文章目錄

圖像形態變換

圖像的梯度（Image Gradients）

本篇續接OpenCV圖像處理部分。到現在爲止已經2個多月了，才寫到opencv教程的第3部分，任重道遠。

圖像形態變換

圖像的形態轉換主要是基於二值化圖像，進行圖像的形狀操作。形態變換操作需要2個輸入；一個是二值化圖像，另外一個被稱爲“結構化元素”；主要的形態轉換操作是複試與膨脹，其它形態轉換操作都基於此兩者操作。

圖像的腐蝕

對輸入圖像用特定結構元素進行腐蝕操作，表現出的現象是圖像被縮小；此處的縮小不是指圖像的尺寸變小，而是圖像中的信息部分（主要是亮度較高的像素）縮小。
腐蝕算法：用結構元素對應的矩陣，例如3X3，掃描圖像的每一個像素，用結構元素與其覆蓋的圖像做“與”運算，如果都爲1，結構圖像的該像素爲1，否則爲0；結果：使圖像減小一圈。

函數原型：dst = cv.erode( src, kernel[, dst[, anchor[, iterations[, borderType[, borderValue]]]]] )
src：輸入始圖像，通道數不限，depth必須是CV_8U，CV_16U，CV_16S，CV_32F或CV_64F
dst：輸出圖像：size與type與原始圖像相同
kernel：用於腐蝕操作的結構元素，如果取值爲Mat(),那麼默認使用一個3 x 3 的方形結構元素，可以使用getStructuringElement來創建結構元素
anchor：卷積核的基準點(anchor)，其默認值爲(-1,-1)表示位於kernel中心位置。基準點即選取的kernel中心位置與進行處理像素重合的點。
iterations：腐蝕操作被遞歸執行的次數
borderType：圖像邊界模式
borderValue：邊界值，默認值是BORDER_DEFAULT

import cv2 as cv
import numpy as np
img = cv.imread('j.png',0)
kernel = np.ones((5,5),np.uint8)
erosion = cv.erode(img,kernel,iterations = 1)

圖像的膨脹

對輸入圖像用特定結構元素進行膨脹操作，表現出的現象是圖像被放大；此處的放大不是指圖像的尺寸變大，而是圖像中的信息部分（主要是亮度較高的像素）放大。
膨脹算法：用結構元素對應的矩陣，例如3X3，掃描圖像的每一個像素，用結構元素與其覆蓋的圖像做“或”運算，如果都爲0，結構圖像的該像素爲0，否則爲1；結果：使圖像放大一圈。

函數原型：dst = cv.dilate( src, kernel[, dst[, anchor[, iterations[, borderType[, borderValue]]]]] )
src：輸入始圖像，通道數不限，depth必須是CV_8U，CV_16U，CV_16S，CV_32F或CV_64F
dst：輸出圖像：size與type與原始圖像相同
kernel：用於腐蝕操作的結構元素，如果取值爲Mat(),那麼默認使用一個3 x 3 的方形結構元素，可以使用getStructuringElement來創建結構元素
anchor：卷積核的基準點(anchor)，其默認值爲(-1,-1)表示位於kernel中心位置。基準點即選取的kernel中心位置與進行處理像素重合的點。
iterations：腐蝕操作被遞歸執行的次數
borderType：圖像邊界模式
borderValue：邊界值，默認值是BORDER_DEFAULT

import cv2 as cv
import numpy as np
img = cv.imread('j.png',0)
kernel = np.ones((5,5),np.uint8)
dilation = cv.dilate(img,kernel,iterations = 1)

