论坛 › SqlServer › 【python】OpenCV—findContours（4.4）

光之使者 发表于 2024-11-3 05:14:35

【python】OpenCV—findContours（4.4）

https://i-blog.csdnimg.cn/direct/4bbaee3748e949ea809c1085283527cb.png#pic_center


1、功能形貌

找出物体轮廓，根据 PCA 计算特征值和特征向量，绘制特征值和特征向量，来初步展示物体的方向
2、代码实现

导入库函数，读入图片，判断图片是否存在，显示图片
import cv2 as cv
from math import atan2, cos, sin, sqrt, pi
import numpy as np

# Load the image
img = cv.imread("1.jpeg")

# Was the image there?
if img is None:
    print("Error: File not found")
    exit(0)

cv.imshow('Input Image', img)
灰度化图片，二值化图片，为后续找轮廓做预备
# Convert image to grayscale
gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
cv.imwrite("gray.jpg", gray)

# Convert image to binary
_, bw = cv.threshold(gray, 50, 255, cv.THRESH_BINARY | cv.THRESH_OTSU)
cv.imwrite("bw.jpg", bw)
找轮廓
# Find all the contours in the thresholded image
contours, _ = cv.findContours(bw, cv.RETR_LIST, cv.CHAIN_APPROX_NONE)
遍历轮廓，剔除面积过小大概过大的轮廓，绘制轮廓，调用 getOrientation 获取物体方向并绘制，并显示绘制结果
for i, c in enumerate(contours):

    # Calculate the area of each contour
    area = cv.contourArea(c)

    # Ignore contours that are too small or too large
    if area < 1000 or 100000 < area:
      continue

    # Draw each contour only for visualisation purposes with red color
    cv.drawContours(img, contours, i, (0, 0, 255), 2)

    # Find the orientation of each shape
    getOrientation(c, img)

cv.imshow('Output Image', img)
cv.waitKey(0)
cv.destroyAllWindows()

# Save the output image to the current directory
cv.imwrite("output_img.jpg", img)
下面看看 getOrientation(c, img) 的实现
def getOrientation(pts, img):
    ##
    # Construct a buffer used by the pca analysis
    sz = len(pts)# 轮廓的关键点数, pts (446, 1, 2)
    data_pts = np.empty((sz, 2), dtype=np.float64)# (446, 2)
    for i in range(data_pts.shape):
      data_pts = pts
      data_pts = pts

    # Perform PCA analysis
    mean = np.empty((0))
    mean, eigenvectors, eigenvalues = cv.PCACompute2(data_pts, mean)

    # Store the center of the object
    cntr = (int(mean), int(mean))# (177, 349)
    ##

    ##
    # Draw the principal components
    cv.circle(img, cntr, 3, (255, 0, 255), 2)
    p1 = (cntr + 0.025 * eigenvectors * eigenvalues,
          cntr + 0.025 * eigenvectors * eigenvalues)
    p2 = (cntr - 0.025 * eigenvectors * eigenvalues,
          cntr - 0.025 * eigenvectors * eigenvalues)

   #乘以0.25是为了放大这个距离，使其在图像上更加明显。

    drawAxis(img, cntr, p1, (255, 255, 0), 1)
    drawAxis(img, cntr, p2, (0, 0, 255), 5)

    angle = atan2(eigenvectors, eigenvectors)# orientation in radians
    ##

    # Label with the rotation angle
    # label = "Rotation Angle: " + str(-int(np.rad2deg(angle)) - 90) + " degrees"
    label = str(-int(np.rad2deg(angle)) - 90) + " degrees"
    textbox = cv.rectangle(img, (cntr+15, cntr - 50), (cntr + 130, cntr - 15), (255, 255, 255), -1)
    cv.putText(img, label, (cntr+15, cntr-25), cv.FONT_HERSHEY_SIMPLEX, 0.5, (0, 0, 0), 1, cv.LINE_AA)

    return angle
其中 cv2.PCACompute2 获取特征值和特征向量
p1、p2 是计算特征向量乘以特征值，方便后续可视化物体方向，0.025 是系数，影响的是绘制时候的长度
drawAxis 绘制箭头，展示物体方向
def drawAxis(img, p_, q_, color, scale):
    p = list(p_)
    q = list(q_)

    ##
    angle = atan2(p - q, p - q)# angle in radians
    hypotenuse = sqrt((p - q) **2 + (p - q)**2)

    # Here we lengthen the arrow by a factor of scale
    q = p - scale * hypotenuse * cos(angle)
    q = p - scale * hypotenuse * sin(angle)
    cv.line(img, (int(p), int(p)), (int(q), int(q)), color, 3, cv.LINE_AA)

