update ch21

Author: makelove

ch18-图像梯度/box.png

@@ -22,7 +22,7 @@
 import numpy as np
 from matplotlib import pyplot as plt
 
-img = cv2.imread('box.png', 0)
+img = cv2.imread('../data/box.png', 0)
 
 # Output dtype = cv2.CV_8U
 sobelx8u = cv2.Sobel(img, cv2.CV_8U, 1, 0, ksize=5)

ch18-图像梯度/一个重要的事.py

@@ -18,7 +18,7 @@
 ret, thresh = cv2.threshold(src=imgray, thresh=127, maxval=255, type=cv2.THRESH_BINARY)#src, thresh, maxval, type
 
 cv2.imshow("thresh", thresh)
-
+#轮廓提取模式 Contour_Retrieval_Mode
 image, contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
 print("contours size: ", len(contours))
 

ch21-OpenCV中的轮廓Contours/21-findContour.py

@@ -2,6 +2,7 @@
 __author__ = 'play4fun'
 """
 create time:15-10-23 下午12:56
+图像的矩可以帮助我们计算图像的质心， 面积等。
 """
 
 import cv2
@@ -10,15 +11,50 @@
 from pprint import pprint
 
 img = cv2.imread('../data/star.png', 0)
+# img = cv2.imread('../data/box.png', 0)
+
 ret, thresh = cv2.threshold(img, 127, 255, 0)
 # ret, binary = cv2.threshold(gray,127,255,cv2.THRESH_BINARY)
 # contours,hierarchy = cv2.findContours(thresh, 1, 2)
 image, contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
 # contours, hierarchy = cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)
 
+print('contours len:', len(contours))
 
-cnt = contours[0]
+cnt = contours[0]  # 第一个
 M = cv2.moments(cnt)
 
 # print(M)
 pprint(M)  # 好看一点
+
+# 根据 这些矩的值 我们可以 计算出对象的重心
+cx = int(M['m10'] / M['m00'])
+cy = int(M['m01'] / M['m00'])
+print('重心:', cx, cy)
+
+#
+area = cv2.contourArea(cnt)
+print('面积:', area)
+
+# 第二参数可以用来指定对象的形状是闭合的 True   是打开的FALSE 一条曲线 。
+perimeter = cv2.arcLength(cnt, True)
+print('周长:', perimeter)
+
+'''
+将轮廓形状近似到另外一种由更少点组成的 廓形状 新 廓的点的数目 由我们 定的准确度来决定。
+使用的Douglas-Peucker算法 
+为了帮助理解，假设我们 在一幅图像中查找一个矩形 
+但是由于图像的 种种原因，我们不能得到一个完美的矩形 而是一个 坏形状 如下图所示 。 
+
+现在你就可以使用这个函数来近似 个形状  了。
+ 这个函数的第二个参数叫 epsilon 它是从原始 廓到近似轮廓的最大距离。它是一个准确度参数。  
+ 选择一个好的 epsilon 对于得到满意结果非常重要
+'''
+epsilon = 0.1*cv2.arcLength(cnt,True)
+print('epsilon:',epsilon)
+approx = cv2.approxPolyDP(cnt,epsilon,True)
+cv2.drawContours(image,[approx],0,(255,0,0),3)
+cv2.imshow('approxPolyDP',image)
+
+cv2.waitKey(0)
+cv2.destroyAllWindows()