圖像的開操作

圖像的開操作是指，先腐蝕後膨脹，適合去除圖像有效信息外的白噪點

函數原型：dst = cv.morphologyEx(src, op, kernel[, dst[, anchor[, iterations[, borderType[, borderValue]]]]])
src：輸入始圖像，通道數不限，depth必須是CV_8U，CV_16U，CV_16S，CV_32F或CV_64F
dst：輸出圖像：size與type與原始圖像相同
op：形態學運算的類型，主要有
cv.MORPH_OPEN：開運算
cv.MORPH_CLOSE ：閉運算
cv.MORPH_GRADIENT：形態學梯度
cv.MORPH_TOPHAT：頂帽運算
cv.MORPH_BLACKHAT：黑帽運算
cv.MORPH_ERODE ：腐蝕運算
cv.MORPH_DILATE ：膨脹運算
cv.MORPH_HITMISS: 擊中擊不中運算(只支持CV_8UC1類型的二值圖像)
kernel：用於腐蝕操作的結構元素，如果取值爲Mat(),那麼默認使用一個3 x 3 的方形結構元素，可以使用getStructuringElement來創建結構元素
anchor：卷積核的基準點(anchor)，其默認值爲(-1,-1)表示位於kernel中心位置。基準點即選取的kernel中心位置與進行處理像素重合的點。
iterations：腐蝕操作被遞歸執行的次數
borderType：圖像邊界模式
borderValue：邊界值，默認值是BORDER_DEFAULT

import cv2 as cv
import numpy as np
img = cv.imread('j.png',0)
kernel = np.ones((5,5),np.uint8)
opening = cv.morphologyEx(img, cv.MORPH_OPEN, kernel)

圖像的閉操作

圖像的閉操作是指，先膨脹後腐蝕，適合去除圖像有效信息內的黑噪點
函數與開操作函數相同，只是op參數不同，取值爲：cv.MORPH_CLOSE

import cv2 as cv
import numpy as np
img = cv.imread('j.png',0)
kernel = np.ones((5,5),np.uint8)
closing = cv.morphologyEx(img, cv.MORPH_CLOSE, kernel)

圖像的形態學梯度

形態學梯度：膨脹圖減去腐蝕圖，dilation - erosion，這樣會得到物體的輪廓
函數與開操作函數相同，只是op參數不同，取值爲：cv.MORPH_GRADIENT

import cv2 as cv
import numpy as np
img = cv.imread('j.png',0)
kernel = np.ones((5,5),np.uint8)
gradient = cv.morphologyEx(img, cv.MORPH_GRADIENT, kernel)

圖像的頂帽操作

頂帽(tophat)：原圖減去開操作後的圖：src - open_dst
因爲開操作帶來的結果是放大了裂縫或者局部低亮度的區域，因此，從原圖中減去開運算後的圖，得到的效果圖突出了比原圖輪廓周圍的區域更明亮的區域，且這一操作和選擇的核的大小相關。
頂帽運算往往用來分離比鄰近點亮一些的斑塊。當一幅圖像具有大幅的背景的時候，而微小物品比較有規律的情況下，可以使用頂帽運算進行背景提取。
函數與開操作函數相同，只是op參數不同，取值爲：cv.MORPH_TOPHAT

import cv2 as cv
import numpy as np
img = cv.imread('j.png',0)
kernel = np.ones((5,5),np.uint8)
tophat = cv.morphologyEx(img, cv.MORPH_TOPHAT, kernel)

圖像的黑帽操作

黑帽(blackhat)：閉運算圖像與原圖像差值：close_dst - src
黑帽運算後的效果圖突出了比原圖輪廓周圍的區域更暗的區域，且這一操作和選擇的核的大小相關。所以，黑帽運算用來分離比鄰近點暗一些的斑塊，顯示出圖像的輪廓。
函數與開操作函數相同，只是op參數不同，取值爲：cv.MORPH_BLACKHAT

import cv2 as cv
import numpy as np
img = cv.imread('j.png',0)
kernel = np.ones((5,5),np.uint8)
blackhat = cv.morphologyEx(img, cv.MORPH_BLACKHAT, kernel)

圖像的梯度（Image Gradients）

opencv提供了三種梯度過濾器或高通過濾器Sobel、Scharr、Laplacian.（高通濾波器high-pass fliter(HPF) 尋找圖片的邊界）。
圖像上的高通濾波器怎麼理解，暫時不得而知，

