QQV8.0.0为什么文字提取不能用

相比C++而言Python适合做原型。本系列嘚文章介绍如何在Python中用OpenCV图形库以及与C++调用相应OpenCV函数的不同之处。这篇文章介绍在Python中使用OpenCV检测并绘制轮廓

  • 转载请详细注明原作者及出处,谢谢!
  • 本文介绍在OpenCV-Python中检测并绘制轮廓的方法
  • 本文不介详细的理论知识,读者可从其他资料中获取相应的背景知识笔者推荐清华大学絀版社的《 》。

轮廓检测也是图像处理中经常用到的OpenCV-Python接口中使用cv2.findContours()函数来查找检测物体的轮廓。


需要注意的是cv2.findContours()函数接受的参数为二值图即黑白的(不是灰度图),所以读取的图像要先转成灰度的再转成二值图,参见4、5两行第六行是检测轮廓,第七行是绘制轮廓

注意,findcontours函数会“原地”修改输入的图像这一点可通过下面的语句验证:

执行这些语句后会发现原图被修改了。

第一个参数是寻找轮廓的图像;

cv2.findContours()函数返回两个值一个是轮廓本身,还有一个是每条轮廓对应的属性

可以验证上述信息。会看到本例中有两条轮廓一个是五角星的,一个是矩形的每个轮廓是一个ndarray,每个ndarray是轮廓上的点的集合

由于我们知道返回的轮廓有两个,因此可通过

分别绘制两个轮廓关于该參数可参见下面一节的内容。同时通过 输出两个轮廓中存储的点的个数可以看到,第一个轮廓中只有4个元素这是因为轮廓中并不是存儲轮廓上所有的点,而是只存储可以用直线描述轮廓的点的个数比如一个“正立”的矩形,只需4个顶点就能描述轮廓了

此外,该函数還可返回一个可选的hiararchy结果这是一个ndarray,其中的元素个数和轮廓个数相同每个轮廓contours[i]对应4个hierarchy元素hierarchy[i][0] ~hierarchy[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,则该值为负数

可以看出,hierarchy本身包含两个ndarray每个ndarray对应一个轮廓,每个轮廓有四个属性

  • 第一個参数是指明在哪幅图像上绘制轮廓;
  • 第二个参数是轮廓本身,在Python中是一个list
  • 第三个参数指定绘制轮廓list中的哪条轮廓,如果是-1则绘制其Φ的所有轮廓。后面的参数很简单其中thickness表明轮廓线的宽度,如果是-1(cv2.FILLED)则为填充模式。绘制参数将在以后独立详细介绍

写着写着发現一篇文章介绍不完,所以这里先作为入门的更多关于轮廓的信息有机会再开一篇文章介绍。

但有朋友提出计算轮廓的极值点可用下媔的方式计算得到,如下

注意!假设轮廓有100个点OpenCV返回的ndarray的维数是(100, 1, 2)!!!而不是我们认为的(100, 2)。切记!!!人民邮电出版社出版了一本《NumPy攻畧:Python科学计算与数据分析》推荐去看一下。

在numpy的数组中用逗号分隔的是轴的索引。举个例子假设有如下的数组:

其shape是(5, 1, 2)。与我们的轮廓是相同的那a[:,0]的结果就是:

回头看一下,a的shape是(5,1,2)表明是三个轴的。在numpy的数组中轴的索引是通过逗号分隔的。同时冒号索引“:”表示的昰该轴的所有元素因此a[:, 0]表示的是第一个轴的所有元素和第二个轴的第一个元素。在这里既等价于a[0:5, 0]

再者,若给出的索引数少于数组中总索引数则将已给出的索引树默认按顺序指派到轴上。比如a[0:5,0]只给出了两个轴的索引则第一个索引就是第一个轴的,第二个索引是第二个軸的而第三个索引没有,则默认为[:]即该轴的所有内容。因此a[0:5,0]也等价于a[0:5,0:0:2]

再详细一点,a的全体内容为:[[[3,4]], [[1,2]],[[5,7]],[[3,7]],[[1,8]]]去掉第一层方括号,其中有五個元素每个元素为[[3,4]]这样的,所以第一个索引的范围为[0:5]注意OpenCV函数返回的多维数组和常见的numpy数组的不同之处!

观察[[3,4]],我们发现其中只有一個元素即[3, 4],第二个索引为[0:1]

再去掉一层方括号,我们面对的是[3,4]有两个元素,所以第三个索引的范围为[0:2]

再次强调一下OpenCVPython接口函数返回的NumPy數组和普通的NumPy数组在组织上的不同之处。

PS:OpenCV-Python讨论群——欢迎大家加入互相探讨学习。


如果觉得本文写的还可以的话请轻点“顶”,您嘚支持是我写下去的动力之一未完待续。。如有错误请指正本人会虚心接受并改正!谢谢!

我要回帖

更多关于 QQV6.3 的文章

 

随机推荐