学习日志024--opencv中处理轮廓的函数

目录

前言​​​​​​​

一、 梯度处理的sobel算子函数

功能

参数

返回值

代码演示

二、梯度处理拉普拉斯算子

功能

参数 

返回值 

代码演示 

三、Canny算子

功能

参数

 返回值

 代码演示

 四、findContours函数与drawContours函数

功能

参数

 返回值

代码演示

五、透视变换矩阵函数

功能

参数

返回值

代码演示 

 六、图像的外接边框

总结



前言

在计算机视觉(Computer Vision, CV)中,边缘识别是一个至关重要的步骤,它对于多种图像处理和计算机视觉任务都具有重要意义。在OpenCV等计算机视觉库中,提供了多种边缘检测算法(如Sobel算子、Laplacian算子、Canny边缘检测等),这些算法可以有效地识别图像中的边缘信息,为后续的图像处理和分析任务提供有力支持。通过合理地选择和调整算法参数,我们可以获得更好的边缘检测效果,从而提高计算机视觉任务的准确性和效率。


一、 梯度处理的sobel算子函数

功能

 Sobel算子是一种用于图像处理中边缘检测的算法,主要利用图像像素梯度的方法来计算图像亮度的一阶梯度,从而突出图像中的边缘。它通常用于计算机视觉和图像处理任务中,如物体检测、图像分割等。Sobel 函数通常用于边缘检测、图像分割、特征提取等图像处理任务中。通过计算图像在 x 和 y 方向上的梯度,可以突出图像中的边缘信息,这对于后续的图像分析和处理非常有用。

@_typing.overload
def Sobel(src: cv2.typing.MatLike,ddepth: int,dx: int, dy: int, dst: cv2.typing.MatLike | None = ..., ksize: int = ..., scale: float = ...,delta: float = ..., borderType: int = ...)\-> cv2.typing.MatLike: ...

参数

  • src (cv2.typing.MatLike)‌:

    • 输入图像,必须是一个灰度图像或彩色图像的一个通道。
    • 类型:cv2.typing.MatLike,表示兼容 OpenCV 矩阵类型的输入。
  • ddepth (int)‌:

    • 输出图像的所需深度。当参数值为 -1 时,输出图像与输入图像具有相同的深度。否则,它可以是 cv2.CV_8Ucv2.CV_16Ucv2.CV_32F 等之一,表示 8 位无符号、16 位无符号或 32 位浮点类型。
  • dx (int)‌:

    • x 方向上的导数阶数。当需要计算 x 方向上的梯度时,将其设置为 1;否则设置为 0.
  • dy (int)‌:

    • y 方向上的导数阶数。当需要计算 y 方向上的梯度时,将其设置为 1;否则设置为 0。
  • dst (cv2.typing.MatLike | None)‌:

    • 输出图像,与输入图像具有相同的大小和类型。如果此参数为 None,则函数会创建一个新的输出图像。
    • 类型:cv2.typing.MatLike | None,表示可以是兼容 OpenCV 矩阵类型的输出,或者为 None
  • ksize (int, 默认值为 3)‌:

  • Sobel 算子的大小,必须是 1、3、5、7 之一。它表示算子在 x 或 y 方向上使用的像素邻域的大小。
  • scale (float, 默认值为 1)‌:

    • 可选的比例因子,用于缩放导数的绝对值。默认情况下,不进行缩放。
  • delta (float, 默认值为 0)‌:

    • 可选的增量值,该值会被加到最终的梯度图像中。这可以用于调整结果的亮度或对比度。
  • borderType (int, 默认值为 cv2.BORDER_DEFAULT)‌:

  • 边界模式,用于指定边界外像素的外推方法。常见的边界模式包括 cv2.BORDER_CONSTANTcv2.BORDER_REFLECTcv2.BORDER_REPLICATE 等。默认值为 cv2.BORDER_DEFAULT,它通常表示一种合理的默认边界外推方法。

返回值

  • cv2.typing.MatLike‌:
    • 输出图像,包含了计算得到的梯度信息。如果 dst 参数不为 None,则此输出图像与 dst 参数指向的图像相同;否则,函数会返回一个新的图像。