    # create the arrow hooks 绘制箭头的钩子
    p = q + 9 * cos(angle + pi / 4)
    p = q + 9 * sin(angle + pi / 4)
    cv.line(img, (int(p), int(p)), (int(q), int(q)), color, 3, cv.LINE_AA)

    p = q + 9 * cos(angle - pi / 4)
    p = q + 9 * sin(angle - pi / 4)
    cv.line(img, (int(p), int(p)), (int(q), int(q)), color, 3, cv.LINE_AA)
    ##
可以看到有三个 cv2.line，第一个是绘制方向的直线，第二个和第三个分别绘制箭头，偏离直线 ±45°
scale 控制箭头直线的长度
3、完备代码

import cv2 as cvfrom math import atan2, cos, sin, sqrt, piimport numpy as npdef drawAxis(img, p_, q_, color, scale):
    p = list(p_)
    q = list(q_)

    ##
    angle = atan2(p - q, p - q)# angle in radians
    hypotenuse = sqrt((p - q) **2 + (p - q)**2)

    # Here we lengthen the arrow by a factor of scale
    q = p - scale * hypotenuse * cos(angle)
    q = p - scale * hypotenuse * sin(angle)
    cv.line(img, (int(p), int(p)), (int(q), int(q)), color, 3, cv.LINE_AA)

    # create the arrow hooks 绘制箭头的钩子
    p = q + 9 * cos(angle + pi / 4)
    p = q + 9 * sin(angle + pi / 4)
    cv.line(img, (int(p), int(p)), (int(q), int(q)), color, 3, cv.LINE_AA)

    p = q + 9 * cos(angle - pi / 4)
    p = q + 9 * sin(angle - pi / 4)
    cv.line(img, (int(p), int(p)), (int(q), int(q)), color, 3, cv.LINE_AA)
    ##
def getOrientation(pts, img):
    ##
    # Construct a buffer used by the pca analysis
    sz = len(pts)# 轮廓的关键点数, pts (446, 1, 2)
    data_pts = np.empty((sz, 2), dtype=np.float64)# (446, 2)
    for i in range(data_pts.shape):
      data_pts = pts
      data_pts = pts

    # Perform PCA analysis
    mean = np.empty((0))
    mean, eigenvectors, eigenvalues = cv.PCACompute2(data_pts, mean)

    # Store the center of the object
    cntr = (int(mean), int(mean))# (177, 349)
    ##

    ##
    # Draw the principal components
    cv.circle(img, cntr, 3, (255, 0, 255), 2)
    p1 = (cntr + 0.025 * eigenvectors * eigenvalues,
          cntr + 0.025 * eigenvectors * eigenvalues)
    p2 = (cntr - 0.025 * eigenvectors * eigenvalues,
          cntr - 0.025 * eigenvectors * eigenvalues)

   #乘以0.25是为了放大这个距离，使其在图像上更加明显。

    drawAxis(img, cntr, p1, (255, 255, 0), 1)
    drawAxis(img, cntr, p2, (0, 0, 255), 5)

    angle = atan2(eigenvectors, eigenvectors)# orientation in radians
    ##

    # Label with the rotation angle
    # label = "Rotation Angle: " + str(-int(np.rad2deg(angle)) - 90) + " degrees"
    label = str(-int(np.rad2deg(angle)) - 90) + " degrees"
    textbox = cv.rectangle(img, (cntr+15, cntr - 50), (cntr + 130, cntr - 15), (255, 255, 255), -1)
    cv.putText(img, label, (cntr+15, cntr-25), cv.FONT_HERSHEY_SIMPLEX, 0.5, (0, 0, 0), 1, cv.LINE_AA)

    return angle
# Load the imageimg = cv.imread("1.jpeg")# Was the image there?if img is None:    print("Error: File not found")    exit(0)cv.imshow('Input Image', img)# Convert image to grayscale
gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
cv.imwrite("gray.jpg", gray)

# Convert image to binary
_, bw = cv.threshold(gray, 50, 255, cv.THRESH_BINARY | cv.THRESH_OTSU)
cv.imwrite("bw.jpg", bw)
# Find all the contours in the thresholded image
contours, _ = cv.findContours(bw, cv.RETR_LIST, cv.CHAIN_APPROX_NONE)
for i, c in enumerate(contours):

    # Calculate the area of each contour
    area = cv.contourArea(c)

    # Ignore contours that are too small or too large
    if area < 1000 or 100000 < area:
      continue

    # Draw each contour only for visualisation purposes with red color
    cv.drawContours(img, contours, i, (0, 0, 255), 2)

    # Find the orientation of each shape
    getOrientation(c, img)

cv.imshow('Output Image', img)
cv.waitKey(0)
cv.destroyAllWindows()

