Python OpenCV 图像区域轮廓标记(框选各种小纸条)

学在前面

上篇 OpenCV 博客原计划完成一个 识别银行卡号 的项目，但是写的过程中发现，技术储备不足，我无法在下述图片中，提取出卡号区域，也就无法进行后续的识别了，再次意识到了自己技术还不达标，继续学习。完不成，就实现其它学习项目。

轮廓识别实战

先看一下最终实现的效果，针对一张图片（该图片前景色和背景色差异较大），进行轮廓标记。

图片基本处理

import cv2 as cv

src = cv.imread("./demo.jpg")

gray = cv.cvtColor(src, cv.COLOR_BGR2GRAY)
# cv.imshow("src", src)

gray = cv.GaussianBlur(gray, (5, 5), 0)
edges = cv.Canny(gray, 70, 210)

cv.imshow("edged", edges)

转换成灰度图，高斯模糊去噪，Canny 边缘检测，这些都是图像处理的基本函数，使用方法已经在前文进行过相关学习。

运行上述代码之后，获取基本边缘数据。

轮廓检测

下面就是检测图像轮廓具体位置的代码了：

contours, hierarchy = cv.findContours(edges.copy(), cv.RETR_LIST, cv.CHAIN_APPROX_SIMPLE)
print(f"轮廓数量：{len(contours)}")

在 cv.findContours(edges, cv.RETR_LIST, cv.CHAIN_APPROX_SIMPLE) 中，第二个参数使用的是 cv.RETR_LIST，该参数值表示检测所有轮廓，不建立等级关系，彼此独立。如果只想获取轮廓边缘信息,不关心是否嵌套在另一个轮廓之内，使用该参数值即可。

第三个参数使用的是 cv.CHAIN_APPROX_SIMPLE，表示压缩水平方向，垂直方向，对角线方向的元素，只保留该方向的终点坐标，例如一个矩形轮廓只需 4 个点来保存轮廓信息，这也是为了后面便于计算。

观察上图，可以发现最外侧的边缘面积是最大的，所以依据面积进行排序，依据其他值也可以，获取面积最大的轮廓。

contours = sorted(contours, key = cv.contourArea, reverse = True)[:3]

对轮廓进行简单绘制，获得下图效果。

cv.drawContours(src,contours,-1,(0,0,255),2)

遍历轮廓，计算轮廓近似

先看代码：

# 遍历轮廓
for c in contours:
# 计算轮廓近似
peri = cv.arcLength(c, True)
approx = cv.approxPolyDP(c, 0.02 * peri, True)

一个新的函数 cv.arcLength，该函数的原型如下：

retval = cv2.arcLength(curve, closed)

该函数用于计算轮廓的周长。

下面的 cv.approxPolyDP 函数原型如下：

approxCurve = cv2.approxPolyDP(curve, epsilon, closed[, approxCurve])

函数参数如下：

• curve：源图像的某个轮廓；

• epsilon：距离值，表示多边形的轮廓接近实际轮廓的程度，值越小，越精确；

• closed：轮廓是否闭合。

最重要的参数就是 epsilon 简单记忆为：该值越小，得到的多边形角点越多，轮廓越接近实际轮廓，该参数是一个准确度参数。

该函数返回值为轮廓近似多边形的角点。

绘制轮廓

最后判断，当上文返回的角点为 4 的时候，提取轮廓，代码如下：

# 遍历轮廓
for c in contours:
# 计算轮廓近似
peri = cv.arcLength(c, True)
approx = cv.approxPolyDP(c, 0.02 * peri, True)

# 当恰好是 4 个角点的时候，获取轮廓。
if len(approx) == 4:
screen_cnt = approx
break

# 结果显示
cv.drawContours(src, [screen_cnt], -1, (0, 0, 255), 2)

更换图片，进行再次轮廓检测，注意修改轮廓近似部分代码即可。

# 遍历轮廓
for c in contours:
 # 计算轮廓近似

approx = cv.approxPolyDP(c, 30, True)

if len(approx) == 4:
   screen_cnt = approx
   break

来源：https://blog.csdn.net/hihell/article/details/114532181