代码演示

import cv2
import numpy as np# 读取一张图
img = cv2.imread('./shudu.png')# sobel算子# 水平梯度处理
img_sobel1 = cv2.Sobel(img,-1,0,dy=1,ksize=3)# 垂直梯度处理
img_sobel2 = cv2.Sobel(img,-1,1,dy=0,ksize=3)# 进行梯度处理 方法一cv2.imshow('image',img)cv2.imshow('img_sobel',img_sobel1)
cv2.imshow('img_sobel2',img_sobel2)
cv2.waitKey(0)

                                 

二、梯度处理拉普拉斯算子

Laplacian算子是一种用于图像处理中边缘检测的二阶微分算子。与Sobel算子不同,Laplacian算子通过计算图像像素值的二阶导数来检测边缘,因此它对图像中的噪声更加敏感,但也能更精确地定位边缘。

功能

Laplacian算子函数的主要功能是检测图像中的边缘和纹理变化。它通过计算图像的二阶导数来突出图像中的快速变化区域,这些区域通常对应于边缘或纹理。 

def Laplacian(src: cv2.typing.MatLike,ddepth: int, dst: cv2.typing.MatLike | None = ...,ksize: int = ..., scale: float = ..., delta: float = ...,borderType: int = ...) \-> cv2.typing.MatLike: ...

参数 

  1. src (cv2.typing.MatLike)‌:

    • 输入图像,必须是一个灰度图像。
    • 类型:cv2.typing.MatLike,表示兼容 OpenCV 矩阵类型的输入。
  2. ddepth (int)‌:

    • 输出图像的所需深度。它决定了输出图像的数据类型,如 cv2.CV_8U(8 位无符号)、cv2.CV_16U(16 位无符号)、cv2.CV_32F(32 位浮点)或 cv2.CV_64F(64 位浮点)等。当参数值为 -1 时,输出图像与输入图像具有相同的深度。
  3. dst (cv2.typing.MatLike | None)‌:

    • 输出图像,与输入图像具有相同的大小和类型(除非 ddepth 指定了不同的深度)。如果此参数为 None,则函数会创建一个新的输出图像。
    • 类型:cv2.typing.MatLike | None,表示可以是兼容 OpenCV 矩阵类型的输出,或者为 None
  4. ksize (int, 默认值为 1)‌:

    • 用于计算二阶导数的滤波器的大小。它必须是正奇数,且通常取值为 1、3、5 等。当 ksize=1 时,表示使用标准的 Laplacian 滤波器(即二阶导数滤波器);当 ksize 大于 1 时,表示使用扩展的 Laplacian 滤波器,这有助于在保持边缘检测精度的同时减少噪声的影响。
  5. scale (float, 默认值为 1)‌:

    • 可选的比例因子,用于缩放二阶导数的绝对值。默认情况下,不进行缩放。
  6. delta (float, 默认值为 0)‌:

    • 可选的增量值,该值会被加到最终的梯度图像中。这可以用于调整结果的亮度或对比度。
  7. borderType (int, 默认值为 cv2.BORDER_DEFAULT)‌:

    • 边界模式,用于指定边界外像素的外推方法。常见的边界模式包括 cv2.BORDER_CONSTANT(常数填充)、cv2.BORDER_REFLECT(反射)、cv2.BORDER_REPLICATE(复制)等。默认值为 cv2.BORDER_DEFAULT,它通常表示一种合理的默认边界外推方法。

返回值 

  • cv2.typing.MatLike‌:
    • 输出图像,包含了计算得到的二阶导数信息(即 Laplacian 结果)。如果 dst 参数不为 None,则此输出图像与 dst 参数指向的图像相同;否则,函数会返回一个新的图像。

代码演示 

import cv2img = cv2.imread('./shudu.png')img_lap = cv2.Laplacian(img,-1,ksize=3)cv2.imshow('image',img)cv2.imshow('image_lap',img_lap)cv2.waitKey(0)

三、Canny算子

Canny算子(Canny Edge Detector)是一种多级边缘检测算法,被广泛应用于图像处理中,以获取图像的边缘信息。它以其良好的检测性能和抗噪声能力而著称。下面是Canny算子函数的功能、参数、返回值以及应用。

功能

Canny算子函数的主要功能是检测图像中的边缘,同时尽可能地减少噪声的影响,并精确地定位边缘。它通过一系列的处理步骤,包括高斯滤波、计算梯度、非极大值抑制和双阈值检测,来实现这一目标。

参数

def Canny(image: cv2.typing.MatLike,threshold1: float, threshold2: float,edges: cv2.typing.MatLike | None = ..., apertureSize: int = ..., L2gradient: bool = ...) \-> cv2.typing.MatLike: ...

