基于 OpenCV 的图像边缘检测与轮廓分析-平芜编程栈

文章目录

- 一、边缘检测方法
- - 1. Sobel算子边缘检测
  - 2. Scharr算子边缘检测
  - 3. Laplacian边缘检测
  - 4. Canny边缘检测
- 二、图像轮廓分析
- - 1. 轮廓提取基础
  - 2. 轮廓绘制方法
  - 3. 轮廓特征计算
  - 4. 轮廓定位与排序
  - 5. 轮廓几何特征
- 三、轮廓近似与简化

一、边缘检测方法

1. Sobel算子边缘检测

Sobel算子通过计算图像灰度函数的梯度来检测边缘，分别计算水平和垂直方向的梯度，然后合并得到完整边缘图像。

importcv2 pic=cv2.imread(r"picture_1.jpg",0)pic_x_64=cv2.Sobel(pic,cv2.CV_64F,dx=1,dy=0)pic_x_full=cv2.convertScaleAbs(pic_x_64)pic_y_64=cv2.Sobel(pic,cv2.CV_64F,dx=0,dy=1)pic_y_full=cv2.convertScaleAbs(pic_y_64)pic_xy_sobel_full=cv2.addWeighted(pic_x_full,1,pic_y_full,1,0)

参数分析：

cv2.CV_64F：输出图像的深度，64位浮点数类型
dx=1, dy=0：计算x方向（水平）梯度
dx=0, dy=1：计算y方向（垂直）梯度
cv2.convertScaleAbs()：将负梯度值转换为绝对值并缩放

2. Scharr算子边缘检测

Scharr算子是Sobel算子的改进版本，对边缘的响应更敏感，能检测到更细微的边缘变化。

pic=cv2.imread(r"picture_1.jpg",cv2.IMREAD_GRAYSCALE)pic_x_64=cv2.Scharr(pic,cv2.CV_64F,dx=1,dy=0)pic_x_full=cv2.convertScaleAbs(pic_x_64)pic_y_64=cv2.Scharr(pic,cv2.CV_64F,dx=0,dy=1)pic_y_full=cv2.convertScaleAbs(pic_y_64)pic_xy_scharr_full=cv2.addWeighted(pic_x_full,1,pic_y_full,1,0)

3. Laplacian边缘检测

Laplacian算子基于二阶导数，能同时检测图像的两个方向的边缘，对噪声更敏感但能检测到更精细的边缘。

pic=cv2.imread(r"picture_1.jpg",cv2.IMREAD_GRAYSCALE)pic_lap=cv2.Laplacian(pic,cv2.CV_64F,ksize=3)pic_lap_full=cv2.convertScaleAbs(pic_lap)

参数分析：

ksize=3：拉普拉斯核的大小，必须为正奇数

4. Canny边缘检测

Canny边缘检测是多阶段算法，包括高斯滤波、梯度计算、非极大值抑制和双阈值检测，是效果最好的边缘检测算法之一。

pic=cv2.imread(r"picture_1.jpg",cv2.IMREAD_GRAYSCALE)pic_canny=cv2.Canny(pic,100,150)

参数分析：

100：低阈值，低于此值的边缘被丢弃
150：高阈值，高于此值的边缘被保留为强边缘

二、图像轮廓分析

1. 轮廓提取基础

轮廓提取需要先将图像转换为二值图像，然后使用findContours函数查找轮廓。

# 灰度图处理phone=cv2.imread(r"picture_1.jpg")phone=cv2.resize(phone,dsize=None,fx=0.4,fy=0.4)phone_gray=cv2.cvtColor(phone,cv2.COLOR_BGR2GRAY)# 阈值处理为二值图像ret,phone_binary=cv2.threshold(phone_gray,120,255,cv2.THRESH_BINARY)# 查找轮廓_,contours,hierarchy=cv2.findContours(phone_binary,cv2.RETR_TREE,cv2.CHAIN_APPROX_NONE)print(len(contours))

参数分析：

cv2.THRESH_BINARY：阈值化类型，大于阈值设为255，小于设为0
cv2.RETR_TREE：轮廓检索模式，检索所有轮廓并重建完整的层次结构
cv2.CHAIN_APPROX_NONE：轮廓近似方法，存储所有轮廓点

2. 轮廓绘制方法

image_copy=phone.copy()cv2.drawContours(image=image_copy,contours=contours,contourIdx=-1,color=(0,255,0),thickness=2)# 逐个绘制轮廓的替代方法foriinrange(len(contours)):image_copy=cv2.drawContours(image=image_copy,contours=contours,contourIdx=i,color=(0,255,0),thickness=3)cv2.imshow('Contours_show',image_copy)cv2.waitKey(0)

参数分析：

contourIdx=-1：绘制所有轮廓，指定索引则绘制单个轮廓

3. 轮廓特征计算

# 轮廓面积计算area_0=cv2.contourArea(contours[0])area_1=cv2.contourArea(contours[1])# 轮廓周长计算length=cv2.arcLength(contours[0],closed=True)# 根据面积筛选轮廓a_list=[]foriincontours:ifcv2.contourArea(i)>10000:a_list.append(i)

4. 轮廓定位与排序

# 根据面积排序获取最大轮廓sortcnt=sorted(contours,key=cv2.contourArea,reverse=True)[0]image_contours=cv2.drawContours(image_copy,[sortcnt],contourIdx=-1,color=(0,0,255),thickness=3)

5. 轮廓几何特征

cnt=contours[8]# 最小外接圆(x,y),r=cv2.minEnclosingCircle(cnt)phone_circle=cv2.circle(phone,center=(int(x),int(y)),radius=int(r),color=(0,255,0),thickness=2)# 最小外接矩形x,y,w,h=cv2.boundingRect(cnt)phone_rectangle=cv2.rectangle(phone,pt1=(x,y),pt2=(x+w,y+h),color=(0,255,0),thickness=2)

三、轮廓近似与简化

轮廓近似可以减少轮廓点的数量，同时保持轮廓的基本形状，常用于减少计算复杂度和数据存储。

phone=cv2.imread('phone.png')phone_gray=cv2.cvtColor(phone,cv2.COLOR_BGR2GRAY)ret,phone_thresh=cv2.threshold(phone_gray,120,255,cv2.THRESH_BINARY)# 兼容不同OpenCV版本的轮廓查找contours=cv2.findContours(phone_thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_NONE)[-2]# 轮廓近似epsilon=0.01*cv2.arcLength(contours[0],closed=True)approx=cv2.approxPolyDP(contours[0],epsilon,closed=True)print(contours[0].shape)# 原始轮廓点数print(approx.shape)# 近似后轮廓点数# 绘制近似轮廓phone_new=phone.copy()image_contours=cv2.drawContours(phone_new,[approx],contourIdx=-1,color=(0,255,0),thickness=3)