Sobel and Scharr （索貝爾）算子

Sobel operators是高斯模糊操作加上differentian(變異/分化）；所以它對噪音更有抵抗；可以指明衍生物（derivatives）的方向，垂直或者是水平的（分別對應是yorder、xorder)。
在參數ksize中指明kernel 的大小。其中ksize=-1時，會使用3x3的Charr filter(在這個情況下，結果會更好）
Sobel算子是一階導數的邊緣檢測算子，在算法實現過程中，通過3×3模板作爲核與圖像中的每個像素點做卷積和運算，然後選取合適的閾值以提取邊緣。
採用3×3鄰域可以避免在像素之間內插點上計算梯度。Sobel算子也是一種梯度幅值。
Sobel算子算法的優點是計算簡單，速度快。但是由於只採用了2個方向的模板，只能檢測水平和垂直方向的邊緣，因此這種算法對於紋理較爲複雜的圖像，其邊緣檢測效果就不是很理想。
該算法認爲：凡灰度新值大於或等於閾值的像素點時都是邊緣點。這種判斷欠合理，會造成邊緣點的誤判，因爲許多噪聲點的灰度值也很大。
scharr算子與Sobel的不同點是在平滑部分，這裏所用的平滑算子是1/16∗[3,10,3]，相比於1/4∗[1,2,1]，中心元素佔的權重更重，這可能是相對於圖像這種隨機性較強的信號，鄰域相關性不大，所以鄰域平滑應該使用相對較小的標準差的高斯函數，也就是更瘦高的模板

函數原型：dst = cv.Sobel(src, ddepth, dx, dy[, dst[, ksize[, scale[, delta[, borderType]]]]])
src：輸入圖像
dst：輸出圖像size大小與channel數量與原始圖像相同
ddepth：輸出圖像的像素深度，組合如下

輸入圖像	輸出圖像
CV_8U	-1/CV_16S/CV_32F/CV_64F
CV_16U、CV_16S	-1/CV_32F/CV_64F
CV_32F	-1/CV_32F/CV_64F
CV_64F	-1/CV_64F

dx： x 方向上的差分階數
dy： y 方向上的差分階數
ksize：Sobel kernel大小，必須是：1, 3, 5, or 7。
scale：可選的導數比例因子，默認未使用
delta：可選的delta值，輸出結果前疊加到結果上
borderType：圖像邊界模式

函數原型：dst = cv.Scharr( src, ddepth, dx, dy[, dst[, scale[, delta[, borderType]]]] )
src：輸入圖像
dst：輸出圖像size大小與channel數量與原始圖像相同
ddepth：輸出圖像的像素深度。
dx： x 方向上的差分階數
dy： y 方向上的差分階數
ksize：Sobel kernel大小，必須是：1, 3, 5, or 7。
scale：可選的導數比例因子，默認未使用
delta：可選的delta值，輸出結果前疊加到結果上
borderType：圖像邊界模式

import numpy as np
import cv2 as cv
from matplotlib import pyplot as plt
img = cv.imread('dave.jpg',0)
sobelx = cv.Sobel(img,cv.CV_64F,1,0,ksize=5)
sobely = cv.Sobel(img,cv.CV_64F,0,1,ksize=5)
plt.subplot(2,2,1),plt.imshow(img,cmap = 'gray')
plt.title('Original'), plt.xticks([]), plt.yticks([])
plt.subplot(2,2,3),plt.imshow(sobelx,cmap = 'gray')
plt.title('Sobel X'), plt.xticks([]), plt.yticks([])
plt.subplot(2,2,4),plt.imshow(sobely,cmap = 'gray')
plt.title('Sobel Y'), plt.xticks([]), plt.yticks([])
plt.show()