  1. 输入图像 (src)‌:

    • 类型:灰度图像(二维数组或矩阵)。
    • 说明:需要进行边缘检测的源图像。
  2. 阈值1 (threshold1)‌:

    • 类型:浮点数或整数。
    • 说明:低阈值,用于双阈值检测中的较低阈值。
  3. 阈值2 (threshold2)‌:

    • 类型:浮点数或整数。
    • 说明:高阈值,用于双阈值检测中的较高阈值。通常是低阈值的两倍或三倍。
  4. 边缘 (edges)‌:

    • 类型:二维数组或矩阵。
    • 说明:用于存储检测到的边缘的输出图像。通常是一个与输入图像大小相同的二值图像。
  5. apertureSize (可选)‌:

    • 类型:整数。
    • 说明:Sobel算子的大小,它决定了梯度计算的精度。默认值为3,表示使用3x3的Sobel算子。
  6. L2gradient (可选)‌:

    • 类型:布尔值。
    • 说明:一个标志,指示是否使用更精确的L2范数进行梯度计算。如果为True,则使用L2范数;如果为False(默认),则使用L1范数。

 返回值

Canny算子函数的返回值通常是检测到的边缘图像,它是一个二维数组或矩阵,包含了图像中的边缘信息。这个边缘图像通常是一个二值图像,其中边缘像素的值为非零(如255),非边缘像素的值为零。

 代码演示

 四、findContours函数与drawContours函数

findContours 函数是 OpenCV 中用于检测图像中轮廓(contours)的非常有用的函数。轮廓是图像中形状或物体的边界,它们对于图像分析、物体检测和识别等任务至关重要。

drawContours 函数是 OpenCV 中用于在图像上绘制轮廓的非常实用的函数。它可以将通过 findContours 函数检测到的轮廓绘制在原始图像或任何其他图像上,以便进行可视化或进一步的处理

功能

findContours 函数的主要功能是从二值图像中检测轮廓。这些轮廓可以表示图像中物体的边界,为后续的图像分析提供关键信息

drawContours 函数的主要功能是在图像上绘制一个或多个轮廓。这些轮廓通常是通过 findContours 函数从二值图像中检测到的,但也可以是由用户自定义的点集。 

参数

def findContours(image: cv2.typing.MatLike, mode: int,method: int, contours: _typing.Sequence[cv2.typing.MatLike] | None = ...,hierarchy: cv2.typing.MatLike | None = ..., offset: cv2.typing.Point = ...) \-> tuple[_typing.Sequence[cv2.typing.MatLike],cv2.typing.MatLike]: ...

  1. image (输入图像)‌:

    • 类型:二维数组(通常是二值图像)。
    • 说明:需要进行轮廓检测的源图像。通常,这是通过阈值分割、边缘检测或其他二值化方法得到的图像。
  2. mode (轮廓检索模式)‌:

    • 类型:整数。
    • 说明:指定轮廓检索的模式。常用的模式包括 cv2.RETR_EXTERNAL(只检索外部轮廓)、cv2.RETR_LIST(检索所有轮廓,但不创建任何父子关系)、cv2.RETR_CCOMP(检索所有轮廓,并将它们组织为两层结构,顶层是外部边界,底层是孔的边界)、cv2.RETR_TREE(检索所有轮廓,并重建完整的层次结构)。
  3. method (轮廓近似方法)‌:

    • 类型:整数。
    • 说明:指定轮廓近似的方法。常用的方法包括 cv2.CHAIN_APPROX_NONE(存储所有的轮廓点,不进行任何近似)、cv2.CHAIN_APPROX_SIMPLE(压缩水平、垂直和对角线段,只保留它们的终点)、cv2.CHAIN_APPROX_TC89_L1cv2.CHAIN_APPROX_TC89_KCOS(使用 Teh-Chin 链式近似算法)。
  4. contours (输出轮廓)‌:

