opencv检测不到轮廓

Question

检测下面图片

        gray_img = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
        _, binary = cv2.threshold(gray_img, 127, 255, cv2.THRESH_BINARY)
        contours, _ = cv2.findContours(binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)

结果左上角的圆和下方的“目视行车”的字体无法检测到。是阈值参数问题，还是需要做预处理？

Answer 1

引自强大而免费的微信小程序：皆我百晓生。

问题分析：

根据所提供的信息，有两个区域无法在图像上检测到轮廓，一个是左上角的圆，另一个是下方的“目视行车”字体。根据经验，在这种情况下，可能有两个原因导致问题：阈值参数设置不正确或者需要进行图像预处理。

1. 阈值参数设置不正确：

阈值参数用于将灰度图像转换为二值图像，从而便于轮廓检测。如果阈值设置过高或过低，可能会使得一些目标区域在二值图像中不明显，从而无法检测轮廓。

2. 需要进行图像预处理：

有些情况下，直接对原始图像应用阈值处理可能不够有效。在这种情况下，可能需要使用图像预处理技术，例如平滑化、边缘检测、形态学操作等，以提高轮廓检测的效果。这些预处理步骤可以帮助消除噪声、增强目标区域的边缘等。

解决方案：

1. 调整阈值参数：

阈值参数可能需要根据图像的特点进行调整。可以尝试不同的阈值值，找到一个合适的阈值，使得目标区域在二值图像中明显可见。可以使用图片的直方图来帮助判断一个合适的阈值。以下是一个示例代码，用于调整阈值并显示二值图像：

import cv2
import numpy as np

image = cv2.imread("img.jpg")
gray_img = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 绘制直方图
hist = cv2.calcHist([gray_img], [0], None, [256], [0, 256])

# 找到直方图的峰值
peaks = np.where(hist == np.max(hist))
threshold = int(peaks[0]) + 30  # 在峰值的基础上增加一个偏移量，以适应不同的图像

_, binary = cv2.threshold(gray_img, threshold, 255, cv2.THRESH_BINARY)
cv2.imshow("Binary Image", binary)
cv2.waitKey(0)
cv2.destroyAllWindows()

2. 进行图像预处理：

如果调整阈值参数后仍无法检测到目标区域的轮廓，可能需要进行图像预处理。以下是一些常见的预处理步骤：

2.1 平滑化：

平滑化可以消除图像中的噪声，从而提高轮廓检测的效果。可以尝试使用高斯滤波或均值滤波来平滑图像。以下是一个示例代码，演示如何使用高斯滤波器平滑图像：

import cv2

image = cv2.imread("img.jpg")
gray_img = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 高斯滤波
blurred_img = cv2.GaussianBlur(gray_img, (5, 5), 0)

_, binary = cv2.threshold(blurred_img, 127, 255, cv2.THRESH_BINARY)
cv2.imshow("Binary Image with Gaussian Blur", binary)
cv2.waitKey(0)
cv2.destroyAllWindows()

2.2 边缘检测：

在某些情况下，使用边缘检测算法可以提高轮廓检测的效果。可以尝试使用Canny边缘检测算法，找到图像中的边缘。以下是一个示例代码，演示如何使用Canny算法检测图像的边缘：

import cv2

image = cv2.imread("img.jpg")
gray_img = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 边缘检测
edges = cv2.Canny(gray_img, 50, 150)

_, binary = cv2.threshold(edges, 127, 255, cv2.THRESH_BINARY)
cv2.imshow("Binary Image with Canny Edges", binary)
cv2.waitKey(0)
cv2.destroyAllWindows()

2.3 形态学操作：

形态学操作可以进一步增强目标区域的边缘，从而提高轮廓检测的效果。可以尝试使用腐蚀和膨胀操作来改善目标区域的连通性和形状。以下是一个示例代码，演示如何使用形态学操作对图像进行预处理：

import cv2
import numpy as np

image = cv2.imread("img.jpg")
gray_img = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 二值化
_, binary = cv2.threshold(gray_img, 127, 255, cv2.THRESH_BINARY)

# 形态学操作
kernel = np.ones((5, 5), np.uint8)
binary = cv2.morphologyEx(binary, cv2.MORPH_CLOSE, kernel)

contours, _ = cv2.findContours(binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)

# 绘制轮廓
cv2.drawContours(image, contours, -1, (0, 255, 0), 2)
cv2.imshow("Contours", image)
cv2.waitKey(0)
cv2.destroyAllWindows()

通过逐步调整阈值参数和尝试不同的图像预处理技术，应该能够解决无法检测到轮廓的问题。

希望这些解决方案能够帮助到您！