OpenCV-Python教程:22.轮廓层级

理论

在前面的关于轮廓的几节里，我们介绍了轮廓相关的一些函数。但当我们用cv2findContours()函数来找轮廓的时候，我们传入了一个参数，Contour Retrieval Mode。我们一般传的是cv2RETR_LIST或者cv2RETR_TREE这样就可以了。但是这个参数实际是什么意思呢？

并且在输出时我们得到了三个数组，第一个是图像，第二个是我们的轮廓，第三个输出名字是hierarchy。但是我们一直没用这个。

什么是层级

一般来说我们用cv2findContours()函数来检测图像里的目标，有时候目标在不同的地方，但是在有些情况下，有些图形在别的图形里面，就像图形嵌套，在这种情况下，我们把外面那层图形叫做parent，里面的叫child。这样图形里的轮廓之间就有了关系。我们可以指定一个轮廓和其他之间的是如何连接的，这种关系就是层级。

看下面的例子：

在这个图像里，不同的图形我标注了0-5，2和2a表示了最外层盒子的外部和内部轮廓。

这里轮廓0,1,2是外部的。我们可以说他们是hierarchy-0,或者他们是同层级的。

接下来是contour-2a，可以认为是轮廓-2的孩子，或者反过来，contour-2是contour-2a的父亲，所以它在hierarchy-1里。类似的contour-3是contour-2的孩子，在下一层级。最后contour4,5是contour-3a的孩子，它们在最后的层级。

OpenCV里的层级表示

每个轮廓有他自己的关于层级的信息，谁是他的孩子，谁是他的父亲等。OpenCV用一个包含四个值得数组来表示：[Next, Previous, First_Child, Parent]

"Next表明同一层级的下一个轮廓"

比如，在我们的里的contour-0，水上hi他相同层级的下一个轮廓？是contour-1，所以Next=1，对于Contour-1，下一个是contour-2，所以Next=2

那对于contour-2呢？没有同层级的下一个轮廓，所以Next=-1。那么对于contour-4呢？同层级的下一个是contour-5，所以下一个轮廓是contour-5Next=5

"Previous指同层级的前一个轮廓"

和上面一样，contour-1的前一个是contour-0contour-2的前一个contour-1对于contour-0没有前序，所以-1

"First_Child指它的第一个孩子轮廓"

不用解释，对于contour-2,孩子是contour-2a，所以这里是contour-2a的索引，contour-3a有两个孩子，但我们只取第一个，是contour-4，所以First_Child=4

"Parent指它的父轮廓索引"

和First_Child相反，contour-4和contour-5的parent都是contour-3a,对于contour-3a，是contour-3

注意：

如果没有孩子或者父亲，就为-1

我们知道了层级，现在来看OpenCV里的轮廓获取模式，四个标志cv2RETR_LIST, cv2RETR_TREE, cv2RETR_CCOMP, cv2RETR_EXTERNAL表示啥？

轮廓获取模式

1RETR_LIST

这是最简单的一个，它获取所有轮廓，但是不建立父子关系，他们都是一个层级。

所以，层级属性第三个和第四个字段（父子）都是-1，但是Next和Previous还是有对应值。

下面是结果，每行是对应轮廓的层级信息。

>>> hierarchy

2RETR_EXTERNAL

如果用这个模式，它返回最外层的。所有孩子轮廓都不要，我们可以说在这种情况下，只有家族里最老的会被照顾，其他都不管。

所以在我们的图像里，有多少最外层的轮廓呢，有3个，contours 0,1,2

3RETR_CCOMP

这个模式获取所有轮廓并且把他们组织到一个2层结构里，对象的轮廓外边界在等级1里，轮廓内沿（如果有的话）放在层级2里。如果别的对象在它里面，里面的对象轮廓还是放在层级1里，它的内沿在层级2

看下面的例子，轮廓的顺序为红色，他们的层级是绿色，

看第一个轮廓，contour-0，他的层级是1，他有两个洞，contours1和2，他们都属于层级2，所以对于contour-0,Next是contour-3，没有前序，他的第一个孩子是contour-1，没有parent，所以层级数组是[3,-1,1,-1]

看contour-1，他在层级2里，Next是contour-2，没有前序，没有孩子，parent是contour-0，所以数组是[2,-1,-1,0]