# Save the output image to the current directory
cv.imwrite("output_img.jpg", img)
4、结果展示

输入图片
https://i-blog.csdnimg.cn/direct/c063f79d5f1e4fa192a062a92e2c766b.jpeg#pic_center
灰度图
https://i-blog.csdnimg.cn/direct/52d527ba1cc54aee94a8f806af4d1f4f.jpeg#pic_center
二值化后的结果
https://i-blog.csdnimg.cn/direct/199a4ed8e2a345f7ae733df3e4bc9572.jpeg#pic_center
绘制的方向，drawAxis(img, cntr, p2, (0, 0, 255), 1) 时
https://i-blog.csdnimg.cn/direct/940ae97453e846e98663ebbcef1362dd.jpeg#pic_center
drawAxis(img, cntr, p2, (0, 0, 255), 5) 时
https://i-blog.csdnimg.cn/direct/15fb1a8fa1ad45e598e4288fde388c84.jpeg#pic_center
角度怎么分析呢？
https://i-blog.csdnimg.cn/direct/a2ac4ea0f34f4e2db208a6e6624079d0.png#pic_center
上图展示的是正方向
逆时针旋转能还原成上图情况就是负角度
https://i-blog.csdnimg.cn/direct/841e6b6843bd46daa2baf1ee536c30ca.png#pic_center
仔细核对发现这个不符合上述的规则，个人理解，由于这个和正方向是反的（还原不到上述的正方向）
逆时针旋转，还原到 x 朝左，恰好是 93°
5、涉及到的库函数

一、函数简介
cv2.PCACompute2 是 OpenCV 库中用于执行主成分分析（PCA）的函数。 PCA是一种统计方法，用于减少数据集的维度，同时生存数据中的主要变革特征。通过PCA，可以找到数据中的“主成分”，这些主成分界说了数据的主要变革方向。
二、函数参数
cv2.PCACompute2 函数接受多个参数，以下是其主要参数的表明：


[*]data_pts：一个二维NumPy数组，包罗所有数据点的坐标。每个数据点由一个包罗两个元素的元组（x, y）表现。
[*]mean：可选参数，用于指定命据点的均匀值。如果未提供，OpenCV会主动计算数据点的均匀值。
[*]eigenvectors：可选参数，用于指定特征向量。如果未提供，OpenCV会主动计算特征向量。
[*]eigenvalues：可选参数，用于指定特征值。如果未提供，OpenCV会主动计算特征值。
[*]noise_cov：可选参数，用于指定噪声的协方差矩阵。如果未提供，OpenCV会使用单元协方差矩阵。
[*]flags：可选参数，用于指定计算方式。默认值为0，表现使用OpenCV内置的计算方式。
[*]iterations：可选参数，用于指定迭代次数。默认值为0，表现使用OpenCV内置的迭代次数。
[*]eigenvalue_threshold：可选参数，用于指定特征值阈值。如果特征值小于这个阈值，它们将被忽略。默认值为0.0，表现不使用阈值。
[*]eigenvector_threshold：可选参数，用于指定特征向量阈值。如果特征向量的模小于这个阈值，它们将被忽略。默认值为0.0，表现不使用阈值。
三、函数返回值
cv2.PCACompute2 函数返回以下三个值：


[*]mean：数据点的均匀值。
[*]eigenvectors：特征向量。这些特征向量指向PCA以为信息最丰富的方向。
[*]eigenvalues：特征值。特征值表现了对应特征向量方向上的方差巨细。
四、使用示例
以下是一个使用 cv2.PCACompute2 函数的简单示例：
import numpy as np
import cv2

# 生成一组多元正态分布的数据
mean =
cov = [, ]
X = np.random.multivariate_normal(mean, cov, 500)

# 执行PCA计算
mean, eigenvectors, eigenvalues = cv2.PCACompute2(X.T)

# 输出结果
print("Mean:", mean)
print("Eigenvectors:\n", eigenvectors)
print("Eigenvalues:\n", eigenvalues)
在这个示例中，我们起首生成了一组多元正态分布的数据，然后使用 cv2.PCACompute2 函数执行PCA计算，并输出均匀值、特征向量和特征值。
五、留意事项
在使用 cv2.PCACompute2 函数之前，必要确保已经安装了OpenCV库。


[*]输入的 data_pts 参数应该是一个二维 NumPy 数组，且每个数据点应该由一个包罗两个元素的元组（x, y）表现。
[*]根据实际需求，可以选择性地提供 mean、eigenvectors、eigenvalues、noise_cov 等参数。如果未提供这些参数，OpenCV会主动计算它们。
[*]返回值中的 eigenvectors 和 eigenvalues 分别表现了数据的主成分方向和对应的特征值巨细。这些结果可以用于进一步的数据分析和处置惩罚。
通过公道使用该函数，可以有效地减少数据的维度并提取出数据中的主要变革特征。
6、参考



[*]使用OpenCV如何确定一个对象的方向
[*]https://automaticaddison.com/how-to-determine-the-orientation-of-an-object-using-opencv/

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。

查看完整版本: 【python】OpenCV—findContours（4.4）