当前位置：首页 > news >正文

【python】OpenCV—findContours（4.6）

news 2024/11/6 12:59:15

在这里插入图片描述

文章目录

1、功能描述
2、代码实现
3、效果展示
4、完整代码
5、涉及到的库函数
- cv2.inRange
6、参考

1、功能描述

给出一张仅含有手指的图片，判断图片中有多少根手指

2、代码实现

导入库函数，图像预处理

import numpy as np
import cv2 as cv
img = cv.imread("./5.png")
mask_img = skinmask(img)
cv.imwrite("mask_img.jpg", mask_img)

其中 def skinmask 实现如下

def skinmask(img):hsvim = cv.cvtColor(img, cv.COLOR_BGR2HSV)lower = np.array([0, 48, 80], dtype = "uint8")upper = np.array([20, 255, 255], dtype = "uint8")skinRegionHSV = cv.inRange(hsvim, lower, upper)cv.imwrite("skinRegionHSV.jpg", skinRegionHSV)blurred = cv.blur(skinRegionHSV, (2,2))ret, thresh = cv.threshold(blurred,0,255,cv.THRESH_BINARY)return thresh

先转化为 HSV 彩色模式，然后 cv2.inRange 二值化处理，接着模糊，二值化

skinRegionHSV.jpg

在这里插入图片描述

mask_img.jpg
在这里插入图片描述

接下里计算轮廓和凸包

contours, hull = getcnthull(mask_img)cv.drawContours(img, [contours], -1, (255,255,0), 2)
cv.imwrite("contours.jpg", img)cv.drawContours(img, [hull], -1, (0, 255, 255), 2)
cv.imwrite("hull.jpg", img)

其中 def getcnthull 实现如下

def getcnthull(mask_img):contours, hierarchy = cv.findContours(mask_img, cv.RETR_TREE, cv.CHAIN_APPROX_SIMPLE)contours = max(contours, key=lambda x: cv.contourArea(x))hull = cv.convexHull(contours)return contours, hull

可以看到凸包是通过计算最大面积的轮廓计算得到的

轮廓 contours.jpg

在这里插入图片描述

凸包 hull.jpg

在这里插入图片描述

接着计算凸缺陷，也即介于凸包和轮廓间的区域

defects = getdefects(contours)

其中 def getdefects 的实现如下

def getdefects(contours):hull = cv.convexHull(contours, returnPoints=False)defects = cv.convexityDefects(contours, hull)return defects

遍历凸缺陷，计算角度，判断是否为手指夹缝，输出手指个数

if defects is not None:cnt = 0for i in range(defects.shape[0]):  # calculate the angles, e, f, d = defects[i][0]start = tuple(contours[s][0])end = tuple(contours[e][0])far = tuple(contours[f][0])a = np.sqrt((end[0] - start[0]) ** 2 + (end[1] - start[1]) ** 2)b = np.sqrt((far[0] - start[0]) ** 2 + (far[1] - start[1]) ** 2)c = np.sqrt((end[0] - far[0]) ** 2 + (end[1] - far[1]) ** 2)angle = np.arccos((b ** 2 + c ** 2 - a ** 2) / (2 * b * c))  #      cosine theoremif angle <= np.pi / 2:  # angle less than 90 degree, treat as fingerscnt += 1cv.circle(img, far, 4, [0, 0, 255], -1)if cnt > 0:cnt = cnt+1cv.putText(img, str(cnt), (0, 50), cv.FONT_HERSHEY_SIMPLEX,1, (255, 0, 0) , 2, cv.LINE_AA)
cv.imshow("img", img)
cv.imwrite(f"result_{str(cnt)}.jpg", img)
cv.waitKey()
cv.destroyAllWindows()

其中 angle 的计算原理如下

在这里插入图片描述

当然仔细看代码这图和代码中对应的字母有差异，代码中 start 到 end 是 a 对应上图的 c，代码中 start 到 far 和 end 到 far 为 b 和 c 对应上图的 a 和 b，

