IT评测·应用市场-qidao123.com技术社区

标题: 【python】OpenCV—findContours（4.4） [打印本页]

---

作者: 光之使者    时间: 2024-11-3 05:14
标题: 【python】OpenCV—findContours（4.4）

  
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

1. import cv2 as cv
2. from math import atan2, cos, sin, sqrt, pi
3. import numpy as np
5. # Load the image
6. img = cv.imread("1.jpeg")
8. # Was the image there?
9. if img is None:
10.     print("Error: File not found")
11.     exit(0)
13. cv.imshow('Input Image', img)

复制代码

灰度化图片，二值化图片，为后续找轮廓做预备

1. # Convert image to grayscale
2. gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
3. cv.imwrite("gray.jpg", gray)
5. # Convert image to binary
6. _, bw = cv.threshold(gray, 50, 255, cv.THRESH_BINARY | cv.THRESH_OTSU)
7. cv.imwrite("bw.jpg", bw)

复制代码

找轮廓

1. # Find all the contours in the thresholded image
2. contours, _ = cv.findContours(bw, cv.RETR_LIST, cv.CHAIN_APPROX_NONE)

复制代码

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

1. for i, c in enumerate(contours):
3.     # Calculate the area of each contour
4.     area = cv.contourArea(c)
6.     # Ignore contours that are too small or too large
7.     if area < 1000 or 100000 < area:
8.         continue
10.     # Draw each contour only for visualisation purposes with red color
11.     cv.drawContours(img, contours, i, (0, 0, 255), 2)
13.     # Find the orientation of each shape
14.     getOrientation(c, img)
16. cv.imshow('Output Image', img)
17. cv.waitKey(0)
18. cv.destroyAllWindows()
20. # Save the output image to the current directory
21. cv.imwrite("output_img.jpg", img)

复制代码

下面看看 getOrientation(c, img) 的实现

1. def getOrientation(pts, img):
2.     ## [pca]
3.     # Construct a buffer used by the pca analysis
4.     sz = len(pts)  # 轮廓的关键点数, pts (446, 1, 2)
5.     data_pts = np.empty((sz, 2), dtype=np.float64)  # (446, 2)
6.     for i in range(data_pts.shape[0]):
7.         data_pts[i, 0] = pts[i, 0, 0]
8.         data_pts[i, 1] = pts[i, 0, 1]
10.     # Perform PCA analysis
11.     mean = np.empty((0))
12.     mean, eigenvectors, eigenvalues = cv.PCACompute2(data_pts, mean)
14.     # Store the center of the object
15.     cntr = (int(mean[0, 0]), int(mean[0, 1]))  # (177, 349)
16.     ## [pca]
18.     ## [visualization]
19.     # Draw the principal components
20.     cv.circle(img, cntr, 3, (255, 0, 255), 2)
21.     p1 = (cntr[0] + 0.025 * eigenvectors[0, 0] * eigenvalues[0, 0],
22.           cntr[1] + 0.025 * eigenvectors[0, 1] * eigenvalues[0, 0])
23.     p2 = (cntr[0] - 0.025 * eigenvectors[1, 0] * eigenvalues[1, 0],
24.           cntr[1] - 0.025 * eigenvectors[1, 1] * eigenvalues[1, 0])
26.    #  乘以0.25是为了放大这个距离，使其在图像上更加明显。
28.     drawAxis(img, cntr, p1, (255, 255, 0), 1)
29.     drawAxis(img, cntr, p2, (0, 0, 255), 5)
31.     angle = atan2(eigenvectors[0, 1], eigenvectors[0, 0])  # orientation in radians
32.     ## [visualization]
34.     # Label with the rotation angle
35.     # label = "  Rotation Angle: " + str(-int(np.rad2deg(angle)) - 90) + " degrees"
36.     label = str(-int(np.rad2deg(angle)) - 90) + " degrees"
37.     textbox = cv.rectangle(img, (cntr[0]+15, cntr[1] - 50), (cntr[0] + 130, cntr[1] - 15), (255, 255, 255), -1)
38.     cv.putText(img, label, (cntr[0]+15, cntr[1]-25), cv.FONT_HERSHEY_SIMPLEX, 0.5, (0, 0, 0), 1, cv.LINE_AA)
40.     return angle

