使用Python，OpenCV進行基本的影像處理——提取紅色圓圈輪廓并繪制

寫這篇博客源于博友的提問，想提取圖片中的紅色圓圈坐標，并繪制封閉的輪廓，

看到這個首先有幾個解決思路：

1. 霍夫圓提取
2. 圓圈均是紅色，可以轉換HSV色彩空間提取
3. 應用一系列影像處理：灰度圖、形態學操作、閾值化進行簡單提取

一個一個嘗試，霍夫圓不是很理想，調整了引數，也沒有全部提取到，只提取到了部分，
HSV色彩空間提取紅色，因為對紅色的HSV范圍設定的不夠合理，效果也不是很好，
還是使用一系列影像處理，得到了比較理想的結果，

1. 效果圖

檢測原始圖 VS 效果圖如下：

可以看到右圖中，輪廓被用閉合的綠色輪廓連接起來，

檢測程序1——原圖 VS 剪裁后圖如下：

• 裁剪后圖：忽略邊界坐標軸對輪廓提取的影響；
  

檢測程序2—— 灰度圖 VS 白帽圖 VS 梯度圖 VS 形態學閉合圖如下：

• 灰度圖：忽略色彩影響；
• 白帽圖：從較暗的背景中提取較亮的區域
• 梯度圖：計算Schaar梯度圖，使用梯度來檢測影像中的邊緣，更好的在影像中找到物件的輪廓和邊緣線；
• 形態學閉合圖：矩形框形態學閉合操作，以幫助閉合輪廓間小的縫隙

檢測程序3——形態學閉合圖 VS 二值化圖1 VS 閾值化圖2 如下：

• 二值化圖：使得影像以白色前景和黑色背景呈現，以便于輪廓提取
• 閾值化圖：方形框形態學閉合操作，以二次幫助閉合小的縫隙

識別程序3——輪廓過濾圖 VS 提取最終效果圖 如下：

輪廓過濾圖：根據面積只保留夠大的輪廓圖（截取完的圖片只包含倆個輪廓，無需過濾，用原始圖則需要過濾）
最終效果圖：倆個大的輪廓被成功提取

繪制檢測到的輪廓的組成點為藍色空心圓形，繪制輪廓為綠色矩形，

檢測結果——裁剪后圖檢測效果圖 VS 原圖直接檢測效果圖對比：

可以看到當直接使用原圖進行上述檢測，坐標軸邊界會有干擾，結果中會檢測出多余的輪廓，

2. 原始碼

# 提取圓圈的輪廓，并繪制
import cv2
import imutils
import numpy as np

# 初始化矩形和方形結構內核
# 在影像上滑動它來進行（卷積）操作，如模糊、銳化、邊緣檢測或其他影像處理操作，
# 使用矩形函式作為Top-hat形態學運算子，使用方形函式作為閉合運算，
rectKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (9, 3))
sqKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))

# 加載輸入影像，轉換為灰度圖
origin = cv2.imread('images/circle.png')
image = origin.copy()
width = 75
height = 34

# # 只截取有輪廓的區域，避免坐標軸線等干擾
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)

# 執行形態學操作
# 應用tophat（白帽）形態學操作以在暗的背景中提取出亮的區域
# Top hat操作在深色背景（即信用卡號）下顯示淺色區域
tophat = cv2.morphologyEx(gray, cv2.MORPH_TOPHAT, rectKernel)
cv2.imshow("tophat", tophat)

# 計算Scharr梯度，計算梯度值
# 在白色禮帽上，計算x方向的Scharr梯度，然后縮放到范圍[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/最大歸一化, 由float轉換gradX到uint8范圍[0-255]
gradX = (255 * ((gradX - minVal) / (maxVal - minVal)))
gradX = gradX.astype("uint8")
cv2.imshow("gradient", gradX)

# 使用矩形框應用閉合操作以幫助閉合信用卡數字之間的小的縫隙
# 應用Otsu's閾值方法二值化影像
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)

# 在二值化影像上，應用二次閉合操作
# 再一次方形框形態學操作，幫助閉合小的的縫隙
thresh = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, sqKernel)
cv2.imshow("thresh2", thresh)

# 閾值影像中查找輪廓，然后初始化數字位置串列
cnts = cv2.findContours(thresh.copy(), cv2.RETR_EXTERNAL,
                        cv2.CHAIN_APPROX_SIMPLE)
cnts = imutils.grab_contours(cnts)
print(len(cnts))

img = image.copy()
# 遍歷輪廓
for (i, c) in enumerate(cnts):
    area = cv2.contourArea(c)
    print(i, area)
    # 根據面積過濾掉不符合的輪廓
    if (area < 4000):
        continue
    # print(' c: ', type(c), c.shape, c[0], type([c]))

    cc = c.copy()
    cc[:, :, 0] += width
    cc[:, :, 1] += height
    # print('cc: ', type(cc), cc.shape, cc[0])

    for coor in c:
        # 在輪廓的每個小圓上繪制藍色圓圈
        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)