- 综合排序
- 最热优先
- 最新优先
- 来自专栏又见苍岚
OpenCV 轮廓 —— 轮廓查找
虽然Canny.之类的边缘检测算法可以根据像素间的差异检测出轮廓边界的像素，但是它并没有将轮廓作为一个整体进行处理。下一步是要将这些边缘像素合成轮廓。 轮廓层次 在了解到底如何提取轮廓之前，有必要花一些时间来理解轮廓到底是什么以及一组轮廓之间如何互相关联。 图中有五块颜色区域（分别标记为A,B,C,D,E), 每块区域的外部边界和内部边界都各自组成轮廓。因此共有9条轮廓。每条轮廓都由一组输出列表表示（右上角图一轮廓参数）。 # 轮廓近似法 contours[, # 检测到的轮廓。 如果为 1，则函数绘制轮廓和所有嵌套轮廓。 如果为 2，则函数绘制轮廓、所有嵌套轮廓、所有嵌套到嵌套的轮廓，依此类推。仅当存在可用层次结构时才考虑此参数。
4.1K20编辑于 2022-08-09 - 来自专栏又见苍岚
OpenCV 轮廓 —— 轮廓分析
当分析一张图像的时候，针对轮廓，我们也许有很多事情要做。毕竟，所有轮廓都是或即将是我们想要进行识别或操作的。另外相关的还有多种对轮廓的处理，如描述轮廓，简化或拟合轮廓，匹配轮廓到模板，等等。 这可能包括长度或其他一些反应轮廓整体大小的量度。另一个有用的特性是轮廓矩(contour moment)可以用来概括轮廓的总形状特性，这部分我们在下一节讨论。 ], [5]], [[10], [5]], [[5], [10]] ]) cv.minAreaRect(contour) --> ((5.0, 5.000000476837158), , [0]], [[0], [5]], [[10], [5]], [[5], [10]] ]) center, radius = cv2.minEnclosingCircle(contour 示例代码 contour = np.array([ [[5, 5]], [[14, 16]], [[28, 24]], [[10, 11]], [[42, 40]
4.1K20编辑于 2022-08-09 - 来自专栏又见苍岚
OpenCV 轮廓 —— 轮廓匹配
一个跟轮廓相关的最常用到的功能是如何匹配多条轮廓。我们或许需要比较两条计算好的轮廓，或者比较一条轮廓和一个抽象模板。这两种情况都会在本文讨论。 矩 相关介绍 比较两条轮廓最简洁的方法之一是比较它们的轮廓矩。轮廓矩代表了一条轮廓、一幅图像、一组点集的某些高级特征。下面的所有讨论对轮廓、图像、点集都同样适用，简便起见，将它们统称为对象。 当处理轮廓时，结果是轮廓的长度。 将m_{10}和m_{01}相加再除以mo,能得到整个对象的平均x值和y值。 cv2.moments 计算多边形或光栅化形状的所有矩，最高可达三阶。 官方文档 函数使用 cv2.matchShapes( contour1, # 第一个轮廓或灰度图像。 contour2, # 第二轮廓或灰度图像。 OpenCV 努力提供比矩匹配更好的形状匹配算法 https://docs.opencv.org/4.5.5/d1/d85/group__shape.html#ga1d058c5d00f6292da61422af2f3f4adc
4.3K30编辑于 2022-08-09 【OpenCV 轮廓检测与轮廓筛选】
在OpenCV中，轮廓检测和轮廓筛选是图像处理中常用的技术，用于识别和分析图像中物体的形状。以下是详细的分步说明： 一、轮廓检测（Contour Detection） 1. 调用cv2.findContours()检测轮廓 该函数返回轮廓的坐标点和层级关系。 cv2.CHAIN_APPROX_NONE：保留所有轮廓点。 二、轮廓筛选（Contour Filtering） 1. 基于面积筛选 过滤掉面积过小或过大的轮廓。 blurred = cv2.GaussianBlur(gray, (5, 5), 0) kernel = np.ones((3, 3), np.uint8) cleaned = cv2.morphologyEx 层级结构处理 场景：需区分嵌套轮廓（如字母“O”的内外轮廓）。
28510编辑于 2026-01-23- 来自专栏图像处理与模式识别研究所
轮廓面积
#将灰度图片转换为二值图片 contours,hierarchy=cv2.findContours(binary,cv2.RETR_LIST,cv2.CHAIN_APPROX_SIMPLE)#计算图像轮廓 18.0 contours[1]面积= 9891.5 contours[2]面积= 6761.0 contours[3]面积= 4.0 contours[4]面积= 9571.0 contours[5] 4.0 contours[16]面积= 3263.0 contours[17]面积= 9103.5 contours[18]面积= 6578.5 contours[19]面积= 8974.5 算法：轮廓面积是估算图像轮廓部分和起始点连线构成的封闭部分的像素数量 retval=cv2.contourArea(contour[, oriented])) contour表示图像轮廓 oriented表示布尔型值，如果为True，则返回值包含正/负号，表示轮廓是顺时针还是逆时针 ，默认值是False，表示返回retval是绝对值 注意：轮廓面积的单位是像素。
