霍夫变换看不懂？小啾带你串一遍：OpenCV图形检测专题 这样学最简单【Python-Open_CV系列（十一）】

文章目录

• 1. 轮廓识别与描绘 - cv2.findContours() & cv2.drawContours() 方法

• 1.1 cv2.findComtours()方法
• 1.2 cv2.drawContours() 方法
• 1.3 代码示例

• 2. 轮廓拟合

• 2.1 矩形包围框拟合 - cv2.boundingRect()
• 2.2圆形包围框拟合 - cv2.minEnclosingCircle()

• 3. 凸包 绘制
• 4. Canny边缘检测 - cv2.Canny()

• 4.1 cv2.Canny() 用法简介
• 4.2 代码示例

• - 当阈值为 10-50 时
• - 当阈值为100-200时
• - 当阈值为400-600时

• 5. 霍夫变换

• 5.1 概述
• 5.2 cv2.HoughLines() 检测直线
• 5.3 cv2.HoughLinesP() 检测线段
• 5.4 cv2.检测圆 - HoughCircles()

图形检测在计算机视觉开发中是一项非常重要的操作，算法通过对图像的检测，分析出图像中可能存在哪些形状。除此之外，除了让计算机识别轮廓之外，轮廓也需要让人看到，这就需要再分别读这些轮廓的形状进行描绘。

1. 轮廓识别与描绘 - cv2.findContours() & cv2.drawContours() 方法

在Python中OpenCV提供了findContours() 方法来判断图像的轮廓，drawContours()方法来绘制轮廓。

1.1 cv2.findComtours()方法

cv2.findComtours()方法的语法如下

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

其中

• image 即原图像
• mode 轮廓检索模式，具体参数被总结在了下表中
• method 使用的方法，具体参数也被总结在了下表中

contours是一个列表，列表的每一个元素都是由某个轮廓的像素的坐标组成的数组。

hierarchy是轮廓与轮廓之间的层次关系。

 mode取值表

method取值表

1.2 cv2.drawContours() 方法

cv2.drawContours(image, contours, contourIdx, color, thickness=None, lineType=None, hierarchy=None, maxLevel=None, offset=None)

• image 目标图像
• contours findComtours()方法得到的轮廓列表
• contourldx 轮廓中列表中，绘制轮廓的对象的索引，如果为-1则表示绘制所有
• color 绘制线条时的颜色，使用BGR格式描述
• thickness 线条粗细程度，-1表示实心
• lineType 绘制轮廓时线条的类型（可选参数）
• hierarchy findComtours()方法得到的层次关系（可选参数）
• maxLevel 绘制轮廓的层次深度，最深绘制在maxLevel层。（可选参数）
• offset 偏移量 （可选参数）

drawContours() 方法返回的是一个图像（数组）。

1.3 代码示例

以队此小鸟图操作为例（test1.jpg）

import cv2
img = cv2.imread("test1.jpg")  
# 彩色图像转为变成单通道灰度图像
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)  
# 二值化处理
t, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)  
# 检测图像中出现的所有轮廓，记录轮廓的每一个点
contours, hierarchy = cv2.findContours(binary, cv2.RETR_LIST, cv2.CHAIN_APPROX_NONE)
# 绘制所有轮廓，宽度为5，颜色为红色
cv2.drawContours(img, contours, -1, (0, 0, 255), 5)
cv2.imshow("img", img)
cv2.waitKey()
cv2.destroyAllWindows()

程序执行结果展示如下，图中所有能够识别出的轮廓被描出：

2. 轮廓拟合

轮廓拟合，即，将凹凸不平的轮廓用平整的几何图形体现出来。这里展示使用矩形和圆形拟合两种方法。

2.1 矩形包围框拟合 - cv2.boundingRect()

在Python中OpenCV提供了cv2.boundingRect()来计算轮廓的最小矩形边界的坐标 ，其语法如下

retval = cv2.boundingRect(array)

其中参数array为轮廓数组。即，cv2.findComtours()方法的执行结果中的contours中的元素。

返回值retval是一个包含着四个整数值的元组，四个值依次是左上角顶点的横坐标，左上角顶点的纵坐标，矩形的宽，矩形的高。

常常也可以写成x,y,w,h = retval = cv2.boundingRect(array)