    • 类型:列表的列表。
    • 说明:这是一个输出参数,用于存储检测到的轮廓。每个轮廓都是一个点的列表,这些点表示了轮廓的边界。
  5. hierarchy (轮廓的层次结构, 可选)‌:

    • 类型:NumPy 数组。
    • 说明:这是一个输出参数,用于存储轮廓之间的层次关系。如果不需要层次信息,可以将其设置为 None
  6. offset (轮廓点的偏移量, 可选, 在某些版本中可能不可用)‌:

    • 类型:元组(两个整数)。
    • 说明:指定轮廓点的偏移量。这个参数在某些版本的 OpenCV 中可能不可用,或者其用法可能有所不同。

def drawContours(image: cv2.typing.MatLike,contours: _typing.Sequence[cv2.typing.MatLike],contourIdx: int,color: cv2.typing.Scalar, thickness: int = ...,lineType: int = ...,hierarchy: cv2.typing.MatLike | None = ..., maxLevel: int = ..., offset: cv2.typing.Point = ...) \-> cv2.typing.MatLike: ...
  1. image (目标图像)‌:

    • 类型:三维数组(通常是彩色图像,但也可以是灰度图像)。
    • 说明:要在其上绘制轮廓的图像。这个图像将被修改,以包含绘制的轮廓。
  2. contours (轮廓列表)‌:

    • 类型:列表的列表,其中每个内部列表都包含表示轮廓的点。
    • 说明:要绘制的轮廓列表。这些轮廓通常是通过 findContours 函数获取的。
  3. contourIdx (轮廓索引)‌:

    • 类型:整数。
    • 说明:指定要绘制的轮廓的索引。如果设置为 -1,则绘制所有轮廓。
  4. color (轮廓颜色)‌:

    • 类型:元组(三个整数,表示 BGR 颜色值)。
    • 说明:轮廓的颜色。在 OpenCV 中,颜色通常以 BGR(蓝、绿、红)格式指定,而不是常见的 RGB 格式。
  5. thickness (轮廓线宽)‌:

    • 类型:整数。
    • 说明:轮廓线的宽度。如果设置为 -1(或某些负值,具体取决于 OpenCV 版本),则轮廓内部将被填充。
  6. lineType (线条类型, 可选)‌:

    • 类型:整数。
    • 说明:线条的类型,例如 cv2.LINE_8(8-连通线)、cv2.LINE_4(4-连通线)或 cv2.LINE_AA(抗锯齿线)。默认值是 cv2.LINE_8
  7. hierarchy (轮廓层次结构, 可选)‌:

    • 类型:NumPy 数组。
    • 说明:与轮廓列表相关联的层次结构信息。这个参数通常与 findContours 函数一起使用,但在 drawContours 中通常是可选的,因为绘制轮廓时通常不需要层次信息。
  8. maxLevel (最大层次深度, 可选, 某些版本中可能不可用)‌:

    • 类型:整数。
    • 说明:指定要绘制的轮廓的最大层次深度。这个参数在某些版本的 OpenCV 中可能不可用。
  9. offset (轮廓点偏移量, 可选, 某些版本中可能不可用)‌:

    • 类型:元组(两个整数)。
    • 说明:指定轮廓点的偏移量。这个参数在某些版本的 OpenCV 中可能不可用,或者其用法可能有所不同。

 返回值

  1. contours‌: 检测到的轮廓列表。每个轮廓都是一个点的列表(或 NumPy 数组),表示了轮廓的边界。
  2. hierarchy‌: 轮廓之间的层次关系(如果请求了的话)。这是一个 NumPy 数组,包含了关于轮廓之间如何相互关联的信息。

  cv2.typing.MatLike:输出图像。如果 dst 参数不为 None,则此输出图像与 dimage参数指向的图像相同;否则,函数会返回一个新的图像。

代码演示

import cv2img = cv2.imread('./tubao.png')
img_gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
_, img_binary = cv2.threshold(img_gray,125,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)# 寻找轮廓
contours,hierarchy = cv2.findContours(img_binary,cv2.RETR_EXTERNAL, # 查询轮廓方式cv2.CHAIN_APPROX_SIMPLE) # 保存轮廓点坐标的方式img_copy = img.copy()
# 绘制轮廓
img_draw = cv2.drawContours(img_copy, # 要绘制轮廓的图像contours, # 轮廓坐标顶点坐标集合-1, # 轮廓集合的索引(255,0,0), # 轮廓颜色3) # 轮廓粗细cv2.imshow('image_binary',img_binary)
cv2.imshow('img_copy',img_copy)
cv2.waitKey(0)