原圖見拉普拉斯算子原圖

注意：

當輸出的值爲cv2.CV_8U或者是np.uint8時；Black- to -White transition 是positive slope（正數）；反過來White- to - Black transition取negative slope(負數）。所以當輸出時轉化數據爲unit8時，所有的negative slope 都會被置爲0，這種情況都會丟失了一部分的邊緣。
更好的處理方式是，讓輸出的數據類型保存到更高的形式，例如cv2.CV_16S,cv2.CV_64F等。取它的絕對值，然後再把值轉化回cv2.CV_8U。

import numpy as np
import cv2 as cv
from matplotlib import pyplot as plt
img = cv.imread('box.png',0)
# Output dtype = cv.CV_8U
sobelx8u = cv.Sobel(img,cv.CV_8U,1,0,ksize=5)
# Output dtype = cv.CV_64F. Then take its absolute and convert to cv.CV_8U
sobelx64f = cv.Sobel(img,cv.CV_64F,1,0,ksize=5)
abs_sobel64f = np.absolute(sobelx64f)
sobel_8u = np.uint8(abs_sobel64f)
plt.subplot(1,3,1),plt.imshow(img,cmap = 'gray')
plt.title('Original'), plt.xticks([]), plt.yticks([])
plt.subplot(1,3,2),plt.imshow(sobelx8u,cmap = 'gray')
plt.title('Sobel CV_8U'), plt.xticks([]), plt.yticks([])
plt.subplot(1,3,3),plt.imshow(sobel_8u,cmap = 'gray')
plt.title('Sobel abs(CV_64F)'), plt.xticks([]), plt.yticks([])
plt.show()

Laplacian （拉普拉斯）算子

Laplacian 算子是n維歐幾里德空間中的一個二階微分算子，定義爲梯度grad的散度div。
這裏不甚明白，還需要多加學習與練習，先看效果吧

函數原型：dst=cv.Laplacian( src, ddepth[, dst[, ksize[, scale[, delta[, borderType]]]]] )
src：輸入圖像
dst：輸出圖像size大小與channel數量與原始圖像相同
ddepth：期望輸出圖像的像素深度
dx： x 方向上的差分階數
dy： y 方向上的差分階數
ksize：Sobel kernel大小，必須是：1, 3, 5, or 7。
scale：可選的導數比例因子，默認未使用
delta：可選的delta值，輸出結果前疊加到結果上
borderType：圖像邊界模式

import numpy as np
import cv2 as cv
from matplotlib import pyplot as plt
img = cv.imread('dave.jpg',0)
laplacian = cv.Laplacian(img,cv.CV_64F)
plt.subplot(2,2,1),plt.imshow(img,cmap = 'gray')
plt.title('Original'), plt.xticks([]), plt.yticks([])
plt.subplot(2,2,2),plt.imshow(laplacian,cmap = 'gray')
plt.title('Laplacian'), plt.xticks([]), plt.yticks([])
plt.show()

canny邊緣檢測

應用高斯濾波來平滑圖像，目的是去除噪聲
用一階偏導有限差分計算梯度幅值和方向,找尋圖像的強度梯度（intensity gradients）
應用非最大抑制（non-maximum suppression）技術來消除邊誤檢（本來不是但檢測出來是）
應用雙閾值的方法來決定可能的（潛在的）邊界
利用滯後技術來跟蹤邊界
複雜的算法原理我描述不出來，只能上代碼看效果

函數原型：edges=cv.Canny( image, threshold1, threshold2[, edges[, apertureSize[, L2gradient]]] )
image：8-bit input image.
edges：單通道存儲邊緣的輸出圖像，size大小與輸入圖像相同
threshold1：滯後處理的第一個閾值，（低閾值）
threshold2：滯後處理的第一個閾值，（高閾值）
apertureSize：算子內核大小（濾波計算矩陣的大小默認爲3）可以是1、3、5、7
L2gradient ：標誌位，用於指示是否使用更準確的梯度計算方法，參數爲true時會增加計算量

import numpy as np
import cv2 as cv
from matplotlib import pyplot as plt
img = cv.imread('messi5.jpg',0)
edges = cv.Canny(img,100,200)
plt.subplot(121),plt.imshow(img,cmap = 'gray')
plt.title('Original Image'), plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(edges,cmap = 'gray')
plt.title('Edge Image'), plt.xticks([]), plt.yticks([])
plt.show()

