OpenCV Python中的轮廓对象检测和提取答案

【问题标题】：Contour object detection and extraction in OpenCV PythonOpenCV Python中的轮廓对象检测和提取
【发布时间】：2019-09-03 18:59:28
【问题描述】：

我正在尝试从轮廓中检测三个矩形。我已经从整个图像中提取了整个轮廓。我在下面附上了提取轮廓的图像。我想想办法从整个轮廓中进一步提取三个矩形类面板。

提取的轮廓图像：

【问题讨论】：

标签： python image opencv image-processing computer-vision

【解决方案1】：

这是一个简单的方法：

将图像转换为灰度
获取二值图像的阈值
执行形态学运算以平滑图像
查找轮廓并提取 ROI

转换为灰度后，我们阈值得到二值图像

image = cv2.imread('1.png')
original = image.copy()

gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
thresh = cv2.threshold(gray, 120, 255, cv2.THRESH_BINARY)[1]

接下来我们创建一个内核并执行morphological operations 来平滑图像。这一步通过侵蚀图像“破坏”连接三个矩形的关节

kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (25,25))
opening = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, kernel, iterations=3)

从这里我们找到轮廓并使用 numpy 切片提取 ROI。在原始图像上绘制所需矩形的边界框

cnts = cv2.findContours(opening, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
cnts = cnts[0] if len(cnts) == 2 else cnts[1]

image_number = 0
for c in cnts:
    x,y,w,h = cv2.boundingRect(c)
    cv2.rectangle(image, (x, y), (x + w, y + h), (36,255,12), 3)
    ROI = original[y:y+h, x:x+w]
    cv2.imwrite("ROI_{}.png".format(image_number), ROI)
    image_number += 1

这是每个人保存的投资回报率

完整代码

import cv2

image = cv2.imread('1.png')
original = image.copy()

gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
thresh = cv2.threshold(gray, 120, 255, cv2.THRESH_BINARY)[1]
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (25,25))
opening = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, kernel, iterations=3)

cnts = cv2.findContours(opening, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
cnts = cnts[0] if len(cnts) == 2 else cnts[1]

image_number = 0
for c in cnts:
    x,y,w,h = cv2.boundingRect(c)
    cv2.rectangle(image, (x, y), (x + w, y + h), (36,255,12), 3)
    ROI = original[y:y+h, x:x+w]
    cv2.imwrite("ROI_{}.png".format(image_number), ROI)
    image_number += 1

cv2.imshow('opening', opening)
cv2.imshow('thresh', thresh)
cv2.imshow('image', image)
cv2.waitKey()

【讨论】：

【解决方案2】：

这看起来像 opening 的情况，其内核足够大，可以侵蚀矩形之间的线。

另一种方法是多次调用erode，然后调用相同次数的dilate。

一个小建议，您可能需要对图像应用阈值保持，因为看起来您有一些噪点（尤其是在左侧和顶部的矩形上）。

【讨论】：