ch21-OpenCV中的轮廓Contours/21-moments.py

@@ -0,0 +1,46 @@
+# -*- coding: utf-8 -*-
+# @Time    : 2017/7/12 下午7:49
+# @Author  : play4fun
+# @File    : 21.1.2 怎样绘制轮轮廓.py
+# @Software: PyCharm
+
+"""
+21.1.2 怎样绘制轮轮廓.py:
+函数 cv2.drawContours() 可以 用来绘制 轮廓。它可以根据你提供 的 界点绘制任何形状。
+第一个参数是原始图像 
+第二个参数是 轮廓 一 个 Python 列表。
+第三个参数是 轮廓的索引
+在绘制独立 轮廓是很有用 当 设置为 -1 时绘制所有轮廓 。
+接下来的参数是 轮廓的颜色和厚度等。
+"""
+
+import numpy as np
+import cv2
+
+im = cv2.imread('test.jpg')
+imgray = cv2.cvtColor(im, cv2.COLOR_BGR2GRAY)
+
+ret, thresh = cv2.threshold(imgray, 127, 255, 0)
+
+img, contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
+
+# 绘制独立 轮廓 如第四个 轮廓
+cv2.drawContours(img, contours, -1, (0, 255, 0), 3)
+# To gdraw an individual contour, say 4th contour:
+
+cv2.drawContours(image=img, contours=contours, contourIdx=3, color=(0, 255, 0), thickness=3)
+# drawContours(image, contours, contourIdx, color, thickness=None, lineType=None, hierarchy=None, maxLevel=None, offset=None)
+
+# But most of the time, below method will be useful:
+# 但是大多数时候 下 的方法更有用
+cnt = contours[4]
+cv2.drawContours(img, [cnt], 0, (0, 255, 0), 3)
+
+'''
+ 这个参数如果 设置为 cv2.CHAIN_APPROX_NONE 
+ 所有的边界点 都 会被存储。但是我们真的需要那么多点吗 ？
+ 例如 当我们找的边界是一条直线时。你需要直线上所有的点来表示直线吗 ？
+ 不是的 我们只需要1 条直线 的两个端点而已。 
+ 就是 cv2.CHAIN_APPROX_SIMPLE  做的。它会
+将 轮廓上的冗余点 去掉， 压缩 轮廓 ，从而节省内存开支。
+'''

ch21-OpenCV中的轮廓Contours/21.1.2 怎样绘制轮廓.py

@@ -0,0 +1,24 @@
+# -*- coding: utf-8 -*-
+# @Time    : 2017/7/12 下午8:47
+# @Author  : play4fun
+# @File    : 21.4 轮廓-更多函数.py
+# @Software: PyCharm
+
+"""
+21.4 轮廓-更多函数.py:
+"""
+
+import cv2
+import numpy as np
+
+'''
+Point Polygon Test
+求 图像中的一个点到一个对  廓的最短 离。如果点在 廓的外    回值为 。如果在 廓上  回值为 0。如果在 廓内   回值为正。
+下 我们以点 50 50 为例 
+
+dist = cv2.pointPolygonTest(cnt,(50,50),True)
+
+此函数的第三个参数是 measureDist。如果 置为 True 就会 算最 短 离。如果是 False 只会判断 个点与 廓之 的位置关系  回值为 +1 -1 0 
+
+ 注意 如果你不  知 具体 离 建 你将第三个参数 为 False  这样速度会提  2 到 3 倍。
+'''

ch21-OpenCV中的轮廓Contours/21.4 轮廓-更多函数.py

@@ -0,0 +1,33 @@
+# -*- coding: utf-8 -*-
+# @Time    : 2017/7/12 下午9:30
+# @Author  : play4fun
+# @File    : 21.4.3-形状匹配.py
+# @Software: PyCharm
+
+"""
+21.4.3-形状匹配.py:
+函数 cv2.matchShape() 可以帮我们比 两个形状或 廓的相似度。
+如果返回值越小， 匹配越好。它是根据 Hu 矩来计算的。文档中对不同的方法有解释。
+
+"""
+
+import cv2
+import numpy as np
+
+img1 = cv2.imread('star.jpg', 0)
+img2 = cv2.imread('star2.jpg', 0)
+
+ret, thresh = cv2.threshold(img1, 127, 255, 0)
+ret, thresh2 = cv2.threshold(img2, 127, 255, 0)
+
+contours, hierarchy = cv2.findContours(thresh, 2, 1)
+cnt1 = contours[0]
+contours, hierarchy = cv2.findContours(thresh2, 2, 1)
+cnt2 = contours[0]
+
+ret = cv2.matchShapes(cnt1, cnt2, 1, 0.0)
+print(ret)
+
+#Hu 矩是归一化中心矩的线性组合
+# 之所以 样做是为了能够获取 代表图像的某个特征的矩函数
+# 这些矩函数对某些变化如缩放 旋转，  镜像映射  （ 除了 h1） 具有不变形。

