如何从图像中提取图表？

Question

我使用了基于轮廓的方法，但它检测到的轮廓太多了。如何提取我的 ROI 轮廓？

image = cv2.imread('ULTI.png')
original = image.copy()
cv2.imwrite("bg.png",bg)
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
blurred = cv2.GaussianBlur(gray, (3, 3), 0)
canny = cv2.Canny(blurred, 120, 255, 1)
kernel = np.ones((5,5),np.uint8)
dilate = cv2.dilate(canny, kernel, iterations=1)

# Find contours
cnts = cv2.findContours(dilate, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
cnts = cnts[0] if len(cnts) == 2 else cnts[1]

# Iterate thorugh contours and filter for ROI
image_number = 0
cnts = max(cnts, key = cv2.contourArea)
print("no ",len(cnts))
for c in cnts:
    x,y,w,h = cv2.boundingRect(c)
    cv2.rectangle(image, (x, y), (x + w, y + h), (36,255,12), 2)
    ROI = original[y:y+h, x:x+w]

    #cv2.imwrite("ROI_{}.png".format(image_number), ROI)
    image_number += 1

Answer 1

您可以通过指定只使用面积最大的轮廓来获得投资回报率，也就是说，如果您的图表将生成一个面积大于图像中其他组件的轮廓。

这是一个例子：

import cv2

def preprocess(img):
    img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    img_blur = cv2.GaussianBlur(img_gray, (5, 5), 1)
    img_canny = cv2.Canny(img_blur, 50, 50)
    return img_canny

def get_roi(img, pad=3):
    contours, hierarchy = cv2.findContours(img, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)
    max_area = 0
    
    for cnt in contours:
        peri = cv2.arcLength(cnt, True)
        approx = cv2.approxPolyDP(cnt, 0.02 * peri, True)
        x, y, w, h = cv2.boundingRect(approx)
        rect_area = w * h
        if rect_area > max_area:
            max_area = rect_area
            dim = x, y, w, h

    if max_area:
        x, y, w, h = dim
        return x - pad, y - pad, w + pad * 2, h + pad * 2 

img = cv2.imread("ULTI.png")

img_processed = preprocess(img)
x, y, w, h = get_roi(img_processed)

cv2.imshow("Image", img[y:y + h, x:x + w])
cv2.waitKey(0)

输出：

解释：

1. 导入必要的模块：

import cv2

1. 定义一个接收图像的函数，并返回图像的处理版本，使 python 能够正确检测必要的轮廓（您可以调整值以进一步满足您的需求）：

def preprocess(img):
    img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    img_blur = cv2.GaussianBlur(img_gray, (5, 5), 1)
    img_canny = cv2.Canny(img_blur, 50, 50)
    return img_canny

1. 现在，让我们看看如何定义一个函数来检索图像的 ROI。首先，定义它，以便可以将处理后的图像数组和填充量（可选）作为参数传入：

def get_roi(img, pad=3):

4. 找到处理后图像的轮廓，并定义一个变量来存储轮廓的最大面积：

    contours, hierarchy = cv2.findContours(img, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)
    max_area = 0

5. 使用for循环遍历轮廓，求循环每次迭代的轮廓面积：

    for cnt in contours:
        peri = cv2.arcLength(cnt, True)
        approx = cv2.approxPolyDP(cnt, 0.02 * peri, True)
        area = cv2.contourArea(approx)

6. 使用if 语句检查面积是否大于应存储最大面积的已定义变量。如果该迭代的轮廓的面积大于变量，则将变量的值更新为等于新区域。此外，将该迭代的轮廓保存到一个变量中：

        if area > max_area:
            max_area = area
            max_cnt = approx

1. 在for 循环之后，如果max_area 变量不等于0，则还定义了max_cnt。使用cv2.boundingRect 获取x、y、w 和h 属性：

    if max_area:
        x, y, w, h = cv2.boundingRect(max_cnt)
        return x - pad, y - pad, w + pad * 2, h + pad * 2 

8. 最后，将图像读入变量后，您可以利用我们定义的 2 个函数，并显示生成的图像：

img = cv2.imread("ULTI.png")

img_processed = preprocess(img)
x, y, w, h = get_roi(img_processed)

cv2.imshow("Image", img[y:y + h, x:x + w])
cv2.waitKey(0)

注意：代码可能不适用于所有图表。但同样，您可以调整 preprocess 函数中的值以满足您的需求。