同样对于contour-2，也在层级2里，没有next，前序是contour-1，没有孩子，parent是contour-0，所以[-1,1,-1,0]。

contour-3：next是contour-5，Previous是contour-0，Child是contour-4，没有parent，所以[5,0,4,-1]

contour-4:在层级2里，没有兄弟，所以没有Next，没有Previous，没有孩子，parent是contour-3，[-1,-1,-1,3]

4RETR_TREE

最后，MrPerfect。它取回所有的轮廓并且创建完整的家族层级列表，它甚至能告诉你谁是祖父，父亲，儿子，孙子。。

比如把上面的图形用cv2RETR_TREE，

对于contour-0:层级是0，Next是contour-7，没有previous，孩子是contour-1，没有parent，所以[7,-1,1,-1]

contour-1:在层级1里，没有同级的其他轮廓，没有previous，孩子是contour-2，所以[-1,-1,2,0]

OpenCV里的直方图

今天我们将一起探究如何使用OpenCV和Python从图像中提取感兴趣区域（ROI）。

在之间的文章中，我们完成了图像边缘提取，例如从台球桌中提取桌边。使用了简单的OpenCV函数即可完成这项任务，例如inRange、findContours、boundingRect、minAreaRect、 minEnclosingCircle、circle、HoughLines、line等，都可以。

今天我们的任务是从包含患者大脑活动快照的图像中提取所需的片段。之后可以将该提取的过程应用于其他程序中，例如诊断健康与否的机器学习模型。

因此，让我们从查看输入图像开始。这是由神经科学领域的医疗仪器生成的典型报告，该仪器使用传感器检测来自患者大脑的信号并将其显示为彩色地图。通常，有四张，所有都描绘了某个特征并一起分析以进行诊断。

本练习的目标图像包含四个大脑图

从上面的图像中，我们只想提取与四个地图（头部扫描）相对应的区域，而将其他所有内容都排除在外。因此，让我们开始吧。

第一步是检测我们要提取的片段的边缘。这是一个多步骤过程，如下所述：

1 使用“ cvtColor（）”将RGB图像转换为灰度

2 通过应用模糊函数“ GaussianBlur（）”来消除灰度图像中的噪声

3 最后将“ Canny（）”函数应用于模糊图像以获得边缘

边缘检测过程的输出如下所示：

使用Canny算法的边缘检测输出

请注意，尽管已识别出脑段，但仍有许多不需要的边缘需要消除，并且某些边缘之间有间隙需要封闭。

解决这个问题的一种常用方法是形态转换，它涉及在图像上使用一系列的扩张和腐蚀来去除不需要的边缘和闭合间隙。

我们在多次迭代中使用OpenCV函数“ dilate（）”和“ erode（）”来获得如下输出。

使用OpenCV对边缘进行了一些增强

如我们看到的那样，边缘现在已经完成并且比以前光滑得多。

现在，我们可以使用OpenCV函数“ findContours（）”提取该图像中的轮廓，并仅选择具有以下属性的轮廓：

1 几何形状是圆形或椭圆形

2 面积大于某个阈值（在此示例中，值7000可以正常工作）。

对于第一部分，我们将使用OpenCV的“ boundingRect（）”检测每个轮廓的边界矩形，并检查纵横比（高宽比）是否接近1。

现在我们的任务已经完成，但还需要进行一些微调。

通常情况是在一个片段上检测到多个重叠的轮廓，而我们只对一个感兴趣。

使用非极大抑制可以解决此问题，即我们查看所有重叠的轮廓，然后选择面积最大的轮廓作为最终候选轮廓。逻辑非常简单，因此我们不需要任何内置的OpenCV或Python函数。

另一个重要的逻辑是分别识别四个部分，即左上，右上，左下和右下。

这也非常简单，涉及识别图像中心坐标以及每个检测到的片段的质心。对段轮廓进行质心检测需要在轮廓上应用OpenCV “ moments（）”函数，然后使用以下公式计算中心 X，Y坐标：

center_x，center_y =（int（M [“ m10”] / M [” m00”]），int（M [“ m01”] / M [“ m00”]））

将线段质心坐标与图像中心坐标进行比较，可以将四个线段分别放置在各自的位置。

现在我们已经确定了四个部分，我们需要构建图像蒙版，这将使我们能够从原始图像中提取所需的特征。

我们将使用OpenCV函数“ drawContours（）”，将颜色用作白色（R，G，B = 255,2555,255），将厚度用作FILLED（-1）在黑色背景上绘制所有四个线段轮廓。结果如下所示：