圖像金字塔（Image Pyramids）

圖像金字塔有兩種：高斯金字塔、拉普拉斯金字塔

高斯金字塔：向下降採樣，圖像每級縮小一半。金字塔從i層生成第i+1層（i從0開始），我們要先用高斯覈對Gi進行卷積，然後，刪除所有偶數行和偶數列。這樣，新得到的圖像面積會變爲源圖像的四分之一。循環上述過程，即可產生整個金字塔。
拉普拉斯金字塔：從頂層圖像中向上採樣重建圖像，每一級圖像放大一倍。圖像首先在每個維度上擴大爲原來的兩倍，新增的行以0填充，然後給指定的濾波器進行卷積（實際上是一個在每一維上都擴大爲2倍的過濾器）去估計“丟失”像素的近似值。得到後的圖像與原來的圖像相比較會發覺比較模糊，丟失了一些信息。爲了恢復出原來的圖像，我們需要獲得這些丟失的信息，這些信息就構成了拉普拉斯金字塔。

高斯金字塔函數說明：

函數原型：dst = cv.pyrUp( src[, dst[, dstsize[, borderType]]] )
src：輸入圖圖像
dst：輸出圖像，圖像的size爲dstsize指定，type保持與src相同
dstsize：輸出圖像大小
borderType：邊界模式，僅支持BORDER_DEFAULT

img = cv.imread('messi5.jpg')
lower_reso1 = cv.pyrDown(img)
lower_reso2 = cv.pyrDown(lower_reso1)
lower_reso3 = cv.pyrDown(lower_reso2)

拉普拉斯金字塔函數說明：

函數原型：dst = cv.pyrDown( src[, dst[, dstsize[, borderType]]] )
src：輸入圖圖像
dst：輸出圖像，圖像的size爲dstsize指定，type保持與src相同
dstsize：輸出圖像大小
borderType：邊界模式，BORDER_CONSTANT不支持

img = cv.imread('messi5.jpg')
lower_reso = cv.pyrDown(higher_reso)
higher_reso2 = cv.pyrUp(lower_reso)

圖像的輪廓（Contours in opencv）

如何找到圖像輪廓

cv.findContours()函數可以查找圖像的輪廓

函數原型：image, contours, hierarchy = cv.findContours( image, mode, method[, contours[, hierarchy[, offset]]] )
image：單通道二值圖像，一般是經過Canny、拉普拉斯等邊緣檢測算子處理過的二值圖像
contours：檢測到的輪廓集，每一個輪廓由一個vector保存的連續點組成。定義爲“vector<vector> contours”，是一個向量，並且是一個雙重向量，向量內每個元素保存了一組由連續的Point點構成的點的集合的向量，每一組Point點集就是一個輪廓；有多少輪廓，向量contours就有多少元素
hierarchy：是一個向量，向量內每個元素保存了一個包含4個int整型的數組。向量hiararchy內的元素和輪廓向量contours內的元素是一一對應的，向量的容量相同。hierarchy向量內每一個元素的4個int型變量——hierarchy[i][0] ~hierarchy[i][3]，分別表示第 i個輪廓的後一個輪廓、前一個輪廓、父輪廓、內嵌輪廓的索引編號。如果當前輪廓沒有對應的後一個
輪廓、前一個輪廓、父輪廓或內嵌輪廓的話，則hierarchy[i][0] ~hierarchy[i][3]的相應位被設置爲默認值-1
mode：輪廓的檢索模式，
CV_RETR_EXTERNAL：只檢測最外圍輪廓，包含在外圍輪廓內的內圍輪廓被忽略
CV_RETR_LIST：檢測所有的輪廓，包括內圍、外圍輪廓，但是檢測到的輪廓不建立等級關係，彼此之間獨立，沒有等級關係，這就意味着這個檢索模式下不存在父輪廓或內嵌輪廓，所以hierarchy向量內所有元素的第3、第4個分量都會被置爲-1
CV_RETR_CCOMP：檢測所有的輪廓，但所有輪廓只建立兩個等級關係，外圍爲頂層，若外圍內的內圍輪廓還包含了其他的輪廓信息，則內圍內的所有輪廓均歸屬於頂層
CV_RETR_TREE：檢測所有輪廓，所有輪廓建立一個等級樹結構。外層輪廓包含內層輪廓，內層輪廓還可以繼續包含內嵌輪廓
method：輪廓的近似方法
CV_CHAIN_APPROX_NONE：保存物體邊界上所有連續的輪廓點到contours向量內
CV_CHAIN_APPROX_SIMPLE：僅保存輪廓的拐點信息，把所有輪廓拐點處的點保存入contours向量內，拐點與拐點之間直線段上的信息點不予保留
CV_CHAIN_APPROX_TC89_L1，CV_CHAIN_APPROX_TC89_KCOS：使用teh-Chinl chain 近似算法
offset：偏移量，所有的輪廓信息相對於原始圖像對應點的偏移量，相當於在每一個檢測出的輪廓點上加上該偏移量，並且Point還可以是負值