62520编辑于 2022-05-28 - 来自专栏图像处理与模式识别研究所
实心轮廓
#将灰度图片转换为二值图片 contours,hierarchy=cv2.findContours(binary,cv2.RETR_LIST,cv2.CHAIN_APPROX_SIMPLE)#计算图像轮廓 temp) cnt=contours[i] mask=np.zeros(gray.shape,np.uint8) cv2.drawContours(mask,[cnt],0,255,-1)#绘制图像空心轮廓 [115 225] [115 226] [115 227]] 算法：实心轮廓是通过获取特定对象的掩模图像及其对应的像素点位置信息来获取实心轮廓，应用在图像噪声消除等领域。 函数cv2.drawContours()的轮廓宽度参数thickness设置不为-1，即获取图像的空心轮廓。
73120编辑于 2022-05-28 - 来自专栏图像处理与模式识别研究所
空心轮廓
#将灰度图片转换为二值图片 contours,hierarchy=cv2.findContours(binary,cv2.RETR_LIST,cv2.CHAIN_APPROX_SIMPLE)#计算图像轮廓 temp) cnt=contours[i] mask=np.zeros(gray.shape,np.uint8) cv2.drawContours(mask,[cnt],0,255,2)#绘制图像空心轮廓 [115 225] [115 226] [115 227]] 算法：空心轮廓是通过获取特定对象的掩模图像及其对应的像素点位置信息来获取空心轮廓，应用在图像噪声消除等领域。 函数cv2.drawContours()的轮廓宽度参数thickness设置为-1，即获取图像的实心轮廓。
66720编辑于 2022-05-28 - 来自专栏图像处理与模式识别研究所
图像轮廓
外部的轮廓为父轮廓，内部的轮廓为子轮廓，按照上述关系分类，一幅图像中所有轮廓之间就建立了父子关系。 ) image表示输入图像 mode表示图像轮廓的检索模式 method表示图像轮廓的近似方法 image=cv2.drawContours(image, contours, contourIdx, 表示绘制轮廓边缘 color表示绘制颜色 thickness表示画笔粗细，可选参数 lineType表示绘制线型，可选参数 hierarchy表示图像轮廓的层次信息 maxLevel表示图像轮廓的层次深度 offset表示偏移参数 例子： 绘制所有轮廓： cv.drawContours(img, contours, -1, (0, 255, 0), 3) 绘制单个轮廓： cv.drawContours( 3) 注意：轮廓就像从黑色背景中找到白色物体，通常情况下，预先对图像进行阈值分割或边缘检测得到二值图像。
62210编辑于 2022-05-28 - 来自专栏CodecWang
13: 轮廓
目标 了解轮廓概念 寻找并绘制轮廓 OpenCV函数：cv2.findContours(), cv2.drawContours() 教程 啥叫轮廓 轮廓是一系列相连的点组成的曲线，代表了物体的基本外形。 谈起轮廓不免想到边缘，它们确实很像。简单的说，轮廓是连续的，边缘并不全都连续（下图）。 ，一般使用cv2.RETR_TREE，表示提取所有的轮廓并建立轮廓间的层级。 )表示红色），参数5是线宽，之前在绘制图形中介绍过。 to clipboardErrorCopied 小结 轮廓特征非常有用，使用cv2.findContours()寻找轮廓，cv2.drawContours()绘制轮廓。
61810编辑于 2021-12-07 - 来自专栏图像处理与模式识别研究所
轮廓测量
for cnt in contours: hull=cv2.convexHull(cnt)#计算凸包 length=len(hull) if length>5: （轮廓）的最短距离（垂线距离），又称点和多边形的关系测试。 ，表示计算点到轮廓的距离。 如果点在轮廓的外部，返回值为负数；如果点在轮廓上，返回值为0；如果点在轮廓内部，返回值为正数。如果为False，不表示计算距离，表示点相对于轮廓的位置关系，返回值为-1、0和1。 如果点在轮廓的外部，返回值为-1；如果点在轮廓上，返回值为0；如果点在轮廓内部，返回值为1
87020编辑于 2022-05-28 - 来自专栏深度学习与计算机视觉
OpenCV 内轮廓与外轮廓说明