用于提取我们的ROI的蒙版

在原始图像上应用此蒙版可以在我们选择的背景（例如黑色或白色）上为我们提供所需的分段。

对于黑色背景，我们创建一个黑色画布，然后使用OpenCV函数“ bitwise_and（）”以及先前获得的蒙版在其上进行绘制。

在黑色背景上提取的ROI

对于白色背景，我们首先创建一个白色画布，然后通过使用OpenCV函数“ drawContours（）”绘制轮廓为黑色（R，G，B = 0,0,0）且厚度为FILLED的轮廓，如下所示创建颜色反转的蒙版（-1）。

用于ROI提取的备用倒置掩模（图像源作者）

然后，我们使用OpenCV “ add（）”函数将此反向蒙版添加到先前获得的黑色背景中，并获得相同的结果，但使用白色背景。

在白色背景上提取的ROI

到此为止，我们总结了几种方法，可以轻松地从图像中提取感兴趣区域。

应当注意，在具有变化的复杂度的其他图像的情况下，上面使用的方法可以进行修改。

你可以用findContours找出二值图的轮廓，然后用boundingRect获取该轮廓的外接矩形，再一行一行地遍历这个外接矩形，假如遍历到点P(x,y)，再用pointPolygonTest判断该点与轮廓的位置状态，如果该点在轮廓内你就可以执行你希望的 *** 作了，比如把这个点的灰度值设置为某种颜色。

主要步骤1读取一幅，并且对其进行二值化。2对其进行形态学处理，减少孔洞等次要特征，保留其主要特征。3进行边缘提取。4进行形状轮廓匹配，得到其匹配值，从而判断是否是同一个形状。

下面是演示代码:

#include

#include"opencv2/opencvhpp"

usingnamespacestd;

usingnamespacecv;

intmain()

{

Matk=imread("E:/TestGit/8jpg",0);

Matf;

Matk1=imread("E:/TestGit/9jpg",0);

Matf1;

threshold(k,f,50,255,THRESH_BINARY);//对图像进行二值化

threshold(k1,f1,50,255,THRESH_BINARY);

Matcloserect=getStructuringElement(MORPH_RECT,Size(3,3));//进行结构算子生成

morphologyEx(f,f,MORPH_OPEN,closerect);

morphologyEx(f1,f1,MORPH_OPEN,closerect);//进行形态学开运算

Matdst=Mat::zeros(krows,kcols,CV_8UC3);

Matdst1=Mat::zeros(k1rows,k1cols,CV_8UC3);

vector>w,w1;

vectorhierarchy,hierarchy1;

findContours(f,w,hierarchy,RETR_CCOMP,CHAIN_APPROX_SIMPLE);//提取轮廓元素

findContours(f1,w1,hierarchy1,RETR_CCOMP,CHAIN_APPROX_SIMPLE);

FileStoragefs("fdat",FileStorage::WRITE);

fs

intidx=0;

doubleffff=matchShapes(w[0],w1[0],CV_CONTOURS_MATCH_I3,10);//进行轮廓匹配

std::cout

system("pause");

return0;

}

这样，我们就得到了轮廓边缘的提取和匹配，满足了需要。而不同的算子具有不同的匹配算子方法。

opencv自带的找轮廓的函数和计算轮廓的面积！

CvMemStorage storage = cvCreateMemStorage(0);

CvSeq contour;

int num = cvFindContours(Binarization, storage, &contour,sizeof(CvContour),

CV_RETR_CCOMP, CV_CHAIN_APPROX_SIMPLE, cvPoint(0, 0));

for (; contour != NULL; contour = contour->h_next)

{

area = cvContourArea(contour, CV_WHOLE_SEQ, 0);

}

记得release

以上就是关于OpenCV-Python教程:22.轮廓层级全部的内容，包括:OpenCV-Python教程:22.轮廓层级、基于OpenCV的特定区域提取、opencv 怎么取内轮廓的点集 我想实现内轮廓的每个点1个个的改变颜色怎么做等相关内容解答，如果想了解更多相关内容，可以关注我们，你们的支持是我们更新的动力！