复制代码

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

1. def drawAxis(img, p_, q_, color, scale):
2.     p = list(p_)
3.     q = list(q_)
5.     ## [visualization1]
6.     angle = atan2(p[1] - q[1], p[0] - q[0])  # angle in radians
7.     hypotenuse = sqrt((p[1] - q[1]) **2 + (p[0] - q[0])**2)
9.     # Here we lengthen the arrow by a factor of scale
10.     q[0] = p[0] - scale * hypotenuse * cos(angle)
11.     q[1] = p[1] - scale * hypotenuse * sin(angle)
12.     cv.line(img, (int(p[0]), int(p[1])), (int(q[0]), int(q[1])), color, 3, cv.LINE_AA)
14.     # create the arrow hooks 绘制箭头的钩子
15.     p[0] = q[0] + 9 * cos(angle + pi / 4)
16.     p[1] = q[1] + 9 * sin(angle + pi / 4)
17.     cv.line(img, (int(p[0]), int(p[1])), (int(q[0]), int(q[1])), color, 3, cv.LINE_AA)
19.     p[0] = q[0] + 9 * cos(angle - pi / 4)
20.     p[1] = q[1] + 9 * sin(angle - pi / 4)
21.     cv.line(img, (int(p[0]), int(p[1])), (int(q[0]), int(q[1])), color, 3, cv.LINE_AA)
22.     ## [visualization1]

