本文共 1636 字，大约阅读时间需要 5 分钟。

本博客的目标：（1）检测图像中每个形状的轮廓，然后（2）计算轮廓的中心-也称为质心。

1. 计算轮廓/形状区域的中心；
2. 仅使用轮廓属性识别出各种形状，例如圆形，正方形，矩形，三角形和五边形；
3. 标记形状的颜色；

效果图：

1. 图像预处理部分

考虑到图像是人为绘制或者剪切的，圆形不够圆，方形不够方，矩形也不是完全矩形；首先进行轮廓提取；

2. 轮廓检测

检测轮廓后，计算轮廓区域的图像矩；获取轮廓的中心；并绘制在图像上；

在计算机视觉和图像处理中， 通常用于表征图像中对象的形状。这些力矩捕获了形状的基本统计特性，包括对象的面积，质心（即对象的中心（x，y）坐标），方向以及其他所需的特性。对于处理分隔后的图像尤其有用；

# python center_of_shape.py --image shapes_and_colors.png# 导入必要的包import argparseimport imutilsimport cv2# 构建命令行参数# --image 要处理的图像路径ap = argparse.ArgumentParser()ap.add_argument("-i", "--image", required=True,                help="path to the input image")args = vars(ap.parse_args())# 加载图像，转换为灰度，使用5 x 5内核进行高斯平滑处理，阈值化image = cv2.imread(args["image"])gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)blurred = cv2.GaussianBlur(gray, (5, 5), 0)thresh = cv2.threshold(blurred, 60, 255, cv2.THRESH_BINARY)[1]# 注意，在应用阈值化之后，形状是如何在黑色背景上表示为白色前景。# 下一步是使用轮廓检测​​找到这些白色区域的位置：cnts = cv2.findContours(thresh.copy(), cv2.RETR_EXTERNAL,                        cv2.CHAIN_APPROX_SIMPLE)cnts = imutils.grab_contours(cnts)# 遍历轮廓集for c in cnts:    # 计算轮廓区域的图像矩。 在计算机视觉和图像处理中，图像矩通常用于表征图像中对象的形状。这些力矩捕获了形状的基本统计特性，包括对象的面积，质心（即，对象的中心（x，y）坐标），方向以及其他所需的特性。    M = cv2.moments(c)    cX = int(M["m10"] / M["m00"])    cY = int(M["m01"] / M["m00"])    # 在图像上绘制轮廓及中心    cv2.drawContours(image, [c], -1, (0, 255, 0), 2)    cv2.circle(image, (cX, cY), 7, (255, 255, 255), -1)    cv2.putText(image, "center", (cX - 20, cY - 20),                cv2.FONT_HERSHEY_SIMPLEX, 0.5, (255, 255, 255), 2)    # 展示图像    cv2.imshow("Image", image)    cv2.waitKey(0)

参考：

转载地址：http://xxai.baihongyu.com/