 

五、透视变换矩阵函数

getPerspectiveTransform 函数是 OpenCV 中用于计算透视变换矩阵的关键函数。这个函数接受源点集(src)和目标点集(dst),然后计算出一个变换矩阵,该矩阵可以将源点集中的点映射到目标点集中的相应点。下面是对 getPerspectiveTransform 函数的详细解释,包括其功能、参数、返回值以及应用。

warpPerspective 函数是 OpenCV 中用于对图像进行透视变换的关键函数。它接受一个源图像(src)、一个透视变换矩阵(M)、一个目标图像的大小(dsize),以及可选的目标图像(dst)、插值方法(flags)、边界模式(borderMode)和边界值(borderValue),然后返回透视变换后的图像。 

功能

getPerspectiveTransform 函数的主要功能是计算一个透视变换矩阵,该矩阵可以将一个平面上的点集映射到另一个平面上的点集。这种变换在图像拼接、图像矫正、增强现实等应用中非常有用。

warpPerspective 函数的主要功能是对源图像进行透视变换,使其看起来像是从另一个角度或位置拍摄的。这种变换在图像拼接、图像矫正、3D效果模拟等应用中非常有用。 

参数

def getPerspectiveTransform(src: cv2.typing.MatLike,dst: cv2.typing.MatLike, solveMethod: int = ...) \-> cv2.typing.MatLike: ...
  1. src (源点集)‌:

    • 类型:cv2.typing.MatLike,通常是一个包含四个二维点(通常是浮点型)的 NumPy 数组或类似结构。
    • 说明:源点集,表示要进行透视变换的原始图像或平面中的四个点。这些点通常按照某种顺序排列,例如顺时针或逆时针。
  2. dst (目标点集)‌:

    • 类型:cv2.typing.MatLike,与源点集相同,也是一个包含四个二维点的 NumPy 数组或类似结构。
    • 说明:目标点集,表示透视变换后的图像或平面中的四个点。这些点应该与源点集中的点一一对应。
  3. solveMethod (求解方法, 可选)‌:

    • 类型:整数。
    • 说明:指定用于计算透视变换矩阵的求解方法。在 OpenCV 中,通常使用 cv2.DECOMP_LUcv2.DECOMP_QRcv2.DECOMP_NORMAL 等方法。如果省略此参数,OpenCV 将选择一种默认的方法。
def warpPerspective(src: cv2.typing.MatLike,M: cv2.typing.MatLike, dsize: cv2.typing.Size,dst: cv2.typing.MatLike | None = ..., flags: int = ...,borderMode: int = ...,borderValue: cv2.typing.Scalar = ...) \-> cv2.typing.MatLike: ...
  1. src (源图像)‌:

    • 类型:cv2.typing.MatLike,通常是一个包含图像数据的 NumPy 数组或类似结构。
    • 说明:要进行透视变换的源图像。
  2. M (透视变换矩阵)‌:

    • 类型:cv2.typing.MatLike,通常是一个 3x3 的浮点型矩阵。
    • 说明:透视变换矩阵,可以通过 getPerspectiveTransform 函数计算得到。
  3. dsize (目标图像大小)‌:

    • 类型:cv2.typing.Size,是一个包含两个整数的元组或类似结构。
    • 说明:透视变换后目标图像的大小,以像素为单位。
  4. dst (目标图像, 可选)‌:

    • 类型:cv2.typing.MatLike 或 None
    • 说明:如果提供,则透视变换后的图像将存储在这个参数中。如果为 None,则函数将创建一个新的图像来存储结果。
  5. flags (插值方法, 可选)‌:

    • 类型:整数。
    • 说明:指定用于图像插值的方法,例如 cv2.INTER_LINEARcv2.INTER_NEARESTcv2.INTER_CUBIC 等。默认值是 cv2.INTER_LINEAR
  6. borderMode (边界模式, 可选)‌:

    • 类型:整数。
    • 说明:指定边界像素的外推方法,例如 cv2.BORDER_CONSTANTcv2.BORDER_REFLECT 等。当图像进行透视变换后,有些像素可能会超出目标图像的边界,此时需要使用这种方法来处理这些像素。默认值是 cv2.BORDER_CONSTANT
  7. borderValue (边界值, 可选)‌:

    • 类型:cv2.typing.Scalar,通常是一个包含三个整数的元组或类似结构,表示 BGR 颜色值。
    • 说明:当 borderMode 设置为 cv2.BORDER_CONSTANT 时,这个参数指定了边界像素的颜色值。默认值是黑色 (0, 0, 0)

返回值

getPerspectiveTransform 函数返回一个 cv2.typing.MatLike 对象,通常是一个 3x3 的浮点型矩阵,表示计算出的透视变换矩阵。这个矩阵可以用于将源点集中的点映射到目标点集中的点

warpPerspective 函数返回一个 cv2.typing.MatLike 对象,表示透视变换后的图像。 

代码演示 

import cv2
import matplotlib.pyplot as plt
import numpy as npimg  = cv2.imread('./youhua.png')
img_arr = np.array(img)
plt.imshow(img_arr)
# points1 = np.array([[200,120],[700,170],[140,400],[650,460]],dtype=np.float32)
points1 =np.array([[174,141],[622,35],[88,493],[652,550]],dtype=np.float32)
points2 = np.array([[0,0],[img.shape[1],0],[0,img.shape[0]],[img.shape[1],img.shape[0]]],dtype=np.float32)
M = cv2.getPerspectiveTransform(points1,points2)
img_Perspective = cv2.warpPerspective(img,M,(img.shape[1],img.shape[0]))
cv2.imshow('img_',img_Perspective)
cv2.imshow('image',img)
cv2.waitKey(0)
plt.show()
 

 六、图像的外接边框

 在图像处理中,轮廓的外接边界框(Bounding Box)是一个非常重要的概念,它通常用于表示轮廓的外部边界。外接边界框是一个简单的矩形,它完全包含轮廓内的所有点,并且其各边与图像的坐标轴平行。

  • 轮廓‌:轮廓是图像中物体边缘的集合,通常通过边缘检测或轮廓检测算法得到。轮廓可以是不规则的形状,准确地反映了物体的外形。
  • 外接边界框‌:外接边界框是一个完全包含轮廓的矩形,它的各边与图像的坐标轴平行。外接边界框不一定紧贴轮廓,但它一定包含轮廓内的所有点

用途‌:

    • 轮廓通常用于图像分割、物体识别、形状分析等任务,因为它们提供了物体的精确边界信息。
    • 外接边界框则更多地用于物体定位、跟踪、标注等任务,因为它们简化了物体的表示,使得处理和分析更加高效。

计算‌:

  • 轮廓的计算通常涉及复杂的边缘检测或轮廓检测算法,如Canny边缘检测、Sobel算子、findContours函数等。
  • 外接边界框的计算则相对简单,一旦得到轮廓的点集,只需要找到这些点的最小和最大x、y坐标,就可以确定外接边界框的位置和大小。

 代码演示

import cv2
import numpy as np# 读取图片
img = cv2.imread('./outline.png')img = cv2.resize(img,dsize=None,fx=0.8,fy=0.8)
# 灰度化
img_gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
# 二值化
_,img_binary = cv2.threshold(img_gray,127,255,cv2.THRESH_BINARY_INV+cv2.THRESH_OTSU)# 寻找论轮廓
c,v= cv2.findContours(img_binary,cv2.RETR_LIST,cv2.CHAIN_APPROX_SIMPLE)# 绘制轮廓
img_copy = img.copy()
img_copy = cv2.drawContours(img_copy,c,-1,(0,0,255),2)# 外接矩形
# 给所有轮廓都绘制
for cnt in c:x,y,w,h = cv2.boundingRect(cnt)# 调用外接矩形函数 获取左上角坐标(x,y) 和宽w,高hcv2.rectangle(img_copy,[x,y],  # 左上角坐标[x+w,y+h], # 右下角坐标(255,255,0), # 矩形颜色2          # 矩形线条粗细)# 调用最小面积外接矩形函数 获取包含中心点坐标 、长宽、旋转角度的三个元组ret = cv2.minAreaRect(cnt)box = np.int32(cv2.boxPoints(ret)) # 可以获取旋转矩阵的四个顶点cv2.drawContours(img_copy,[box],-1,(255,0,0),3)cv2.polylines(img_copy,[box],True,(255,255,0),1)# 调用最小外接圆的函数,获取圆心和半径(x,y),radius = cv2.minEnclosingCircle(cnt)(x,y,radius) = np.int32((x,y,radius))cv2.circle(img_copy,(x,y),radius,(0,255,255),2)cv2.imshow('img',img)
cv2.imshow('img_copy',img_copy)cv2.waitKey(0)