import numpy as np
import cv2 as cv
im = cv.imread('test.jpg')
imgray = cv.cvtColor(im, cv.COLOR_BGR2GRAY)
ret, thresh = cv.threshold(imgray, 127, 255, 0)
im2, contours, hierarchy = cv.findContours(thresh, cv.RETR_TREE, cv.CHAIN_APPROX_SIMPLE)

cv.drawContours函數用於畫圖像的輪廓

函數原型：image = cv.drawContours( image, contours, contourIdx, color[, thickness[, lineType[, hierarchy[, maxLevel[, offset]]]]] )
image：用以繪製輪廓的圖像。和其他繪圖函數一樣，邊界圖像被感興趣區域（ROI）所剪切
contours：所有輸入圖像的輪廓集
contourIdx：指示輪廓集中的哪一個輪廓被畫出，如果是負值，則所有輪廓被畫出
color：輪廓顏色
thickness：繪製輪廓線的寬度。如果爲負值（例如，等於CV_FILLED），則contour內部將被繪製
lineType：輪廓線段的類型，具體查看cvLine的描述
hierarchy：可選的輪廓層次信息，如果只想畫某些層次的輪廓，才需要此參數。
maxLevel：繪製輪廓的最大等級。如果等級爲0，繪製單獨的輪廓。如果爲1，繪製輪廓及在其後的相同的級別下輪廓。如果值爲2，所有的輪廓。如果等級爲2，繪製所有同級輪廓及所有低一級輪廓，諸此種種。如果值爲負數，函數不繪製同級輪廓，但會升序繪製直到級別爲abs(max_level)-1的子輪廓。
offset：按照給出的偏移量移動每一個輪廓點座標.當輪廓是從某些感興趣區域(ROI)中提取的然後需要在運算中考慮ROI偏移量時，將會用到這個參數。

輪廓的特點

輪廓矩Moments
opencv中的矩主要包括以下幾種：空間矩，中心矩和中心歸一化矩。從圖像中計算出來的矩通常描述了圖像不同種類的幾何特徵如：大小、灰度、方向、形狀等，圖像矩廣泛應用於模式識別、目標分類、目標識別與防僞估計、圖像編碼與重構等領域。

import numpy as np
import cv2 as cv
img = cv.imread('star.jpg',0)
ret,thresh = cv.threshold(img,127,255,0)
im2,contours,hierarchy = cv.findContours(thresh, 1, 2)
cnt = contours[0]
M = cv.moments(cnt)
print( M )

輪廓面積Contour Area

area = cv.contourArea(cnt)

輪廓周長Contour Perimeter

perimeter = cv.arcLength(cnt,True)

輪廓近似圖Contour Approximation

epsilon = 0.1*cv.arcLength(cnt,True)
approx = cv.approxPolyDP(cnt,epsilon,True)

