当前位置： 首页 > news >正文

做钓鱼网站教程视频教程保健品 东莞网站建设

news 2025/9/17 7:58:02
做钓鱼网站教程视频教程,保健品 东莞网站建设,小程序开发报价明细,成都景观设计公司有哪些文章目录 1、功能描述2、代码实现3、完整代码4、结果展示5、涉及到的库函数5.1、cv2.Canny5.2 cv2.boxPoints 6、参考 1、功能描述 找出图片中的轮廓，拟合轮廓外接椭圆和外接矩阵 2、代码实现 导入必要的库，固定好随机种子 import cv2 as cv import …

在这里插入图片描述

文章目录

  • 1、功能描述
  • 2、代码实现
  • 3、完整代码
  • 4、结果展示
  • 5、涉及到的库函数
    • 5.1、cv2.Canny
    • 5.2 cv2.boxPoints
  • 6、参考

1、功能描述

找出图片中的轮廓，拟合轮廓外接椭圆和外接矩阵

2、代码实现

导入必要的库，固定好随机种子

import cv2 as cv
import numpy as np
import argparse
import random as rngrng.seed(12345)

读取输入图片，判定图片是否读入成功

parser = argparse.ArgumentParser(description='Code for Creating Bounding rotated boxes and ellipses for contours tutorial.')
parser.add_argument('--input', help='Path to input image.', default='1.png')
args = parser.parse_args()
src = cv.imread(cv.samples.findFile(args.input))if src is None:print('Could not open or find the image:', args.input)exit(0)

灰度化图片，并平滑

# Convert image to gray and blur it
src_gray = cv.cvtColor(src, cv.COLOR_BGR2GRAY)
src_gray = cv.blur(src_gray, (3, 3))
source_window = 'Source'
cv.namedWindow(source_window)
cv.imshow(source_window, src)

创建滚动条，动态配置参数，随着滑动条的滑动实现不同的算法效果

max_thresh = 255
thresh = 100  # initial threshold
cv.createTrackbar('Canny Thresh:', source_window, thresh, max_thresh, thresh_callback)
thresh_callback(thresh)
cv.waitKey()

算法核心函数 thresh_callback，下面具体看看细节

def thresh_callback(val):global src_graythreshold = valsrc_gray = cv.GaussianBlur(src_gray, (3, 3), 0.1)canny_output = cv.Canny(src_gray, threshold, threshold * 2)

高斯模糊，canny 算子

    contours, _ = cv.findContours(canny_output, cv.RETR_TREE, cv.CHAIN_APPROX_SIMPLE)# Find the rotated rectangles and ellipses for each contourminRect = [None] * len(contours)minEllipse = [None] * len(contours)for i, c in enumerate(contours):minRect[i] = cv.minAreaRect(c)if c.shape[0] > 5:minEllipse[i] = cv.fitEllipse(c)# Draw contours + rotated rects + ellipses

找出轮廓，遍历轮廓，最小外接矩形框直接调用 cv2.minAreaRect 即可

如果轮廓多于 5 个点，cv2.fiEllipse 找椭圆

    # Draw contours + rotated rects + ellipsesdrawing = np.zeros((canny_output.shape[0], canny_output.shape[1], 3), dtype=np.uint8)for i, c in enumerate(contours):color = (rng.randint(0, 256), rng.randint(0, 256), rng.randint(0, 256))# contourcv.drawContours(drawing, contours, i, color)# ellipseif c.shape[0] > 5:cv.ellipse(drawing, minEllipse[i], color, 2)# rotated rectanglebox = cv.boxPoints(minEllipse[i])# box = cv.boxPoints(minRect[i])box = np.intp(box)  # np.intp: Integer used for indexing (same as C ssize_t; normally either int32 or int64)# box = np.int0(box)  # normally either int32 or int64)cv.drawContours(drawing, [box], 0, color)cv.imshow('Contours', drawing)cv.imshow("Canny", canny_output)

绘制轮廓，轮廓外接矩阵，轮廓拟合出来的椭圆，随机颜色

注意 box = cv.boxPoints(minEllipse[i]) 绘制的是椭圆的外接矩阵，而 box = cv.boxPoints(minRect[i]) 绘制轮廓的外接矩阵被注释掉了