总结

在计算机视觉(Computer Vision, CV)中,边缘识别是一个至关重要的步骤,它对于多种图像处理和计算机视觉任务都具有重要意义。在OpenCV等计算机视觉库中,提供了多种边缘检测算法(如Sobel算子、Laplacian算子、Canny边缘检测等),这些算法可以有效地识别图像中的边缘信息,为后续的图像处理和分析任务提供有力支持。通过合理地选择和调整算法参数,我们可以获得更好的边缘检测效果,从而提高计算机视觉任务的准确性和效率。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/diannao/64270.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

梳理你的思路(从OOP到架构设计)_UML应用:业务内涵的分析抽象表达03

目录 1、举例(四):五子棋 【五子棋】 的分析步骤 2、讨论: 模型与代码 1、举例(四):五子棋 【五子棋】 的分析步骤 Step-1: 找到主角— 棋手,很容易发现核心的概念了,例如:五子棋游戏的主角是棋手(玩家…

人员离岗监测摄像机智能人员睡岗、逃岗监测 Python 语言结合 OpenCV

在安全生产领域,人员的在岗状态直接关系到生产流程的顺利进行和工作环境的安全稳定。人员离岗监测摄像机的出现,为智能人员睡岗、逃岗监测提供了高效精准的解决方案,而其中的核心技术如AI识别睡岗脱岗以及相关的算法盒子和常见的安全生产AI算…

【计算机网络】Layer4-Transport layer

目录 传输层协议How demultiplexing works in transport layer(传输层如何进行分用)分用(Demultiplexing)的定义:TCP/UDP段格式: UDPUDP的特点:UDP Format端口号Trivial File Transfer Protocol…

车牌识别OCR授权:助力国产化升级,全面提升道路监控效率

政策背景:国产化升级,推动道路监控产业转型 随着国家对信息安全的重视,国内各大公安、政企机构已进入全面升级国产化平台的实施阶段。根据最新的政策要求,公安和政府部门必须在未来三年内完成平台的国产化替换工作。这一举措不仅…

YOLOv5-7.0训练过程中出现报错Example: export GIT_PYTHON_REFRESH=quiet

出现报错: This initial message can be silenced or aggravated in the future by setting the $GIT_PYTHON_REFRESH environment variable. Use one of the following values: - quiet|q|silence|s|silent|none|n|0: for no message or exception - warn…

KALI安装操作及过程

以下是在计算机上安装 Kali Linux 的详细教程:(通常我直接使用虚拟机) 解压虚拟机安装包,直接在虚拟机中打开KALI (将内存改为4GB) 初始密码账号:kali 一、准备工作 下载 Kali Linux 镜像文件…

Linux环境安装Jenkins

Linux环境安装Jenkins Jenkins和JDK的版本 Jenkins和JDK的版本需要对应,不然无法正常启动。 Jenkins稳定版下载地址 Jenkins服务 手动使用命令启动和关闭Jenkins比较麻烦,所以可以把Jenkins设置成开机启动。 创建Jenkins.sh文件 JAVA_HOME和jenk…

ComfyUI 与 Stable Diffusion WebUI 的优缺点比较

ComfyUI与Stable Diffusion WebUI都是AI绘画领域比较知名两款产品,两者存在诸多差异,本篇就带你熟悉二者的优劣,方便自己做出决策。 界面与操作 ComfyUI:界面简洁直观,通过节点和连线的方式构建工作流,用…