ch21-OpenCV中的轮廓Contours/21.4.3-形状匹配.py

@@ -0,0 +1,24 @@
+什么是轮廓
+
+ 轮廓可以简单 为成将连续的点  着 界  在一 的曲线 具有相同
+的 色或者灰度。 轮廓在形状分析和物体的检测和 别中很有用。
+• 为了更加准确  使用二值化图像。在寻找 轮廓之前 ，要进行阈值化处理
+或者 Canny 边界检测。
+• 查找 轮廓的函数会修改原始图像。如果你在找到 轮廓之后 想使用原始图
+   像的  你应 将原始图像存储到其他变 中。
+• 在 OpenCV 中 查找 轮廓就像在黑色背景中超白色物体。你应该记住   找的物体应 是白色而背景应该是黑色。
+
+ 我们看看如何在一个二值图像中查找 轮廓 
+函数 cv2.findContours() 有三个参数
+第一个是 入图像
+第二个是轮廓检索模式
+第三个是 轮廓近似方法。
+
+返回值有三个
+第一个是图像
+第二个 是 轮廓
+第三个是  轮廓的 层析结构。
+
+轮廓 第二个 回值 是一个 Python 列表
+  其中存储 图像中的所有 轮廓。
+  每一个 轮廓 是一个 Numpy 数组 包含对 边界点 x y 的坐标。

ch21-OpenCV中的轮廓Contours/什么是轮廓.txt

@@ -0,0 +1,63 @@
+# -*- coding: utf-8 -*-
+# @Time    : 2017/7/12 下午8:28
+# @Author  : play4fun
+# @File    : 凸包-凸性检测-边界矩形-最小外接圆-拟合.py
+# @Software: PyCharm
+
+"""
+凸包-凸性检测-边界矩形-最小外接圆-拟合.py:
+"""
+import cv2
+
+'''
+函数 cv2.convexHull() 可以用来检测一个曲线是否具有凸性缺  并能纠 正缺 。一般来  凸性曲线总是凸出来的 至少是平的。如果有地方凹 去 了就 叫做凸性缺 
+例如下图中的手。红色曲线显示了手的凸包 凸性缺   双箭头标出来了。
+'''
+# convexHull(points, hull=None, clockwise=None, returnPoints=None)
+hull = cv2.convexHull(points, hull, clockwise, returnPoints)
+
+'''
+points 我们 传入的 廓
+• hull  输出  通常不需要  
+• clockwise 方向标志。如果 置为 True  出的凸包是顺时针 方向的。 否则为逆时针 方向。
+• returnPoints   值为 True。它会 回凸包上点的坐标。如果 置 为 False 就会 回与凸包点对应的 廓上的点。
+'''
+hull = cv2.convexHull(cnt)
+
+# 凸性检测
+# 函数 cv2.isContourConvex() 可以可以用来检测一个曲线是不是凸的。它只能 回 True 或 False。没什么大不了的。
+k = cv2.isContourConvex(cnt)
+
+# 边界矩形
+'''
+直边界矩形 一个直矩形 就是没有旋 的矩形 。它不会考虑对象是否旋转。 所以边界矩形的 积不是最小的。可以使用函数 cv2.boundingRect() 查 找得到。
+ x y 为矩形左上角的坐标 w h 是矩形的宽和 。
+'''
+x, y, w, h = cv2.boundingRect(cnt)
+img = cv2.rectangle(img, (x, y), (x + w, y + h), (0, 255, 0), 2)
+
+'''
+旋 的 界矩形  个 界矩形是 积最小的 因为它考 了对 的旋 。用 到的函数为 cv2.minAreaRect()。 回的是一个 Box2D 结构 其中包含 矩形左上  点的坐标 x y 矩形的宽和  w h  以及旋  度。但是  绘制 个矩形  矩形的 4 个 点 可以  函数 cv2.boxPoints() 获 得。
+'''
+x, y, w, h = cv2.boundingRect(cnt)
+img = cv2.rectangle(img, (x, y), (x + w, y + h), (0, 255, 0), 2)
+
+# 最小外接圆
+# 函数 cv2.minEnclosingCircle() 可以帮我们找到一个对 的外切圆。它是所有能够包括对 的圆中 积最小的一个。
+(x, y), radius = cv2.minEnclosingCircle(cnt)
+center = (int(x), int(y))
+radius = int(radius)
+img = cv2.circle(img, center, radius, (0, 255, 0), 2)
+
+# 椭圆拟合
+# 使用的函数为 cv2.ellipse()  回值其实就是旋  界矩形的内切圆
+ellipse = cv2.fitEllipse(cnt)
+im = cv2.ellipse(im, ellipse, (0, 255, 0), 2)
+
+# 直线拟合
+# 我们可以根据一组点拟合出一条直线 同样我们也可以为图像中的白色点 拟合出一条直线。
+rows, cols = img.shape[:2]
+[vx, vy, x, y] = cv2.fitLine(cnt, cv2.DIST_L2, 0, 0.01, 0.01)
+lefty = int((-x * vy / vx) + y)
+righty = int(((cols - x) * vy / vx) + y)
+cv2.line(img, (cols - 1, righty), (0, lefty), (0, 255, 0), 2)

