十九、计算机视觉-轮廓检测

文章目录

前言
一、什么是轮廓检测
二、轮廓检测与边缘检测的区别
三、轮廓检测的过程

前言

之前我们学习了边缘检测算法（如Sobel、Canny等），接下来的课程将会探讨轮廓检测。轮廓检测是图像处理中的一个重要任务，它的目标是识别出图像中的物体轮廓，即物体的外部边界。与边缘检测不同，轮廓检测通常需要对图像进行更复杂的处理，以便有效地提取出物体的整体形状。

一、什么是轮廓检测

轮廓检测是图像处理中的一项任务，其主要目标是在图像中找到物体的外部轮廓，也就是物体的边界。这些轮廓通常被表示为一系列连接的点、线段或曲线，能够描述物体的整体形状。轮廓检测通常应用于目标检测、物体识别、图像分割等领域，是许多计算机视觉应用的重要步骤之一。

二、轮廓检测与边缘检测的区别

在计算机视觉领域中，边缘检测和轮廓检测是两个常用的图像处理任务，它们虽然在一定程度上可以实现相似的目标，但在技术原理和应用场景上有一些区别。
1.边缘检测（Edge Detection）：

a.边缘检测旨在检测图像中的边缘，边缘通常表示了图像中灰度值或颜色值的突然变化。

b.边缘检测算法通常会在图像中寻找灰度梯度较大的区域，因为这些区域往往对应着图像中的边缘。

c.常见的边缘检测算法包括Sobel、Prewitt、Canny等，它们可以检测出图像中的强边缘，通常输出的是二值化的图像，其中边缘位置被表示为白色或者其他明显的颜色，而其他部分则是黑色。

2.轮廓检测（Contour Detection）：

a.轮廓检测旨在检测图像中的物体轮廓，即物体的外部边界。

b.轮廓检测通常通过将图像分割为不同的区域来实现，然后检测这些区域之间的边界。

c.常见的轮廓检测算法包括基于边缘检测结果的轮廓查找、基于阈值的图像分割算法（如阈值化、分水岭算法等）、基于区域增长的方法等。

d.轮廓检测通常输出的是包含物体外部边界的闭合曲线或者多边形，它们可以用于图像分割、物体识别等任务。

简单的说边缘检测是找出图像中灰度或颜色变化快的地方，通常输出的是边缘的位置信息，用来表示物体的轮廓。轮廓检测则是找出物体的外部轮廓，通常输出的是表示物体形状的闭合曲线或多边形。边缘检测更专注于局部的变化，而轮廓检测则更关注整个物体的外形。
因此，尽管边缘检测和轮廓检测都是图像处理中常用的任务，并且它们在一些方面有着相似之处，但它们的目标和技术方法有所不同，适用于不同的应用场景。

三、轮廓检测的过程

首先我们看一个简单的轮廓检测的代码

import cv2
import numpy as np

# 读取图片
image = cv2.imread('image.jpg')

# 转换为灰度图
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 使用二值化
_, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)

# 寻找轮廓
contours, _ = cv2.findContours(binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)

# 绘制轮廓
cv2.drawContours(image, contours, -1, (0, 255, 0), 3)

# 显示图片
cv2.imshow('Contours', image)
cv2.waitKey(0)
cv2.destroyAllWindows()

上面的代码可以看到它的流程，在轮廓检测前需要先对图像进行二值化或Canny操作。我们上面代码是使用threshold做了二值化操作。图像的二值化就是将图像上的像素点的灰度值设置为0或255，这样将使整个图像呈现出明显的黑白效果。在数字图像处理中，二值图像占有非常重要的地位，图像的二值化使图像中数据量大为减少，从而能凸显出目标的轮廓2。threshold的参数127表示当像素点的值小于127的时候把像素点置于0，当像素点大于127时置于255，这样就达到吧图片二值化。
二值化过后就可以使用findContours查找轮廓了，我们看下这个方法

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

image：输入的二值化图像，即轮廓检测的源图像，通常为灰度图像经过二值化处理后的图像
mode：轮廓检索模式，指定轮廓的检索模式，可以是以下值之一：
○ cv2.RETR_EXTERNAL：只检测外部轮廓。
○ cv2.RETR_LIST：检测所有轮廓，不建立等级关系。
○ cv2.RETR_CCOMP：检测所有轮廓，建立两级等级关系。
这种模式下，cv2.findContours() 函数会检测所有轮廓，并将它们组织成两级的等级结构，包括外部轮廓和内部轮廓（可能嵌套多层）。具体来说，当检测到的轮廓之间存在嵌套关系时，外部轮廓被标记为一级轮廓，而内部轮廓被标记为二级轮廓。这种两级等级关系主要用于描述轮廓的包含关系，即一个轮廓是否包含在另一个轮廓内部。例如，假设图像中存在一个外部轮廓和一个内部轮廓，内部轮廓完全包含在外部轮廓内部。在使用 cv2.RETR_CCOMP 模式进行轮廓检测后，返回的轮廓列表中会包含两个轮廓，其中外部轮廓是一级轮廓，内部轮廓是二级轮廓，并且内部轮廓的父轮廓是外部轮廓。总之，建立两级等级关系意味着 cv2.findContours() 函数将轮廓组织成外部轮廓和内部轮廓两个层级，以描述轮廓之间的包含关系。
○ cv2.RETR_TREE：检测所有轮廓，建立完整的等级树结构。
method：轮廓近似方法，指定轮廓的近似方法，可以是以下值之一：
○ cv2.CHAIN_APPROX_NONE：保存所有的轮廓点。
○ cv2.CHAIN_APPROX_SIMPLE：压缩水平、垂直和对角线方向上的所有轮廓，只保留端点。

上面这两个参数是什么区别呢？我们知道线是由点组成，通过CHAIN_APPROX_NONE这个参数可以输出所有的轮廓点，就是一个完整的轮廓，CHAIN_APPROX_SIMPLE 只有端点，比如我们有一个正方形用第一个参数可以返回正方形的四条线的轮廓，而第二个参数则输出的是正方形的四个点

返回值：

● contours：检测到的轮廓，是一个列表，每个轮廓都是一个 numpy 数组，其中存储了轮廓的所有点坐标。
● hierarchy：轮廓的层级关系，通常在层级轮廓检测时才会用到。
contours得到了轮廓信息，我们就可以去绘制轮廓了，

# 在原始图像上绘制轮廓
image = cv2.drawContours(image, contours, contourIdx, color, thickness)

● image：要绘制轮廓的图像，通常是原始图像的副本。
● contours：要绘制的轮廓列表，是由 cv2.findContours() 函数返回的轮廓信息。
● contourIdx：要绘制的轮廓索引，指定要绘制的轮廓在轮廓列表中的索引。如果设置为负数（例如 -1），则表示绘制所有的轮廓。
● color：绘制轮廓的颜色，可以是 BGR 形式的颜色值，例如 (0, 255, 0) 表示绿色。
● thickness：绘制轮廓的线条宽度，如果设置为负数，则表示填充轮廓内部。默认值为 1，表示绘制轮廓的线条。
返回值：
● 绘制了轮廓的图像。

在这里插入图片描述