色圖像的二值圖像。

contours: 發(fā)現(xiàn)的所有輪廓

hierarchy：輪廓之間的層次結(jié)構(gòu)

int mode - 從圖像中檢索輪廓的模式，您必須選擇以下之一

• RETR_LIST - 檢索所有輪廓并將它們放入列表中
• RETR_EXTERNAL - 僅檢索外輪廓
• RETR_CCOMP - 檢索所有輪廓并將它們組織成兩級(jí)層次結(jié)構(gòu)：
• RETR_TREE - 檢索所有輪廓并重建嵌套輪廓的完整層次結(jié)構(gòu)

int method - 近似方法，您必須選擇以下之一

• CHAIN_APPROX_NONE - 將鏈碼中的所有點(diǎn)轉(zhuǎn)換為點(diǎn)
• CHAIN_APPROX_SIMPLE - 壓縮水平、垂直和對(duì)角線段，只留下它們的端點(diǎn)
• CHAIN_APPROX_TC89_L1,CV_CHAIN_APPROX_TC89_KCOS - 應(yīng)用 Teh-Chin 鏈近似算法的一種風(fēng)格。

Point offset:每個(gè)輪廓點(diǎn)應(yīng)移動(dòng)的偏移量。當(dāng)我們?cè)趫D像中設(shè)置 ROI（感興趣區(qū)域）時(shí)，這很有用。通常我們將偏移量設(shè)置為 ‘Point(0,0)’

void approxPolyDP( InputArray curve, OutputArray approxCurve, double epsilon, bool closed );

• curve: 存儲(chǔ)2D點(diǎn)的std::vector或Mat
• approxCurve: 多邊形近似的結(jié)果。類型應(yīng)該與輸入類型相匹配。
• epsilon: 指定近似精度的參數(shù)。這是原始輪廓與其近似值之間的最大距離。
• closed: 如果為真，逼近曲線是閉合的(它的第一個(gè)和最后一個(gè)頂點(diǎn)是連接的)。否則不閉合。

2.3結(jié)果展示

以上就是OpenCV形狀檢測(cè)的示例詳解的詳細(xì)內(nèi)容，更多關(guān)于OpenCV形狀檢測(cè)的資料請(qǐng)關(guān)注腳本之家其它相關(guān)文章！

最新評(píng)論