ch21-OpenCV中的轮廓Contours/凸包-凸性检测-边界矩形-最小外接圆-拟合.py

@@ -0,0 +1,46 @@
+# -*- coding: utf-8 -*-
+# @Time    : 2017/7/12 下午9:25
+# @Author  : play4fun
+# @File    : 凸缺陷.py
+# @Software: PyCharm
+
+"""
+凸缺陷.py:
+"""
+
+# 凸缺陷
+# 前 我们已经学习了 廓的凸包 对 上的任何凹   成为凸缺 。
+# OpenCV 中有一个函数 cv.convexityDefect() 可以帮助我们找到凸缺
+
+
+# hull = cv2.convexHull(cnt, returnPoints=False)
+# defects = cv2.convexityDefects(cnt, hull)
+
+
+# 注意 如果 查找凸缺  在使用函数 cv2.convexHull 找凸包时 参数 returnPoints 一定 是 False
+'''
+它会 回一个数组 其中每一 包含的值是 [ 点 终点 最 的点 到最  点的 似 离]。我们可以在一张图上显示它。我们将 点和终点用一条绿线  接 在最 点画一个圆圈   住的是 回结果的前三个值是 廓点的索引。 所以我们  到 廓点中去找它们。
+'''
+import cv2
+import numpy as np
+
+img = cv2.imread('star.jpg')
+img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
+
+ret, thresh = cv2.threshold(img_gray, 127, 255, 0)
+contours, hierarchy = cv2.findContours(thresh, 2, 1)
+
+cnt = contours[0]
+hull = cv2.convexHull(cnt, returnPoints=False)
+defects = cv2.convexityDefects(cnt, hull)
+
+for i in range(defects.shape[0]):
+    s, e, f, d = defects[i, 0]
+    start = tuple(cnt[s][0])
+    end = tuple(cnt[e][0])
+    far = tuple(cnt[f][0])
+    cv2.line(img, start, end, [0, 255, 0], 2)
+    cv2.circle(img, far, 5, [0, 0, 255], -1)
+cv2.imshow('img', img)
+cv2.waitKey(0)
+cv2.destroyAllWindows()