教程匯總：python基礎入門系列

假設有這樣一個任務，通過顯微鏡拍下的某藻類細胞的玻片圖，需要統計圖中細胞個數，如果每天都要人工處理這項作業，那么將會浪費大量的時間與人力，我們既然學習了python那么自然可以想辦法自動化高效率（偷懶）的完成這項任務，顯微鏡下藻類細胞圖如下：

影像預處理

這種圖是必須要進行處理過的，濾除掉無關多余資訊才能更有針對性的進行細胞檢測任務，首先想到的便是灰度，二值化處理，上代碼：

import cv2
src=cv2.imread('cell0.jpg')
# 鑒于后續的影像處理操作可能會破壞原圖，我們這里另拷貝一份src來用
img = src.copy()
# 轉灰度圖
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
# 均值模糊，除去噪音
gray = cv2.blur(gray, (2, 2))
# 二值化
retval,threshold = cv2.threshold(gray,150,255,cv2.THRESH_BINARY)

cv2.imshow("gray", gray)
cv2.imshow("threshold", threshold)
cv2.waitKey(0)
cv2.destroyAllWindows()

處理結果如下圖：

物體輪廓檢測

代表細胞的黑點已經處理出來了，那么就要進行輪廓檢測與統計了，這里我們會用到cv2.findContours()函式來查找檢測物體的輪廓，需要注意的是cv2.findContours()函式接受的引數為二值圖，即黑白的（不是灰度圖)，所以使用該方法前二值化處理是比不可少的，在之前二值化處理代碼基礎上增加輪廓檢測代碼：

contours,hierarchy = cv2.findContours(threshold,cv2.RETR_LIST,cv2.CHAIN_APPROX_SIMPLE)

注意，findcontours函式會“原地”修改輸入的影像，這一點可通過下面的陳述句驗證：

cv2.imshow("threshold", threshold) 
contours,hierarchy = cv2.findContours(threshold,cv2.RETR_LIST,cv2.CHAIN_APPROX_SIMPLE)
cv2.imshow("threshold2", threshold) 

cv2.findContours()函式

函式的原型為

cv2.findContours(image, mode, method[, contours[, hierarchy[, offset ]]])  

opencv2回傳兩個值：contours，hierarchy，注:opencv3會回傳三個值,分別是img, countours, hierarchy

引數

• 第一個引數是尋找輪廓的影像；

• 第二個引數表示輪廓的檢索模式，有四種（本文介紹的都是新的cv2介面）：
  cv2.RETR_EXTERNAL 表示只檢測外輪廓
  cv2.RETR_LIST 檢測的輪廓不建立等級關系
  cv2.RETR_CCOMP 建立兩個等級的輪廓，上面的一層為外邊界，里面的一層為內孔的邊界資訊，如果內孔內還有一個連通物體，這個物體的邊界也在頂層，
  cv2.RETR_TREE 建立一個等級樹結構的輪廓，

• 第三個引數method為輪廓的近似辦法
  cv2.CHAIN_APPROX_NONE 存盤所有的輪廓點，相鄰的兩個點的像素位置差不超過1，即max（abs（x1-x2），abs（y2-y1））==1
  cv2.CHAIN_APPROX_SIMPLE 壓縮水平方向，垂直方向，對角線方向的元素，只保留該方向的終點坐標，例如一個矩形輪廓只需4個點來保存輪廓資訊
  cv2.CHAIN_APPROX_TC89_L1，CV_CHAIN_APPROX_TC89_KCOS 使用teh-Chinl chain 近似演算法

回傳值

cv2.findContours()函式回傳兩個值，一個是輪廓本身（contours），還有一個是每條輪廓對應的屬性（hierarchy），

• contours：
  我們主要用到第一個回傳值，該引數是一個list，list中每個元素都是影像中的一個輪廓，用numpy中的ndarray表示，這個概念非常重要，在下面drawContours中會看見，通過

  print (type(contours))  
  print (type(contours[0]))  
  print (len(contours))  
  

• hierarchy：
  此外，該函式還可回傳一個可選的hiararchy結果，這是一個ndarray，其中的元素個數和輪廓個數相同，每個輪廓contours[i]對應4個hierarchy元素hierarchy[i][0] ~hierarchy[i][3]，分別表示后一個輪廓、前一個輪廓、父輪廓、內嵌輪廓的索引編號，如果沒有對應項，則該值為負數，
  通過

  print (type(hierarchy))  
  print (hierarchy.ndim)  
  print (hierarchy[0].ndim)  
  print (hierarchy.shape)  
  

  可以看出，hierarchy本身包含兩個ndarray，每個ndarray對應一個輪廓，每個輪廓有四個屬性，

輪廓的繪制

我們需要在原圖上繪制出檢測出來的輪廓，方便驗證檢測出來的輪廓是否滿足我們的要求，OpenCV中可以使用cv2.drawContours()函式在影像上繪制輪廓，
函式原型如下：

cv2.drawContours(image, contours, contourIdx, color[, thickness[, lineType[, hierarchy[, maxLevel[, offset ]]]]]) 

• 第一個引數是指明在哪幅影像上繪制輪廓；
• 第二個引數是輪廓本身，在Python中是一個list，
• 第三個引數指定繪制輪廓list中的哪條輪廓，如果是-1，則繪制其中的所有輪廓，后面的引數很簡單，其中thickness表明輪廓線的寬度，如果是-1（cv2.FILLED），則為填充模式，繪制引數將在以后獨立詳細介紹，

完整代碼如下：

import cv2

#打開圖片
src=cv2.imread('cell0.jpg')
# 鑒于后續的影像處理操作可能會破壞原圖，我們這里另拷貝一份src來用
img = src.copy()
# 轉灰度圖
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
# 均值模糊，除去噪音
gray = cv2.blur(gray, (2, 2))
# 二值化
retval,threshold = cv2.threshold(gray,150,255,cv2.THRESH_BINARY)

#輪廓檢測
contours,hierarchy = cv2.findContours(threshold,cv2.RETR_LIST,cv2.CHAIN_APPROX_SIMPLE)
# 標記圓點輪廓
cv2.drawContours(img,contours,-1,(255,0,0,),1)
# 標記圓點序號
n = 0
for cnt in contours:
    font = cv2.FONT_HERSHEY_PLAIN
    cv2.putText(img,str(n+1),(contours[n][0][0][0],contours[n][0][0][1]),font,1,(200,200,0),1,cv2.LINE_AA)
    n += 1
# 顯示總個數
font = cv2.FONT_HERSHEY_SIMPLEX
cv2.putText(img,'number:'+str(len(contours)-1),(0,30),font,1,(255,0,0),2,cv2.LINE_AA)
cv2.imshow("source",src)
cv2.imshow("result", img)

cv2.waitKey(0)
cv2.destroyAllWindows()

結果如下圖：

自適應閾值優化

上面的處理我們只是用了簡單閾值處理也足夠了，可如果是下面這張圖呢：

可以發現圖中邊緣有大面積深色部分，簡單閾值的話勢必會導致出現誤判，通過前面 三、OpenCV影像的預處理——二值化與自適應閾值的章節學習，我們想到了采用自適應閾值來處理，
只需要上面代碼中二值化處理代碼改為下句：

threshold = cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 21, 35)

結果如圖：