： CV_RETR_EXTERNAL只检测最外围轮廓，包含在外围轮廓内的内围轮廓被忽略 CV_RETR_LIST 检测所有的轮廓，包括内围、外围轮廓，但是检测到的轮廓不建立等级关系，彼此之间独立，没有等级关系 ，这就意味着这个检索模式下不存在父轮廓或内嵌轮廓，所以hierarchy向量内所有元素的第3、第4个分量都会被置为-1 CV_RETR_CCOMP 检测所有的轮廓，但所有轮廓只建立两个等级关系，外围为顶层 ，若外围内的内围轮廓还包含了其他的轮廓信息，则内围内的所有轮廓均归属于顶层 CV_RETR_TREE， 检测所有轮廓，所有轮廓建立一个等级树结构。 外层轮廓包含内层轮廓，内层轮廓还可以继续包含内嵌轮廓。 用CV_RETR_TREE效果 此时找到的所有轮廓。
1.1K20编辑于 2022-05-07 - 来自专栏从零开始学 Web 前端
轮廓属性outline
轮廓属性outline outline属性是用来设置一个或多个单独的轮廓属性的简写属性 ， 例如 。 轮廓有下面几个属性： { outline-style: solid; outline-width: 10px; outline-color: red; } 他们有一种简写形式： { outline: 10px solid red; } 轮廓的特点 轮廓不占据空间，它们被描绘于内容之上。 可以做到下图的效果： 我发现，当设置 outline-offset 为负值的时候，轮廓会出现在div的内部，如果继续扩大其负值，最终轮廓会收缩成一个“➕”加号，正好可以作为文件上传样式中间的加号。 #545454; outline-offset: -66px; border: 2px solid #545454; } outline-offset: -66px; 是关键，它表示轮廓距
56610编辑于 2022-11-28 - 来自专栏图像处理与模式识别研究所
轮廓内核处理
Lena.png') img=color.rgb2gray(img) sharpen_kernel=np.array([[0,-1,0], [-1,5, np.abs(denoised)), clip_limit=0.03) plt.figure(figsize=(5,5 )) plt.imshow(denoised_equalized, cmap='gray') plt.axis('off') plt.show() 算法：轮廓内核处理是突出显示像素值之间的差异
50730编辑于 2022-05-29 - 来自专栏CodecWang
14: 轮廓特征
学习计算轮廓特征，如面积、周长、最小外接矩形等。图片等可到文末引用处下载。 目标 计算物体的周长、面积、质心、最小外接矩形等 OpenCV函数：cv2.contourArea(), cv2.arcLength(), cv2.approxPolyDP() 等 教程 在计算轮廓特征之前 轮廓周长 perimeter = cv2.arcLength(cnt, True) # 585.7Copy to clipboardErrorCopied 参数2表示轮廓是否封闭，显然我们的轮廓是封闭的 ，比如M['m00']表示轮廓面积，与前面cv2.contourArea()计算结果是一样的。 小结 常用的轮廓特征： cv2.contourArea()算面积，cv2.arcLength()算周长，cv2.boundingRect()算外接矩。
1.2K11编辑于 2021-12-07 - 来自专栏流川疯编写程序的艺术
OpenCV 轮廓检测
注意到轮廓的存储格式为std::vector>，他说明整个轮廓是若干条轮廓按一定顺序组成的，而每个轮廓中的点也是有顺序的。 , //获取轮廓的方法（这里获取所有轮廓） CV_CHAIN_APPROX_NONE); //轮廓近似的方法（这里不近似，获取全部轮廓 //画出轮廓 //多边形估计 std::vector poly; //参数为：输入图像的2维点集，输出结果，估计精度，是否闭合 approxPolyDP(Mat(contours[2]),poly,5, [ i ][ 3 ]，分别表示后一个轮廓、前一个轮廓、父轮廓、内嵌轮廓的索引编号，如果没有对应项，该值设置为负数。 如果想获得一点与多边形封闭轮廓的信息，可以调用pointPolygonTest函数，这个函数返回值为该点距离轮廓最近边界的距离，为正值为在轮廓内部，负值为在轮廓外部，0表示在边界上。
1.3K20编辑于 2022-11-29 - 来自专栏JNing的专栏
opencv: 绘制矩形轮廓框，并记录轮廓框坐标
步骤简述 使用OpenCV绘制矩形轮廓框，一般包括如下步骤： 转换为灰度图； 进行阈值处理； 进行中值滤波； 在原始图像上绘制矩形框。 363,195 363,197] 3: [297,187 297,190 301,187 301,190] 4: [396,182 396,184 398,182 398,184] 5: /origin.jpg') # 文档路径，用于记录轮廓框坐标 txt_file = open('. pic = cv2.threshold(src=pic, thresh=200, maxval=255, type=1) # 中值滤波，去除椒盐噪声 pic = cv2.medianBlur(pic, 5) # 边缘检测，得到的轮廓列表 _1, contours, _2 = cv2.findContours(pic, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE) # 根据轮廓列表
