使用Python，OpenCV进行基本的图像处理——提取红色圆圈轮廓并绘制

- 1. 效果图
- - 1.1 形态学图像处理效果图
  - 1.2 转换HSV色彩空间提取
- 2. 源码
- - 2.1 形态学图像处理提取源码
  - 2.2 转换HSV色彩空间提取源码

写这篇博客源于博友的提问，想提取图片中的红色圆圈坐标，并绘制封闭的轮廓。

在这里插入图片描述
看到这个首先有几个解决思路：

1. 霍夫圆提取
2. 圆圈均是红色，可以转换HSV色彩空间提取
3. 应用一系列图像处理：灰度图、形态学操作、阈值化进行简单提取

一个一个尝试，霍夫圆不是很理想，调整了参数，也没有全部提取到，只提取到了部分。
本文将演示2，3俩种提取方法：
HSV色彩空间提取红色，需要对红色的HSV范围设置合理，才可以有比较好的提取效果。
使用一系列形态学图像处理，得到了比较理想的结果。

1. 效果图

1.1 形态学图像处理效果图

检测原始图 VS 效果图如下：

可以看到右图中，轮廓被用闭合的绿色轮廓连接起来。
在这里插入图片描述
检测过程1——原图 VS 剪裁后图如下：

裁剪后图：忽略边界坐标轴对轮廓提取的影响；

检测过程2—— 灰度图 VS 白帽图 VS 梯度图 VS 形态学闭合图如下：

灰度图：忽略色彩影响；
白帽图：从较暗的背景中提取较亮的区域
梯度图：计算Schaar梯度图，使用梯度来检测图像中的边缘，更好的在图像中找到对象的轮廓和边缘线；
形态学闭合图：矩形框形态学闭合操作，以帮助闭合轮廓间小的缝隙

在这里插入图片描述

检测过程3——形态学闭合图 VS 二值化图1 VS 阈值化图2 如下：

二值化图：使得图像以白色前景和黑色背景呈现，以便于轮廓提取
阈值化图：方形框形态学闭合操作，以二次帮助闭合小的缝隙

在这里插入图片描述

识别过程3——轮廓过滤图 VS 提取最终效果图如下：

轮廓过滤图：根据面积只保留够大的轮廓图（截取完的图片只包含俩个轮廓，无需过滤，用原始图则需要过滤）
最终效果图：俩个大的轮廓被成功提取

绘制检测到的轮廓的组成点为蓝色空心圆形，绘制轮廓为绿色矩形。
在这里插入图片描述
检测结果——裁剪后图检测效果图 VS 原图直接检测效果图对比：

可以看到当直接使用原图进行上述检测，坐标轴边界会有干扰，结果中会检测出多余的轮廓。
在这里插入图片描述

1.2 转换HSV色彩空间提取

对红色的HSV空间设置合理后，发现转换HSV色彩空间提取的效果图也挺好。

原始图 VS 提取后绘制轮廓效果图如下：
在这里插入图片描述
检测过程图1：HSV图 VS HSV提取红色Mask图：

检测过程图2：轮廓膨胀图 VS 轮廓腐蚀图：

2. 源码

2.1 形态学图像处理提取源码

# 提取圆圈的轮廓，并绘制
import cv2
import imutils
import numpy as np# 初始化矩形和方形结构内核
# 在图像上滑动它来进行（卷积）操作，如模糊、锐化、边缘检测或其他图像处理操作。
# 使用矩形函数作为Top-hat形态学运算符，使用方形函数作为闭合运算。
rectKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (9, 3))
sqKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))# 加载输入图像，转换为灰度图
origin = cv2.imread('images/circle.png')
image = origin.copy()
width = 75
height = 34# # 只截取有轮廓的区域，避免坐标轴线等干扰
image = image[height:369, width:512]
cv2.imshow("origin", origin)
cv2.imshow("crop", image)
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
cv2.imshow("gray", gray)# 执行形态学操作
# 应用tophat（白帽）形态学操作以在暗的背景中提取出亮的区域
# Top hat操作在深色背景（即信用卡号）下显示浅色区域
tophat = cv2.morphologyEx(gray, cv2.MORPH_TOPHAT, rectKernel)
cv2.imshow("tophat", tophat)# 计算Scharr梯度，计算梯度值
# 在白色礼帽上，计算x方向的Scharr梯度，然后缩放到范围[0, 255]
gradX = cv2.Sobel(tophat, ddepth=cv2.CV_32F, dx=1, dy=0, ksize=-1)
gradX = np.absolute(gradX)
(minVal, maxVal) = (np.min(gradX), np.max(gradX))
# 最小/最大归一化, 由float转换gradX到uint8范围[0-255]
gradX = (255 * ((gradX - minVal) / (maxVal - minVal)))
gradX = gradX.astype("uint8")
cv2.imshow("gradient", gradX)# 使用矩形框应用闭合操作以帮助闭合信用卡数字之间的小的缝隙
# 应用Otsu's阈值方法二值化图像
gradX = cv2.morphologyEx(gradX, cv2.MORPH_CLOSE, rectKernel)
cv2.imshow("morphologyEx", gradX)
thresh = cv2.threshold(gradX, 0, 255,cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]
cv2.imshow("thresh1", thresh)# 在二值化图像上，应用二次闭合操作
# 再一次方形框形态学操作，帮助闭合小的的缝隙
thresh = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, sqKernel)
cv2.imshow("thresh2", thresh)# 阈值图像中查找轮廓，然后初始化数字位置列表
cnts = cv2.findContours(thresh.copy(), cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)
cnts = imutils.grab_contours(cnts)
print(len(cnts))img = image.copy()
# 遍历轮廓
for (i, c) in enumerate(cnts):area = cv2.contourArea(c)print(i, area)# 根据面积过滤掉不符合的轮廓if (area < 4000):continue# print(' c: ', type(c), c.shape, c[0], type([c]))cc = c.copy()cc[:, :, 0] += widthcc[:, :, 1] += height# print('cc: ', type(cc), cc.shape, cc[0])for coor in c:# 在轮廓的每个小圆上绘制蓝色圆圈cv2.circle(img, (coor[0][0],coor[0][1]),5, (255, 0, 0), 1)cv2.drawContours(origin, [cc], -1, (0, 255, 0), 2)cv2.drawContours(image, [c], -1, (0, 255, 0), 2)cv2.imshow("origin res", origin)
cv2.imshow("img res", img)
cv2.imshow("image res", image)
cv2.imwrite("images/crop_circle_extract.jpg",image)
cv2.waitKey(0)