3、完整代码

import cv2 as cv
import numpy as np
import argparse
import random as rngrng.seed(12345)def thresh_callback(val):global src_graythreshold = valsrc_gray = cv.GaussianBlur(src_gray, (3, 3), 0.1)canny_output = cv.Canny(src_gray, threshold, threshold * 2)contours, _ = cv.findContours(canny_output, cv.RETR_TREE, cv.CHAIN_APPROX_SIMPLE)# Find the rotated rectangles and ellipses for each contourminRect = [None] * len(contours)minEllipse = [None] * len(contours)for i, c in enumerate(contours):minRect[i] = cv.minAreaRect(c)if c.shape[0] > 5:minEllipse[i] = cv.fitEllipse(c)# Draw contours + rotated rects + ellipsesdrawing = np.zeros((canny_output.shape[0], canny_output.shape[1], 3), dtype=np.uint8)for i, c in enumerate(contours):color = (rng.randint(0, 256), rng.randint(0, 256), rng.randint(0, 256))# contourcv.drawContours(drawing, contours, i, color)# ellipseif c.shape[0] > 5:cv.ellipse(drawing, minEllipse[i], color, 2)# rotated rectanglebox = cv.boxPoints(minEllipse[i])# box = cv.boxPoints(minRect[i])box = np.intp(box)  # np.intp: Integer used for indexing (same as C ssize_t; normally either int32 or int64)# box = np.int0(box)  # normally either int32 or int64)cv.drawContours(drawing, [box], 0, color)cv.imshow('Contours', drawing)cv.imshow("Canny", canny_output)parser = argparse.ArgumentParser(description='Code for Creating Bounding rotated boxes and ellipses for contours tutorial.')
parser.add_argument('--input', help='Path to input image.', default='1.png')
args = parser.parse_args()
src = cv.imread(cv.samples.findFile(args.input))if src is None:print('Could not open or find the image:', args.input)exit(0)# Convert image to gray and blur it
src_gray = cv.cvtColor(src, cv.COLOR_BGR2GRAY)
src_gray = cv.blur(src_gray, (3, 3))
source_window = 'Source'
cv.namedWindow(source_window)
cv.imshow(source_window, src)
max_thresh = 255
thresh = 100  # initial threshold
cv.createTrackbar('Canny Thresh:', source_window, thresh, max_thresh, thresh_callback)
thresh_callback(thresh)
cv.waitKey()

4、结果展示

Canny Thresh：0

在这里插入图片描述

Canny Thresh：5
在这里插入图片描述

Canny Thresh：15
在这里插入图片描述

Canny Thresh：25
在这里插入图片描述

Canny Thresh：35

在这里插入图片描述
Canny Thresh：45
在这里插入图片描述

Canny Thresh：100

在这里插入图片描述

Canny Thresh：150

在这里插入图片描述

Canny Thresh：200

在这里插入图片描述

Canny Thresh：255
在这里插入图片描述

5、涉及到的库函数

5.1、cv2.Canny

cv2.Canny 是 OpenCV 库中用于边缘检测的一个函数，它实现了 Canny 边缘检测算法。Canny 边缘检测是一种非常流行的边缘检测算法，由 John F. Canny 在 1986 年提出。这个算法旨在寻找图像中的最优边缘，它通过应用多尺度高斯滤波来减少噪声，然后计算图像梯度，接着通过非极大值抑制和滞后阈值化来检测边缘。

edges = cv2.Canny(image, threshold1, threshold2[, edges[, apertureSize[, L2gradient]]])
  • image：输入的灰度图像。在进行 Canny 边缘检测之前，通常需要先将图像转换为灰度图像。
  • threshold1：第一个阈值，用于滞后阈值化中的低阈值。
  • threshold2：第二个阈值，用于滞后阈值化中的高阈值。只有那些梯度值高于 threshold2 的像素才会被当作边缘，而梯度值位于 threshold1 和 threshold2 之间的像素只有在它们连接到高阈值边缘时才会被接受。
  • edges：输出参数，用于存储检测到的边缘。如果不指定，则会自动创建一个同大小的输出图像。
  • apertureSize：Sobel 算子的大小，默认为 3。这个参数影响梯度计算的精度，但增加大小也会增加计算时间。
  • L2gradient：一个布尔值，指示是否使用更精确的 L2 范数来计算图像梯度幅值。默认值为 False，即使用 L1 范数（即简单地将梯度在 x 和 y 方向的分量相加）。

返回值：

  • edges：一个二值图像，其中检测到的边缘像素被设置为白色（255），其他像素被设置为黑色（0）。

Canny 边缘检测的优点在于它能够有效地抑制噪声，并且检测到的边缘通常是连续的。然而，它的效果也依赖于所选的阈值，因此在实际应用中，可能需要根据具体情况调整 threshold1 和 threshold2 的值。