复制代码

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

1. import cv2 as cvfrom math import atan2, cos, sin, sqrt, piimport numpy as npdef drawAxis(img, p_, q_, color, scale):
2.     p = list(p_)
3.     q = list(q_)
5.     ## [visualization1]
6.     angle = atan2(p[1] - q[1], p[0] - q[0])  # angle in radians
7.     hypotenuse = sqrt((p[1] - q[1]) **2 + (p[0] - q[0])**2)
9.     # Here we lengthen the arrow by a factor of scale
10.     q[0] = p[0] - scale * hypotenuse * cos(angle)
11.     q[1] = p[1] - scale * hypotenuse * sin(angle)
12.     cv.line(img, (int(p[0]), int(p[1])), (int(q[0]), int(q[1])), color, 3, cv.LINE_AA)
14.     # create the arrow hooks 绘制箭头的钩子
15.     p[0] = q[0] + 9 * cos(angle + pi / 4)
16.     p[1] = q[1] + 9 * sin(angle + pi / 4)
17.     cv.line(img, (int(p[0]), int(p[1])), (int(q[0]), int(q[1])), color, 3, cv.LINE_AA)
19.     p[0] = q[0] + 9 * cos(angle - pi / 4)
20.     p[1] = q[1] + 9 * sin(angle - pi / 4)
21.     cv.line(img, (int(p[0]), int(p[1])), (int(q[0]), int(q[1])), color, 3, cv.LINE_AA)
22.     ## [visualization1]
23. def getOrientation(pts, img):
24.     ## [pca]
25.     # Construct a buffer used by the pca analysis
26.     sz = len(pts)  # 轮廓的关键点数, pts (446, 1, 2)
27.     data_pts = np.empty((sz, 2), dtype=np.float64)  # (446, 2)
28.     for i in range(data_pts.shape[0]):
29.         data_pts[i, 0] = pts[i, 0, 0]
30.         data_pts[i, 1] = pts[i, 0, 1]
32.     # Perform PCA analysis
33.     mean = np.empty((0))
34.     mean, eigenvectors, eigenvalues = cv.PCACompute2(data_pts, mean)
36.     # Store the center of the object
37.     cntr = (int(mean[0, 0]), int(mean[0, 1]))  # (177, 349)
38.     ## [pca]
40.     ## [visualization]
41.     # Draw the principal components
42.     cv.circle(img, cntr, 3, (255, 0, 255), 2)
43.     p1 = (cntr[0] + 0.025 * eigenvectors[0, 0] * eigenvalues[0, 0],
44.           cntr[1] + 0.025 * eigenvectors[0, 1] * eigenvalues[0, 0])
45.     p2 = (cntr[0] - 0.025 * eigenvectors[1, 0] * eigenvalues[1, 0],
46.           cntr[1] - 0.025 * eigenvectors[1, 1] * eigenvalues[1, 0])
48.    #  乘以0.25是为了放大这个距离，使其在图像上更加明显。
50.     drawAxis(img, cntr, p1, (255, 255, 0), 1)
51.     drawAxis(img, cntr, p2, (0, 0, 255), 5)
53.     angle = atan2(eigenvectors[0, 1], eigenvectors[0, 0])  # orientation in radians
54.     ## [visualization]
56.     # Label with the rotation angle
57.     # label = "  Rotation Angle: " + str(-int(np.rad2deg(angle)) - 90) + " degrees"
58.     label = str(-int(np.rad2deg(angle)) - 90) + " degrees"
59.     textbox = cv.rectangle(img, (cntr[0]+15, cntr[1] - 50), (cntr[0] + 130, cntr[1] - 15), (255, 255, 255), -1)
60.     cv.putText(img, label, (cntr[0]+15, cntr[1]-25), cv.FONT_HERSHEY_SIMPLEX, 0.5, (0, 0, 0), 1, cv.LINE_AA)
62.     return angle
63. # 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
64. gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
65. cv.imwrite("gray.jpg", gray)
67. # Convert image to binary
68. _, bw = cv.threshold(gray, 50, 255, cv.THRESH_BINARY | cv.THRESH_OTSU)
69. cv.imwrite("bw.jpg", bw)
70. # Find all the contours in the thresholded image
71. contours, _ = cv.findContours(bw, cv.RETR_LIST, cv.CHAIN_APPROX_NONE)
72. for i, c in enumerate(contours):
74.     # Calculate the area of each contour
75.     area = cv.contourArea(c)
77.     # Ignore contours that are too small or too large
78.     if area < 1000 or 100000 < area:
79.         continue
81.     # Draw each contour only for visualisation purposes with red color
82.     cv.drawContours(img, contours, i, (0, 0, 255), 2)
84.     # Find the orientation of each shape
85.     getOrientation(c, img)
87. cv.imshow('Output Image', img)
88. cv.waitKey(0)
89. cv.destroyAllWindows()
91. # Save the output image to the current directory
92. cv.imwrite("output_img.jpg", img)

复制代码

4、结果展示

输入图片

灰度图

二值化后的结果

绘制的方向，drawAxis(img, cntr, p2, (0, 0, 255), 1) 时

drawAxis(img, cntr, p2, (0, 0, 255), 5) 时

角度怎么分析呢？

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

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：

1. import numpy as np  
2. import cv2  
3.   
4. # 生成一组多元正态分布的数据  
5. mean = [20, 20]  
6. cov = [[5, 5], [5, 25]]  
7. X = np.random.multivariate_normal(mean, cov, 500)  
8.   
9. # 执行PCA计算  
10. mean, eigenvectors, eigenvalues = cv2.PCACompute2(X.T)  
11.   
12. # 输出结果  
13. print("Mean:", mean)  
14. print("Eigenvectors:\n", eigenvectors)  
15. print("Eigenvalues:\n", eigenvalues)

复制代码

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。

---

欢迎光临 IT评测·应用市场-qidao123.com技术社区 (https://dis.qidao123.com/)

Powered by Discuz! X3.4