在这里插入图片描述

小于 90 度我们才认为是手指

3、效果展示

5 根手指

输入
在这里插入图片描述

输出

在这里插入图片描述

4 根手指

在这里插入图片描述

3 根手指

在这里插入图片描述

2 根手指

在这里插入图片描述

1 根手指

在这里插入图片描述

翻车

在这里插入图片描述

可以看到几个缺点

十分依赖前处理，前处理不行，轮廓不对，后续结果判断则会相应的出现问题

只有一个手指的时候，或者握拳的时候，这套流程应该是判断不出来有几根手指的

4、完整代码

import cv2
import numpy as np
import cv2 as cvdef skinmask(img):hsvim = cv.cvtColor(img, cv.COLOR_BGR2HSV)lower = np.array([0, 48, 80], dtype = "uint8")upper = np.array([20, 255, 255], dtype = "uint8")skinRegionHSV = cv.inRange(hsvim, lower, upper)cv.imwrite("skinRegionHSV.jpg", skinRegionHSV)blurred = cv.blur(skinRegionHSV, (2,2))ret, thresh = cv.threshold(blurred,0,255,cv.THRESH_BINARY)return threshdef getcnthull(mask_img):contours, hierarchy = cv.findContours(mask_img, cv.RETR_TREE, cv.CHAIN_APPROX_SIMPLE)contours = max(contours, key=lambda x: cv.contourArea(x))hull = cv.convexHull(contours)return contours, hulldef getdefects(contours):hull = cv.convexHull(contours, returnPoints=False)defects = cv.convexityDefects(contours, hull)return defectsimg = cv.imread("./5.png")
mask_img = skinmask(img)
cv.imwrite("mask_img.jpg", mask_img)contours, hull = getcnthull(mask_img)cv.drawContours(img, [contours], -1, (255,255,0), 2)
cv.imwrite("contours.jpg", img)cv.drawContours(img, [hull], -1, (0, 255, 255), 2)
cv.imwrite("hull.jpg", img)defects = getdefects(contours)if defects is not None:cnt = 0for i in range(defects.shape[0]):  # calculate the angles, e, f, d = defects[i][0]start = tuple(contours[s][0])end = tuple(contours[e][0])far = tuple(contours[f][0])a = np.sqrt((end[0] - start[0]) ** 2 + (end[1] - start[1]) ** 2)b = np.sqrt((far[0] - start[0]) ** 2 + (far[1] - start[1]) ** 2)c = np.sqrt((end[0] - far[0]) ** 2 + (end[1] - far[1]) ** 2)angle = np.arccos((b ** 2 + c ** 2 - a ** 2) / (2 * b * c))  #      cosine theoremif angle <= np.pi / 2:  # angle less than 90 degree, treat as fingerscnt += 1cv.circle(img, far, 4, [0, 0, 255], -1)if cnt > 0:cnt = cnt+1cv.putText(img, str(cnt), (0, 50), cv.FONT_HERSHEY_SIMPLEX,1, (255, 0, 0) , 2, cv.LINE_AA)
cv.imshow("img", img)
cv.imwrite(f"result_{str(cnt)}.jpg", img)
cv.waitKey()
cv.destroyAllWindows()

5、涉及到的库函数

关于 cv2.convexHull 和 cv2.convexityDefects 的使用说明可以参考【python】OpenCV—findContours（4.2）

cv2.inRange

cv2.inRange 是 OpenCV 库中的一个函数，用于检查数组元素是否位于两个指定的范围之间。这个函数通常用于图像处理和计算机视觉任务中，特别是在进行图像阈值处理、颜色空间转换后的颜色过滤等场景。

cv2.inRange(src, lowerb, upperb, dst=None)

src: 输入数组（通常是图像），它应该是一个单通道或多通道的数组。
lowerb: 范围的下限（包含），与 src 同类型、同大小的数组，或者是一个标量值。
upperb: 范围的上限（不包含），与 src 同类型、同大小的数组，或者是一个标量值。
dst: 输出数组，与 src 同大小、同类型。函数将结果存储在这里。如果为 None，则会自动创建一个与 src 同大小、同类型的数组。

工作原理

对于 src 中的每个元素，cv2.inRange 会检查它是否位于 [lowerb, upperb) 范围内（注意，上限是开区间，即不包括上限值）。如果元素值在这个范围内，则对应的 dst 中的元素被设置为 255（对于 8 位图像），否则被设置为 0。这样，dst 数组最终会是一个二值图像（只有 0 和 255 的值），其中白色（255）表示满足条件的像素，黑色（0）表示不满足条件的像素。

应用场景

颜色过滤：在 HSV 颜色空间中，可以通过 cv2.inRange 来提取特定颜色的物体。例如，提取图像中的红色部分。
阈值处理：在灰度图像中，可以用来提取特定亮度范围内的像素。
背景分割：如果背景的颜色或亮度与前景有明显的区别，可以用这个函数来分离背景和前景。

示例代码

以下是一个简单的示例，展示如何使用 cv2.inRange 来提取图像中的红色部分：

import cv2
import numpy as np# 读取图像
image = cv2.imread('example.jpg')# 转换到 HSV 颜色空间
hsv = cv2.cvtColor(image, cv2.COLOR_BGR2HSV)# 定义红色的 HSV 范围
lower_red = np.array([0, 120, 70])
upper_red = np.array([10, 255, 255])
mask1 = cv2.inRange(hsv, lower_red, upper_red)lower_red = np.array([170, 120, 70])
upper_red = np.array([180, 255, 255])
mask2 = cv2.inRange(hsv, lower_red, upper_red)# 合并两个掩码
mask = mask1 | mask2# 使用掩码提取红色部分
result = cv2.bitwise_and(image, image, mask=mask)# 显示结果
cv2.imshow('Original Image', image)
cv2.imshow('Red Extracted', result)
cv2.waitKey(0)
cv2.destroyAllWindows()