我正在尝试查找此图像的轮廓，但findContours方法仅返回1 个轮廓，该轮廓在图像 2中突出显示。我正在尝试找到所有外部轮廓，例如数字在里面的这些圆圈。我究竟做错了什么？我能做些什么来完成它？
图 1
图 2
以下是我的代码的相关部分。
thresh = cv2.threshold(image, 0, 255,
cv2.THRESH_BINARY_INV | cv2.THRESH_OTSU)[1]
cnts = cv2.findContours(thresh.copy(), cv2.RETR_EXTERNAL,
cv2.CHAIN_APPROX_SIMPLE)
当我更改cv2.RETR_EXTERNAL为cv2.RETR_LIST它似乎检测到相同的轮廓两次或类似的东西。图 3 显示了第一次检测到圆的边界，然后再次检测到它，如图 4 所示。我试图只找到这些圆的外边界。我怎样才能做到这一点？
图 3
图 4
cv2.RETR_EXTERNAL问题是您在函数调用中使用的标志。如OpenCV 文档中所述，这仅返回外部轮廓。
使用该标志cv2.RETR_LIST，您可以获得图像中的所有轮廓。由于您尝试检测环，因此此列表将包含这些环的内部和外部轮廓。
要过滤圆圈的外边界，您可以使用cv2.contourArea()找到两个重叠轮廓中的较大者。
我不确定这是否真的是你所期望的，但如果这样的话，有很多方法可以帮助 findContours 完成它的工作。这是我经常使用的一种方式。
将图像转换为灰色
Ig = cv2.cvtColor(I,cv2.COLOR_BGR2GRAY)
背景和前景值在颜色方面看起来非常均匀，但在局部它们不是，所以我应用了基于 Otsu 方法的阈值以对强度进行二值化。
_,It = cv2.threshold(Ig,0,255,cv2.THRESH_OTSU)
为了只提取轮廓，我处理了 Sobel 边缘检测器的幅度。
sx = cv2.Sobel(It,cv2.CV_32F,1,0)
sy = cv2.Sobel(It,cv2.CV_32F,0,1)
m = cv2.magnitude(sx,sy)
m = cv2.normalize(m,None,0.,255.,cv2.NORM_MINMAX,cv2.CV_8U)
我使用在ximgproc.
细化的目的是将轮廓厚度减少到尽可能少的像素。
m = cv2.ximgproc.thinning(m,None,cv2.ximgproc.THINNING_GUOHALL)
最后一步 findContours
_,contours,hierarchy = cv2.findContours(m,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)
disp = cv2.merge((m,m,m)
disp = cv2.drawContours(disp,contours,-1,hierarchy=hierarchy,color=(255,0,0))
希望它有所帮助。
我认为基于 SVM 或 CNN 的方法可能更稳健。你可以在这里找到一个例子。 这个也可能很有趣。
-编辑-
我找到了一种更简单的方法来实现您的目标。
像以前一样，在加载图像后应用阈值确保图像是二进制的。通过使用按位非运算反转图像，轮廓在黑色背景上变为白色。应用cv2.connectedComponentsWithStats返回（除其他外）一个标签矩阵，其中源中的每个连接的白色区域都被分配了一个唯一的标签。然后findContours根据标签应用，可以为每个区域提供外部轮廓。
import numpy as np
import cv2
from matplotlib import pyplot as plt
I = cv2.imread('/home/smile/Downloads/ext_contours.png',cv2.IMREAD_GRAYSCALE)
_,I = cv2.threshold(I,0.,255.,cv2.THRESH_OTSU)
I = cv2.bitwise_not(I)
_,labels,stats,centroid = cv2.connectedComponentsWithStats(I)
result = np.zeros((I.shape[0],I.shape[1],3),np.uint8)
for i in range(0,labels.max()+1):
mask = cv2.compare(labels,i,cv2.CMP_EQ)
_,ctrs,_ = cv2.findContours(mask,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)
result = cv2.drawContours(result,ctrs,-1,(0xFF,0,0))
plt.figure()
plt.imshow(result)
PS 在函数返回的输出中findContours有一个层次矩阵。通过分析该矩阵可以达到相同的结果，但是它有点复杂，如这里解释的那样。
我建议使用适当的参数应用霍夫圆变换，而不是寻找轮廓。
寻找轮廓是一项挑战。反转二进制图像后，圆圈为白色。OpenCV 沿着圆的外侧和内侧找到轮廓。此外，由于存在诸如“A”和“B”之类的字母，因此将再次沿着字母的外侧和孔内找到轮廓。您可以使用适当的层次标准找到轮廓，但这仍然很乏味。
这是我通过查找轮廓和使用层次结构尝试的方法：
代码：
#--- read the image, convert to gray and obtain inverse binary image ---
img = cv2.imread('keypad.png', 1)
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
_, binary = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV|cv2.THRESH_OTSU)
#--- find contours ---
_, contours, hierarchy = cv2.findContours(binary, cv2.RETR_CCOMP, cv2.CHAIN_APPROX_NONE)
#--- copy of original image ---
img2 = img.copy()
#--- select contours having a parent contour and append them to a list ---
l = []
for h in hierarchy[0]:
if h[0] > -1 and h[2] > -1:
l.append(h[2])
#--- draw those contours ---
for cnt in l:
if cnt > 0:
cv2.drawContours(img2, [contours[cnt]], 0, (0,255,0), 2)
cv2.imshow('img2', img2)
有关轮廓及其层次关系的更多信息，请参阅此
我有一个相当粗略的方法来忽略不需要的轮廓。找出列表中所有轮廓的平均面积，l并画出高于平均值的那些：
代码：
img3 = img.copy()
a = 0
for j, i in enumerate(l):
a = a + cv2.contourArea(contours[i])
mean_area = int(a/len(l))
for cnt in l:
if (cnt > 0) & (cv2.contourArea(contours[cnt]) > mean_area):
cv2.drawContours(img3, [contours[cnt]], 0, (0,255,0), 2)
cv2.imshow('img3', img3)
您可以通过此功能仅选择外边框：
def _select_contours(contours, hierarchy):
"""select contours of the second level"""
# find the border of the image, which has no father
father_i = None
for i, h in enumerate(hierarchy):
if h[3] == -1:
father_i = i
break
# collect its sons
new_contours = []
for c, h in zip(contours, hierarchy):
if h[3] == father_i:
new_contours.append(c)
return new_contours
请注意，您应该在 cv2.findContours() 中使用cv2.RETR_TREE来获取轮廓和层次结构。