网站如何做关键词seo优化aso优化服务平台

---

前言

轮廓提取的前提，将背景置为黑色，目标为白色（利用二值化或Canny）

边缘检测，例如Canny等，利用梯度变化，记录图像中的边缘像素点，返回和源图片一样尺寸和类型的边缘图。

轮廓检测，则是将得到的每一个轮廓信息存储下来，记录的是轮廓之间和内部的信息。

---

一、查找轮廓

contours, hierarchy = cv2.findContours(image, mode, method)

参数：

• Image：输入的二值图像，用于检测轮廓

mode：轮廓检索模式，决定函数如何检索和返回轮廓。

• cv2.RETR_EXTERNAL：只检索最外层的轮廓。忽略轮廓内部的任何嵌套轮廓。
• cv2.RETR_LIST：检索所有轮廓，但不建立轮廓之间的父子关系。所有的轮廓都被放置在同一个列表中，但彼此之间没有层级结构。
• cv2.RETR_CCOMP：检索所有轮廓，并建立两层轮廓间的父子关系。外层轮廓是物体的外边界，内层轮廓是物体的内孔边界。如果内孔内还有另一个连通物体，这个物体的边界也会被检索出来，并作为外层的子轮廓。
• cv2.RETR_TREE：检索所有轮廓，并建立完整的轮廓层级结构。这种模式下，轮廓之间的父子关系被完整地保存下来，形成一个树状结构。

method：轮廓近似方法，决定轮廓如何被表示和存储。不同的近似方法会影响轮廓的精度和所需的存储空间。

• cv2.CHAIN_APPROX_NONE：存储所有的轮廓点。这是最高精度的表示方法，但会占用较多的存储空间。
• cv2.CHAIN_APPROX_SIMPLE：仅存储轮廓的端点。这种方法会压缩水平方向、垂直方向和对角线方向上的轮廓点，只保留端点。例如，一个矩形轮廓只需存储四个角点即可。
  返回值：
• contours：一个 Python 列表，其中包含了图像中所有的轮廓。每个轮廓都是一个点集（NumPy 数组），表示轮廓上的所有点。
• hierarchy：一个 NumPy 数组，包含了轮廓的层次结构信息。对于每个轮廓，它包含了四个值：[Next, Previous, First Child, Parent]。这个数组对于理解轮廓之间的关系非常有用。

二、绘制轮廓

mage = cv2.drawContours(image, contours, contourIdx, color, thickness)
img = cv2.drawContours(img, contours, -1, (0, 255, 0), 2)

参数：

• image：目标图像，轮廓将被绘制在这个图像上。
• contours：要绘制的所有轮廓。
• contourIdx：指定要绘制的轮廓索引。如果是 -1，则绘制所有轮廓。
• color：轮廓的颜色。
• thickness：轮廓线的厚度。

轮廓面积

cv2.contourArea(contour, oriented)
area = cv2.contourArea(contours[0])

• contour：这是一个轮廓的点集，通常通过 cv2.findContours() 函数获得。它是一个 NumPy 数组，其中包含了轮廓上所有点的坐标。
• oriented（可选）：这是一个布尔值参数。如果提供了这个参数，并且其值为 True，则函数返回的面积值将带有方向性，正数表示轮廓是逆时针方向，负数表示轮廓是顺时针方向。如果未提供此参数或参数值为 False（默认值），则函数返回的面积值为绝对值，即不考虑轮廓的方向。

轮廓周长

cv2.arcLength(curve, closed)
length = cv2.arcLength(contours[0], True)

• curve：轮廓的点集，通过 cv2.findContours() 函数获得。是一个 NumPy 数组，其中包含了轮廓上所有点的坐标。
• closed：布尔值参数，用于指定轮廓是否是闭合的。如果轮廓是闭合的（例如，一个完整的圆或正方形），则将此参数设置为 True。如果轮廓不是闭合的（例如，一条线段或圆弧的一部分），则将此参数设置为 False。