5.2 cv2.boxPoints

cv2.boxPoints 用于计算给定矩形旋转后的顶点坐标。这个函数在需要处理旋转矩形时非常有用，比如在图像中绘制旋转的边界框时。

points = cv2.boxPoints(box[, rotMat])

参数解释：

  • box：表示矩形的参数。这可以是一个包含四个元素的元组或列表 (center_x, center_y, width, height)，其中 (center_x, center_y) 是矩形中心的坐标，width 和 height 分别是矩形的宽度和高度（注意：这里的宽度和高度是按照矩形的原始大小，不考虑旋转）。在某些版本的 OpenCV 中，box 也可能是一个 cv2.RotatedRect 对象。
  • rotMat：可选参数，表示旋转矩阵。这是一个 2x3 的浮点数数组，用于指定对矩形进行额外旋转的角度。如果未提供此参数，则矩形不会被额外旋转，只返回根据 box 参数计算出的四个顶点坐标。

返回值：

  • points：一个包含四个点的 NumPy 数组，每个点都是一个包含两个元素的元组或列表 (x, y)，表示旋转后矩形的顶点坐标。

需要注意的是，如果 box 是一个 cv2.RotatedRect 对象，那么它本身就包含了旋转信息（即旋转角度和中心点），此时 rotMat 参数将被忽略，因为 cv2.RotatedRect 已经定义了矩形的旋转状态。

示例代码：

import cv2  
import numpy as np  # 定义一个中心点、宽度、高度的矩形  
center = (100, 100)  
width = 200  
height = 100  
angle = 45  # 旋转角度（以度为单位）  # 创建一个旋转矩形对象  
rect = cv2.RotatedRect(center, (width, height), angle)  # 获取旋转矩形的顶点  
points = cv2.boxPoints(rect)  
points = np.intp(points)  # 将坐标转换为整数类型，以便在图像上绘制  # 创建一个黑色图像  
image = np.zeros((256, 256, 3), dtype=np.uint8)  # 在图像上绘制旋转矩形的边  
for i in range(4):  cv2.line(image, tuple(points[i]), tuple(points[(i+1)%4]), (255, 0, 0), 2)  
# 显示图像  
cv2.imshow('Rotated Rectangle', image)  
cv2.waitKey(0)  
cv2.destroyAllWindows()

在这里插入图片描述

在这个示例中，我们首先定义了一个矩形的中心点、宽度、高度和旋转角度，然后创建了一个 cv2.RotatedRect 对象来表示这个旋转矩形。接着，我们使用 cv2.boxPoints 函数来获取旋转矩形的顶点坐标，并在一个黑色图像上绘制了这个矩形的边。最后，我们显示了包含旋转矩形的图像。

6、参考

  • 根据轮廓创建旋转框和椭圆
  • 【python】OpenCV—findContours（4.2）
http://www.yayakq.cn/news/523216/

相关文章：

  • 什么网站上可以做简历网址搜索器
  • 网站建设服务合同是否缴纳印花税网站 建设 现状分析
  • 宜宾市做网站多少钱有哪些大站用wordpress
  • 网站建设公司 佛山济南市莱芜区招聘信息
  • 用 php网站建设打出一首古诗网络服务类型有哪些
  • 网站建设发专业人才培养方案义乌住房与城乡建设官网
  • 百度收录网站怎么做郑州百度seo网站优化
  • 网站错误列表免费做公司电子画册的网站
  • 西安网址开发 网站制作昆明小程序制作
  • 怎样做网站二维码免费空间试用
  • 江门住房城乡建设厅网站哔哩哔哩网站开发图片
  • 网站建设c云世家宋南南wordpress副标题标签
  • 外贸网站建设哪里有提高工作效率的软件
  • 织梦 5.7网站地图空间建设网站
  • 做网站的企业排名u盘装WordPress
  • 黔西南州建设局网站wordpress 头像不见了
  • 四川省住房和城乡建设局网站首页株洲网红打卡地
  • 商城系统网站模板学习前端的网站
  • 个人网站模板html代码网站产品网页设计模板
  • 泉州建站软件wordpress微信插件开发
  • iis一个文件夹配置多个网站移动端下载app
  • 如何给网站做seo优化网站建设 工作建议
  • 建设一个网站多少钱深圳企业500强名单
  • 泰州 做网站天津做网站选择津坤科技c
  • 做网站要学会什么网站优化都是怎么做的
  • 如何建设一个电商网站商城小程序制作
  • x网站免费内江网站开发
  • 论文中小企业的网站建设做网站不知道做什么内容的
  • 怎么建设一个网站并顺利打开浏览wordpress 博客园主题
  • wordpress网站结构互联网行业现状分析