2024年第十五届蓝桥杯青少组C++国赛—割点

割点 题目描述 一张棋盘由n行 m 列的网格矩阵组成,每个网格中最多放一颗棋子。当前棋盘上已有若干棋子。所有水平方向或竖直方向上相邻的棋子属于同一连通块。 现给定棋盘上所有棋子的位置,如果要使棋盘上出现两个及以上的棋子连通块,请问…

uni-app Android平台上架要求的隐私政策提示配置方法【跨端开发系列】

文章目录 前言📖一、前言二、DCloud 数据采集说明三、配置方式3.1 HBuilderX3.2.1及以上版本配置方式3.2 HBuilderX3.2.0及以下版本配置方法3.3 模板提示框3.4 无提示框 四、离线打包配置方式五、模板提示框六、二次确认提示框七、国际化八、隐私协议内容需要注意的…

《Keras3 minist 手写数字AI模型训练22秒精度达到:0.97》

《Keras3 minist 手写数字AI模型训练22秒精度达到:0.97》 一、修改源码加上如下两条代码二、源码修改如下三、Keras3 minist 训练22秒结束,训练过程截图四、Keras3 minist 源码截图 一、修改源码加上如下两条代码 import os os.environ["KERAS_BAC…

MySQL基础大全(看这一篇足够!!!)

文章目录 前言一、初识MySQL1.1 数据库基础1.2 数据库技术构成1.2.1 数据库系统1.2.2 SQL语言1.2.3 数据库访问接口 1.3 什么是MySQL 二、数据库的基本操作2.1 数据库创建和删除2.2 数据库存储引擎2.2.1 MySQL存储引擎简介2.2.2 InnoDB存储引擎2.2.3 MyISAM存储引擎2.2.4 存储引…

[论文阅读笔记]-PalmTree: 学习一个用于指令嵌入的汇编语言模型

深度学习已在众多二进制分析任务中展示了其优势,包括函数边界检测、二进制代码搜索、函数原型推理、值集分析等。现有方案忽略了复杂的指令内结构,主要依赖于控制流,其中上下文信息是嘈杂的,并且可能受到编译器优化的影响。为了解…

手搓一个极简远端git库

原文地址:手搓一个极简远端git库 – 无敌牛 欢迎参观我的个人博客:无敌牛 – 技术/著作/典籍/分享等 问题分析 公司一直用 gitlab (或者 极狐 都是一样的)作为代码管理库,但是看了一些文章说代码最小的管理只需要 g…

Linux 服务器下非root用户安装CUDA完整流程(多次踩雷经验总结)

参考博客: linux下安装cuda和cudnn(非root权限)_cuda下载安装 远程服务器 linux-CSDN博客 Linux下非root用户安装CUDA_linux下cuda-toolkit-archive-CSDN博客 非root用户安装cuda10.1,以及CUDA不同版本间切换_非root用户.run文…

分立器件---运算放大器关键参数

运算放大器 关键参数 1、供电电压:有单电源电压、双电源电压,双电源电压尽量两个电源都接。如图LM358B,供电电压可以是20V或者是40V和GND。 2、输入偏置电流IB:当运放输出直流电压为零时,运放两个输入端流进或者流出直流电流的平均值。同向输入端电流IB+与反向输入端电流…

【数据结构——查找】二叉排序树(头歌实践教学平台习题)【合集】

目录😋 任务描述 相关知识 测试说明 我的通关代码: 测试结果: 任务描述 本关任务:实现二叉排序树的基本算法。 相关知识 为了完成本关任务,你需要掌握:二叉树的创建、查找和删除算法。具体如下: (1)由…

240004基于Jamva+ssm+maven+mysql的房屋租赁系统的设计与实现

基于ssmmavenmysql的房屋租赁系统的设计与实现 1.项目描述2.运行环境3.项目截图4.源码获取 1.项目描述 该项目在原有的基础上进行了优化,包括新增了注册功能,房屋模糊查询功能,管理员和用户信息管理等功能,以及对网站界面进行了优…

聊聊Oracle自适应查询优化

成也AQO败也AQO 因为工作的原因,我们接触到的客户大部分是金融和运营商行业,这些客户有个最大的特点是追求稳定,对于使用数据库新特性持保守的态度,不会轻易尝试某些可能会导致生产系统不稳定的新特性。上线前通常都会将一些新特…