輪廓凸包Convex Hull

hull = cv.convexHull(points[, hull[, clockwise[, returnPoints]]

輪廓凸包檢查Checking Convexity

k = cv.isContourConvex(cnt)

輪廓矩形邊框Bounding Rectangle

x,y,w,h = cv.boundingRect(cnt)
cv.rectangle(img,(x,y),(x+w,y+h),(0,255,0),2)

輪廓最小圓Minimum Enclosing Circle

rect = cv.minAreaRect(cnt)
box = cv.boxPoints(rect)
box = np.int0(box)
cv.drawContours(img,[box],0,(0,0,255),2)

12.輪廓最橢圓 Fitting an Ellipse

(x,y),radius = cv.minEnclosingCircle(cnt)
center = (int(x),int(y))
radius = int(radius)
cv.circle(img,center,radius,(0,255,0),2)

輪廓直線Fitting a Line

rows,cols = img.shape[:2]
[vx,vy,x,y] = cv.fitLine(cnt, cv.DIST_L2,0,0.01,0.01)
lefty = int((-x*vy/vx) + y)
righty = int(((cols-x)*vy/vx)+y)
cv.line(img,(cols-1,righty),(0,lefty),(0,255,0),2)

輪廓的屬性

輪廓寬高比Aspect Ratio
輪廓寬高比是輪廓的矩形邊框的寬高比

x,y,w,h = cv.boundingRect(cnt)
aspect_ratio = float(w)/h

輪廓區域比Extent
輪廓區域比是輪廓的面積與矩形邊框的面積比

area = cv.contourArea(cnt)
x,y,w,h = cv.boundingRect(cnt)
rect_area = w*h
extent = float(area)/rect_area

輪廓固態Solidity
輪廓固態是輪廓的面積與凸包面積的比

area = cv.contourArea(cnt)
hull = cv.convexHull(cnt)
hull_area = cv.contourArea(hull)
solidity = float(area)/hull_area

輪廓直徑Equivalent Diameter

area = cv.contourArea(cnt)
equi_diameter = np.sqrt(4*area/np.pi)

輪廓方向Orientation

(x,y),(MA,ma),angle = cv.fitEllipse(cnt)

掩膜與像素位置Mask and Pixel Points

mask = np.zeros(imgray.shape,np.uint8)
cv.drawContours(mask,[cnt],0,255,-1)
pixelpoints = np.transpose(np.nonzero(mask))
pixelpoints = cv.findNonZero(mask)

最大與最小值位置Maximum Value, Minimum Value and their locations

min_val, max_val, min_loc, max_loc = cv.minMaxLoc(imgray,mask = mask)

平均顏色與強度Mean Color or Mean Intensity

mean_val = cv.mean(im,mask = mask)

輪廓極點Extreme Points

leftmost = tuple(cnt[cnt[:,:,0].argmin()][0])
rightmost = tuple(cnt[cnt[:,:,0].argmax()][0])
topmost = tuple(cnt[cnt[:,:,1].argmin()][0])
bottommost = tuple(cnt[cnt[:,:,1].argmax()][0])

輪廓的層次

cv2.findContours()函數來找輪廓的時候，我們傳入了一個參數，Contour Retrieval Mode。我們一般傳的是cv2.RETR_LIST或者cv2.RETR_TREE這樣就可以了。但是這個參數實際是什麼意思呢？
函數輸出時我們得到了三個數組，第一個是圖像，第二個是我們的輪廓，第三個輸出名字是hierarchy層次。
什麼是層次呢?
用cv2.findContours()函數來檢測圖像裏的輪廓，有時候輪廓在不同的地方，但是在有些情況下，有些圖形在別的圖形裏面，就像圖形嵌套，在這種情況下，我們把外面那層圖形叫做parent，裏面的叫child。這樣圖形裏的輪廓之間就有了關係。我們可以指定一個輪廓和其他之間的是如何連接的，這種關係就是層級。

