当前位置：首页 > news >正文

计算机视觉opencv之绘制轮廓模版匹配，传参方法

news 2026/3/26 17:38:40

一、绘制轮廓

上一篇博客中我们介绍了轮廓的绘制，但是比较片面

现在我们实现对图片花的外轮廓用红线绘制

如果我们使用上一次轮廓绘制的代码会发现，效果并不是预想的那样

import cv2 image1=cv2.imread(r"D:\project\hua.png") image1_gray=cv2.cvtColor(image1,cv2.COLOR_BGR2GRAY) cv2.imshow('image1_gray',image1_gray) cv2.waitKey(0) ret,image1_binary=cv2.threshold(image1_gray,120,255,cv2.THRESH_BINARY) cv2.imshow('image1_binary',image1_binary) cv2.waitKey(0) _,contours,hierarchy=cv2.findContours(image1_binary,cv2.RETR_TREE,cv2.CHAIN_APPROX_NONE) print(len(contours)) image_copy=image1.copy() cv2.drawContours(image=image_copy,contours=contours,contourIdx=-1,color=(0,255,255),thickness=2) cv2.imshow('image_copy',image_copy) cv2.waitKey(0)

我们需要调节一下参数

ret,image1_binary=cv2.threshold(image1_gray,120,255,cv2.THRESH_BINARY)

这句话中我们拿我们处理的灰度图进行二值化，120就是一个临界值。在这里0~255，0表示黑色，255表示白色，120以下的值就会被处理为0，即黑色，120以上就被处理为255，即白色，就像下图第二张图显示一样，所以如果我们想要达到理想的效果就要把背景和花束二值化区别彻底

现在我们把120改为240（这里的值是需要自己慢慢去调试的），会发现花束和北京已经能很好的区别开了，但是我们队轮廓获取的时候，发现轮廓描绘把这张图片的轮廓也绘制了，这是因为opencv的一个特点，轮廓描绘会对像素为255，也就是白色部分进行绘制。

上一篇讲述轮廓绘制的时候我们使用的是

二值化处理的时候背景图由于本身就是深色，所以处理成了黑色，绘制轮廓就没有出现把图片本身轮廓绘制出来的情况

这里知道，opencv绘制图片轮廓的时候，我们需要对想要获取轮廓的物体处理成白色，背景处理为黑色。

所以这里我们想要获得理想效果就可以：

import cv2 import numpy as np image1 = cv2.imread(r"D:\project\hua.png") # 转为灰度 image1_gray = cv2.cvtColor(image1, cv2.COLOR_BGR2GRAY) ret, image1_binary = cv2.threshold(image1_gray, 240, 255, cv2.THRESH_BINARY_INV) # 获取轮廓 _, contours, hierarchy = cv2.findContours(image1_binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_TC89_KCOS) print("找到轮廓数量:", len(contours)) # 绘制结果 image_combined = image1.copy() if len(contours) > 0: # 取最大的轮廓 flower_contour = max(contours, key=cv2.contourArea) # 1. 绿色近似轮廓 epsilon = 0.005 * cv2.arcLength(flower_contour, True) approx = cv2.approxPolyDP(flower_contour, epsilon, True) cv2.drawContours(image=image_combined, contours=[approx], contourIdx=-1, color=(0, 255, 0), thickness=2) # 2. 红色原始轮廓 cv2.drawContours(image=image_combined, contours=[flower_contour], contourIdx=-1, color=(0, 0, 255), thickness=2) cv2.imshow('Inverted Image', image1_gray) cv2.imshow('Binary Image', image1_binary) cv2.imshow('Final Result', image_combined) cv2.waitKey(0) cv2.destroyAllWindows()

轮廓绘制不重在怎么样绘制，因为绘制是固定的，最重要的是我们如何处理图像，让机器识别出来。

二、模板匹配

# cv2.matchTemplate(image, templ, method, result=None, mask=None) # image:待搜索图像 # templ:模板图像 # method:计算匹配程度的方法,可以有: # TM_SQDIFF平方差匹配法:该方法采用平方差来进行匹配;匹配越好，值越小;匹配越差，值越大。 # TM_CCORR相关匹配法:该方法采用乘法操作;数值越大表明匹配程度越好。 # TM_CCOEFF相关系数匹配法:数值越大表明匹配程度越好。 # TM_SQDIFF_NORMED归一化平方差匹配法，匹配越好，值越小;匹配越差，值越大。 # TM_CCORR_NORMED归一化相关匹配法，数值越大表明匹配程度越好。 # TM_CCOEFF_NORMED 归一化相关系数匹配法，数值越大表明匹配程度越好。

import cv2 image2=cv2.imread(r"D:\project\kele.png") template=cv2.imread(r"D:\project\template.png") cv2.imshow('kele',image2) cv2.imshow('area',template) cv2.waitKey(0) h,w=template.shape[:2] res=cv2.matchTemplate(image2,template,cv2.TM_CCOEFF_NORMED) min_val,max_val,min_loc,max_loc=cv2.minMaxLoc(res) top_left=max_loc bottom_right=(top_left[0]+w,top_left[1]+h) kele_template=cv2.rectangle(image2,top_left,bottom_right,(0,255,255),2) cv2.imshow('kele_tem',kele_template) cv2.waitKey(0)

三、传参方法

argparse是python标准库，用于解析命令行参数

让我们写的python脚本能从命令行接受参数

框架：

参数名可以有多个，用逗号隔开

type是参数的数值类型，有int，str，float……

default是参数的默认数值，我们可以通过掺入参数去改变

help可以帮助使用该脚本的人如何使用脚本

import argparse parser=argparse.ArgumentParser() parser.add_argument('--参数名',type,default,help='备注') parser.add_argument('--参数名',type,default,help='备注') parser.add_argument('--参数名',type,default,help='备注') parser.add_argument('--参数名',type,default,help='备注') opt=parser.parse_args() a=opt.参数名 b=opt.参数名 print(a+b)

例如，运行就会执行S和C的值相加的结果，是110

关于参数的传入，有两种方式

1.第一种

可以点击右键，点击修改运行配置，参数名和数值用空格隔开，多个值修改也用空格隔开，这里我们把S值传入50，把C的值传入30，点击确定

再次运行，结果就是80，这是因为我们传入的参数

2.第二种

找到我们pycharm工具下的终端

点击终端，会有下面这个界面，其实这里的作用就和win+r，cmd一样的功能，是通过命令行操作的

因为我的这个文件在learn下的计算机视觉目录中，所以需要cd到该目录下

python加文件能运行该脚本文件

python 文件名参数和对应数值，就能实现传入参数。

一个结果是110，使用的是默认值，一个是85是我们传入的值