还以这张小鸟图片（test1.jpg）为例，在上一个部分的示例中，我们找出并绘制出了图中所有的轮廓，经过调试，发现被识别出的轮廓共有94个。

我们要从数组列表中，选择出表示小鸟轮廓的位置的数组。

从上图中可以看出，小鸟的轮廓是所有轮廓中最大的。即该数组的 shape[0] 最大。即我们只用找出 shape[0]最大的即可。

import cv2
img = cv2.imread("test1.jpg") 
# 从彩色图像变成单通道灰度图像
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)  
# 将灰度图像进行二值化阈值处理
t, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
# 获取二值化图像中的轮廓极轮廓层次数据
contours, hierarchy = cv2.findContours(binary, cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)
# 找出小鸟的轮廓
n1 = 1
n2 = 0
index = 0
for arr in contours:
    if len(arr) > n1:
        n1 = len(arr)
        index = n2
    n2 += 1
print(index)
x, y, w, h = cv2.boundingRect(contours[index])
# 绘制红色矩形
cv2.rectangle(img, (x, y), (x + w, y + h), (0, 0, 255), 2)  
cv2.imshow("img", img) 
cv2.waitKey()
cv2.destroyAllWindows() 

绘制出矩形包围框效果如下：

2.2圆形包围框拟合 - cv2.minEnclosingCircle()

在Python中OpenCV提供了cv2.minEnclosingCircle()来计算轮廓的最小圆形边界的圆心和半径 ，其语法如下

center,radius = minEnclosingCircle(points)

其中

points的轮廓数组

center最小圆形包围框的圆心的横纵坐标。是元组类型。

radius是最小圆形包围款更多半径，浮点类型。

同样的算法，只是这次调用cv2.minEnclosingCircle()方法，其他不变：

import cv2
img = cv2.imread("test1.jpg")  # 读取原图
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)  # 从彩色图像变成单通道灰度图像
# 将灰度图像进行二值化阈值处理
t, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
# 获取二值化图像中的轮廓极轮廓层次数据
contours, hierarchy = cv2.findContours(binary, cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)
n1 = 1
n2 = 0
index = 0
for arr in contours:
    if len(arr) > n1:
        n1 = len(arr)
        index = n2
    n2 += 1
center, radius = cv2.minEnclosingCircle(contours[index])
# 圆心点横坐标转为近似整数
x = int(round(center[0]))
# 圆心点纵坐标转为近似整数  
y = int(round(center[1]))  
cv2.circle(img, (x, y), int(radius), (0, 0, 255), 2)
cv2.imshow("img", img)
cv2.waitKey()
cv2.destroyAllWindows()

绘制出圆形包围框效果如下（因为尺寸问题，只画出了一部分）：

3. 凸包 绘制

使用矩形框和圆形框对图形的贴合程度往往都会较差。为了提高这个贴合程度，我们可以使用“凸包”。

所谓凸包，就是最逼近轮廓的多边形。

在Python中OpenCV提供了 cv2.bonvexHull()方法来计算凸包

cv2.bonvexHull()方法语法如下：

hull = convexHull(points, clockwise=None, returnPoints=None)

其中

• points 是轮廓数组
• clockwise 是布尔类型的参数，默认为True，表示凸包中的点按顺时针排序，为False时则按逆时针 排序。
• returnPoints 是布尔类型的参数，默认为True时返回点坐标。如果为False则返回点索引。

返回值hull是凸包的点阵数组

依然以“test1.jpg为例”，为图中的小鸟绘制凸包：

import cv2
img = cv2.imread("test1.jpg")
# 转为灰度图像
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 二值化阈值处理
ret, binary = cv2.threshold(gray, 127, 225, cv2.THRESH_BINARY)
# 检测图像中出现的所有轮廓
contours, hierarchy = cv2.findContours(binary, cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)
n1 = 1
n2 = 0
index = 0
for arr in contours:
    if len(arr) > n1:
        n1 = len(arr)
        index = n2
    n2 += 1
hull = cv2.convexHull(contours[index])
cv2.polylines(img, [hull], True, (0, 0, 255), 2)
cv2.imshow("img", img)
cv2.waitKey()
cv2.destroyAllWindows()