2.2 转换HSV色彩空间提取源码

# 将图像从一种颜色空间转换为另一种颜色空间，例如 BGR、RGB、Gray、HSV 等。
# 创建一个应用程序来提取视频中的彩色对象
# OpenCV 中有超过 150 种颜色空间转换方法可用，本文只介绍最经典的2中：BGR、HSV及互转from collections import dequeimport cv2
import imutils# 遍历查看所有颜色空间
flags = [i for i in dir(cv2) if i.startswith('COLOR_')]
print(flags)
print(len(flags))# 对于 HSV，色调范围为 [0,179]，饱和度范围为 [0,255]，值范围为 [0,255]。不同的软件使用不同的尺度。因此，如果您将 OpenCV 值与它们进行比较，则需要对这些范围进行归一化。
# 对象跟踪，可以使用HSV来提取彩色对象。这是最简单的对象追踪，找到物体的质心，就可以绘制轨迹来追踪物体；
import cv2
import numpy as nporigin = cv2.imread('images/circle.png')
frame = origin.copy()
origin1 = origin.copy()
cv2.imshow("origin", frame)  # 转换BGR为HSV
hsv = cv2.cvtColor(frame, cv2.COLOR_BGR2HSV)
cv2.imshow("hsv", hsv)# 定义绿色的HSV空间值
# lower_blue = np.array([29, 86, 6])
# upper_blue = np.array([64, 255, 255])# 定义红色的HSV空间值
lower_red = np.array([-30, 43, 46])
upper_red = np.array([30, 255, 255])# 阈值化图像，只获取红色
mask = cv2.inRange(hsv, lower_red, upper_red)
cv2.imshow("mask hsv", mask)
mask = cv2.dilate(mask, None, iterations=3)
cv2.imshow("mask dilate", mask)
mask = cv2.erode(mask, None, iterations=2)
cv2.imshow("mask erode", mask)# 寻找mask中的轮廓，并初始化球当前的中心（x,y）
cnts = cv2.findContours(mask.copy(), cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)
cnts = imutils.grab_contours(cnts)
print('cnts: ', len(cnts))
center = Nonepts = deque(maxlen=500)
# 发现至少一个轮廓继续处理
if len(cnts) > 0:for c in cnts:# 计算最小外接圆，质心((x, y), radius) = cv2.minEnclosingCircle(c)M = cv2.moments(c)center = (int(M["m10"] / M["m00"]), int(M["m01"] / M["m00"]))pts.appendleft(center)# 绘制轮廓cv2.drawContours(frame, [c], -1, (0, 255, 0), 2)# 在帧上绘制红色球的外接圆及中心# cv2.circle(frame, (int(x), int(y)), int(radius),#            (0, 255, 0), -1)# cv2.circle(frame, (int(x), int(y)), 2,#            (255, 255, 0), 2)
cv2.imshow("Res", frame)
cv2.waitKey(0)# 如何找到HSV空间值呢？
# 比如要寻找绿色，可以找到BGR(0,255,0) ,转换为HSV，然后取[ H-10,S,V]为下限 -- [ H+10,S,V]为上限；
green = np.uint8([[[0, 255, 0]]])
hsv_green = cv2.cvtColor(green, cv2.COLOR_BGR2HSV)
print(hsv_green)