每個輪廓有他自己的關於層級的信息，誰是他的孩子，誰是他的父親等。OpenCV用一個包含四個值得數組來表示：[Next, Previous, First_Child, Parent]"Next表明同一層級的下一個輪廓"比如，在我們的圖片裏的contour-0，水上hi他相同層級的下一個輪廓？是contour-1，所以Next=1，對於Contour-1，下一個是contour-2，所以Next=2那對於contour-2呢？沒有同層級的下一個輪廓，所以Next=-1。那麼對於contour-4呢？同層級的下一個是contour-5，所以下一個輪廓是contour-5.Next=5"Previous指同層級的前一個輪廓"和上面一樣，contour-1的前一個是contour-0.contour-2的前一個contour-1.對於contour-0沒有前序，所以-1"First_Child指它的第一個孩子輪廓"不用解釋，對於contour-2,孩子是contour-2a，所以這裏是contour-2a的索引，contour-3a有兩個孩子，但我們只取第一個，是contour-4，所以First_Child=4."Parent指它的父輪廓索引"和First_Child相反，contour-4和contour-5的parent都是contour-3a,對於contour-3a，是contour-3注意：如果沒有孩子或者父親，就爲-1

RETR_LIST
獲取所有輪廓，但是不建立父子關係，他們都是一個層級。所以，層級屬性第三個和第四個字段（父子）都是-1，但是Next和Previous還是有對應值。
RETR_EXTERNAL
這個模式，它返回最外層的。所有孩子輪廓都不要，我們可以說在這種情況下，只有家族裏最老的會被照顧，其他都不管。
RETR_CCOMP
這個模式獲取所有輪廓並且把他們組織到一個2層結構裏，對象的輪廓外邊界在等級1裏，輪廓內沿（如果有的話）放在層級2裏。如果別的對象在它裏面，裏面的對象輪廓還是放在層級1裏，它的內沿在層級2
RETR_TREE
這個取回所有的輪廓並且創建完整的家族層級列表，它甚至能告訴你誰是祖父，父親，兒子，孫子。

寫到這裏發現，OPENCV的內容越來越多，需要消化的時間越來越長，往後幾篇時間也許會在1個月以後了，就現在這些寫的東西也需要多次的練習與理解，繼續努力吧。

python進階—OpenCV之圖像處理（二）

文章目錄

圖像形態變換

圖像的腐蝕

圖像的膨脹

圖像的開操作

圖像的閉操作

圖像的形態學梯度

圖像的頂帽操作

圖像的黑帽操作

圖像的梯度（Image Gradients）

Sobel and Scharr （索貝爾）算子

Laplacian （拉普拉斯）算子

canny邊緣檢測

圖像金字塔（Image Pyramids）

圖像的輪廓（Contours in opencv）

如何找到圖像輪廓

輪廓的特點

輪廓的屬性

輪廓的層次

釘釘打卡速度慢

Nginx R31 doc 官方文檔-01-nginx 如何安裝

Python 潮流週刊#51：用 Python 繪製美觀的圖表

Qt/C++音視頻開發74-合併標籤圖形/生成yolo運算結果圖形/文字和圖形合併成一個/水印濾鏡

挑戰程序設計競賽 2.2章習題 POJ - 3617 Best Cow Line 貪心

字節面試：MySQL什麼時候鎖表？如何防止鎖表？

.NET8連接SQL SERVER 2008 R2 報：證書鏈是由不受信任的頒發機構頒發的

golang開發環境搭建(win10)

python計算機視覺學習筆記——PIL庫的用法

Golang初學：獲取程序內存使用情況，std runtime

FFmpeg音視頻播放器系列（第二篇：音視頻播放同步）

Python進階——OpenCV之GUI

python進階—OpenCV之圖像特徵檢測與描述

QT之QTableWidget使用

QT之佈局

https://yachay.unat.edu.pe/blog/index.php?comment_area=format_blog&comment_component=blog&comment_co

linux以太網驅動總結