今天，我們將開始由3部分構成的形狀檢測分析系列教程。
通過此係列教程，我們將學到如何：
- 計算輪廓/形狀的中心；
- 僅使用輪廓特徵識別出不同的形狀，如：圓、正方形、長方形、三角形和五角形。
- 標記形狀顏色
儘管今天的內容比較基礎(相對於最近 PyImageSearch 部落格討論的更加高階的概念來說)，但是也經常有人問我下邊這個問題：
如何用 Python 和 OpenCV 計算輪廓的中心？
在今天的教程中，我將會回答這個問題。
在以後的教程中，我們將在輪廓知識的基礎上進行影象的形狀識別。
使用 OpenCV 計算輪廓中心
圖1:包含不同形狀的待計算輪廓中心的示例影象
從上圖中，你能看見幾種不同的由圖畫紙裁出的形狀。注意，這些形狀並不完美——矩形不夠方，圓形不夠圓。它們都是先經手工描畫然後再裁出來的，這意味著每種形狀都存在著偏差。
明確了這一點之後，今天教程的目標是：（1）檢測出影象中的每一種形狀的輪廓（2）計算輪廓的中心——也叫形心。
為了達成以上目標，我們需要對影象進行以下預處理：
- 轉換成灰度圖；
- 濾波以減少高頻噪聲，使輪廓檢測更加精確；
- 影象二值化。邊緣檢測和閾值化經常被用於此過程，本教程採用閾值化。
開始寫程式碼之前，請確保你的系統已經安裝了 imutils Python 包[ 譯註：該包為作者開發的一系列用 OpenCV 執行基本影象處理操作的簡便函式]。
|
1 |
$ pip install imutils |
讓我們繼續！
新建一個檔案，命名為 center_of_shape.py，然後開始寫程式碼吧：
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 |
# import the necessary packages import argparse import imutils import cv2 # construct the argument parse and parse the arguments ap = argparse.ArgumentParser() ap.add_argument("-i", "--image", required=True, help="path to the input image") args = vars(ap.parse_args()) # load the image, convert it to grayscale, blur it slightly, # and threshold it image = cv2.imread(args["image"]) gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) blurred = cv2.GaussianBlur(gray, (5, 5), 0) thresh = cv2.threshold(blurred, 60, 255, cv2.THRESH_BINARY)[1] |
第2-4行程式碼匯入必需的包，第7-10行程式碼解析命令列引數。此處只需要一個 --image 引數: 磁碟中待處理影象的路徑。
隨後程式從磁碟載入影象，然後進行預處理，執行灰度變換，5×5 核心的高斯平滑，最後閾值化（14-17行）。
閾值化操作後的輸出如下圖所示
圖2:影象閾值化返回二值影象，其中形狀被表示為黑色背景上的白塊
注意閾值化後形狀被表示成黑色背景上的白色前景。
下一步是使用輪廓檢測去定位這些白色區域。
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 |
# import the necessary packages import argparse import imutils import cv2 # construct the argument parse and parse the arguments ap = argparse.ArgumentParser() ap.add_argument("-i", "--image", required=True, help="path to the input image") args = vars(ap.parse_args()) # load the image, convert it to grayscale, blur it slightly, # and threshold it image = cv2.imread(args["image"]) gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) blurred = cv2.GaussianBlur(gray, (5, 5), 0) thresh = cv2.threshold(blurred, 60, 255, cv2.THRESH_BINARY)[1] # find contours in the thresholded image cnts = cv2.findContours(thresh.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) cnts = cnts[0] if imutils.is_cv2() else cnts[1] |
第 20-21 行程式碼呼叫 cv2.findContours 函式，該函式返回影象上每一個白塊對應的邊界點集合（即輪廓）。第22行基於我們使用 OpenCV 2.4 版本還是3.0 版本而取不同的元組值。獲取更多 cv2.findContours 函式返回簽名在不同 OpenCV 版本間的改變，請移步此文。[譯註：OpenCV 2.4 版本的 cv2.findContours 函式返回的是一個二元元組，元組的第一個元素（索引 0）是輪廓列表。而在 OpenCV 3.0 版本中，該函式返回的是一個三元元組，元組的第二個元素（索引 1）才是輪廓列表]
我們已經準備去處理每一條輪廓：
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 |
# import the necessary packages import argparse import imutils import cv2 # construct the argument parse and parse the arguments ap = argparse.ArgumentParser() ap.add_argument("-i", "--image", required=True, help="path to the input image") args = vars(ap.parse_args()) # load the image, convert it to grayscale, blur it slightly, # and threshold it image = cv2.imread(args["image"]) gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) blurred = cv2.GaussianBlur(gray, (5, 5), 0) thresh = cv2.threshold(blurred, 60, 255, cv2.THRESH_BINARY)[1] # find contours in the thresholded image cnts = cv2.findContours(thresh.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) cnts = cnts[0] if imutils.is_cv2() else cnts[1] # loop over the contours for c in cnts: # compute the center of the contour M = cv2.moments(c) cX = int(M["m10"] / M["m00"]) cY = int(M["m01"] / M["m00"]) # draw the contour and center of the shape on the image cv2.drawContours(image, [c], -1, (0, 255, 0), 2) cv2.circle(image, (cX, cY), 7, (255, 255, 255), -1) cv2.putText(image, "center", (cX - 20, cY - 20), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (255, 255, 255), 2) # show the image cv2.imshow("Image", image) cv2.waitKey(0) |
第25行開始遍歷輪廓，然後在第27行計算輪廓區域影象的矩。
在計算機視覺和影象處理領域，影象的矩經常被用來描述影象中某個物件的形狀。這些矩描述了形狀的基本統計特徵，包括物件的面積、形心（即物件的中心座標 (x, y)）、取向連同其他有用的特徵。
我們只對影象的中心感興趣，所以在第28-29行計算輪廓的中心。
隨後，第32-34行完成以下任務：
- 呼叫
cv2.drawContours函式繪製包圍當前形狀的輪廓； - 在形狀的中心
(cX, cY)處繪製一個白色的小圓； - 在白色小圓的附近寫上文字
center。
要執行指令碼，開啟終端然後執行以下命令：
|
1 |
$ python center_of_shape.py --image shapes_and_colors.png |
執行結果如下圖所示：
圖3:分別遍歷每一個形狀並計算每一個形狀的中心 (x, y)。(點選圖片有驚醒）
注意每一個形狀都被成功地檢測到，然後計算出輪廓中心並繪製在影象上。
總結
在這次教程中，我們學習瞭如何使用 OpenCV 和 Python 去計算輪廓的中心。
此教程是由三部分構成的形狀分析系列教程的第一部分。
在下週的教程中，我們將學習如何識別影象中的形狀。
然後，在兩週以後，我們將學習如何分析每一個形狀的顏色並將其標記在形狀上（即標記“紅”、“綠”、“藍”等等）。
為了確保這些教程寫成的時候您能被通知到，請按照以下形式輸入您的郵箱地址！[譯註：原部落格提供程式碼下載和郵件提醒功能。戳我訪問原文。]