3.8K30发布于 2018-09-28 - 来自专栏CSDN博客专家-小蓝枣的博客
OpenCV 入门教程：轮廓特征和轮廓匹配
OpenCV 入门教程：轮廓特征和轮廓匹配 导语 轮廓特征和轮廓匹配是图像处理中用于描述和比较轮廓的技术。通过提取轮廓的形状、面积、周长等特征，并进行比较和匹配，我们可以实现目标识别、形状分析等应用。 ❤️ ❤️ ❤️ ❤️ ❤️ 一、轮廓特征 轮廓特征是指从轮廓中提取的描述性信息，用于对轮廓进行定量分析。以下是一些常见的轮廓特征： 1 面积（ Area ）：表示轮廓包围的区域的面积大小。 5 最小外接圆（ Minimum Enclosing Circle ）：表示能够完全包围轮廓的最小圆。 6 中心点（ Centroid ）：表示轮廓的重心位置。 二、轮廓匹配 轮廓匹配是比较两个轮廓之间的相似度或差异度的技术。通过计算轮廓的形状、面积、周长等特征的差异，并进行比较，我们可以判断轮廓之间的相似性或不相似性。 , centroid, 5, (255, 0, 0), -1) # 绘制质心圆 # 在图像上显示轮廓特征信息 cv2.putText(contour_image, f"Area: {
6K10编辑于 2023-07-10 - 来自专栏图像处理与模式识别研究所
轮廓的矩
#将灰度图片转换为二值图片 contours,hierarchy=cv2.findContours(binary,cv2.RETR_LIST,cv2.CHAIN_APPROX_SIMPLE)#计算图像轮廓 )#提取轮廓特征 print("轮廓"+str(i)+"的面积：%d"%cv2.moments(contours[i])['m00']) cv2.waitKey() cv2.destroyAllWindows 19的面积：8974 算法：图像轮廓的矩是一个轮廓、一幅图像、一组点集的全局特征，包括几何特征，例如大小、位置、角度、形状等。 如果两个图像轮廓的矩一致，那么两个图像轮廓一致。在图像位置发生变化时，虽然图像轮廓的面积、周长等特征不变，但是更高阶的特征会随着位置的变化而发生变化。 零阶矩“m00”的含义最为直观表示图像轮廓的面积。
79520编辑于 2022-05-28 - 来自专栏Python编程 pyqt matplotlib
OpenCV 轮廓检测
在计算机视觉中，轮廓检测是另一个比较重要的任务。它包含的操作有计算矩形边界、圆形边界、多边形边界等等。 我们以下面的黑猫图为例来讲解如何利用OpenCV进行轮廓检测。 ? 此时，我们可以检测轮廓点集（图中绿色的外边界点） #2个返回值，分别是轮廓的点集(contours)和各层轮廓的索引(hierarchy) # openCV 4 , 否则注意版本差异！ 之后，我们可以循环求得图形各部分的矩形轮廓线： for c in contours: #对于每一个轮廓 #无倾斜的 边界矩形框 x, y, w, h = cv2.boundingRect 图中有些过小的轮廓也显示出来了，我们可以加点尺寸限制，将它们过滤掉： W,H = img0.shape[0], img0.shape[1] for c in contours: #对于每一个轮廓 通常我们会计算凸多边线轮廓： #凸轮廓需要先加上下面这句 hull = cv2.convexHull(c) # 计算凸轮廓多变形时需要先处理轮廓 ?
2.2K20发布于 2019-09-02 - 来自专栏CodecWang
番外篇: 轮廓层级
从图中看得出来： 轮廓0/1/2是最外层的轮廓，我们可以说它们处于同一轮廓等级：0级 轮廓2a是轮廓2的子轮廓，反过来说2是2a的父轮廓，轮廓2a算一个等级：1级 同样3是2a的子轮廓，轮廓3处于一个等级 Parent：当前轮廓的父轮廓 比如2a的父轮廓是2，Parent=2；轮廓2没有父轮廓，所以Parent=-1。 ) # 结果如下 [[[ 1 -1 -1 -1] [ 2 0 -1 -1] [ 3 1 -1 -1] [ 4 2 -1 -1] [ 5 3 -1 -1] [ 6 4 -1 -1] [ 7 5 -1 -1] [-1 6 -1 -1]]]Copy to clipboardErrorCopied 因为没有从属关系，所以轮廓0的下一条是1，1的下一条是2…… 经验之谈 ) print(hierarchy) # 结果如下 [[[ 1 -1 -1 -1] [ 2 0 -1 -1] [ 4 1 3 -1] [-1 -1 -1 2] [ 6 2 5
1.2K10编辑于 2021-12-07
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号