前言

​ 这次介绍的是和图像区域操作的相关问题和解决办法。

图像区域相关操作

获得外接矩形

rect = cv2.boundingRect(contours[c])

​ 在c++中，是返回的一个Rect类，可以使用rect.tl()和rect.br()返回左上角和右下角的坐标，而python中是返回一个tuple，只能直接使用：

​ 而这个tuple返回了四个元素，分别的含义是：

• rect[0]为左上角的x坐标
• rect[1]为左上角的y坐标
• rect[2]为width
• rect[3]为height

​ 把这个矩形在图像上画出来可以用下面的代码：

cv2.rectangle(ori_img, (rect[0], rect[1]), (rect[0] + rect[2], rect[1] + rect[3]), (0, 0, 255), 1)

膨胀与腐蚀

​ 我使用这两个操作是要用于区域的合并和分离。一般来说，合并是用膨胀操作，分离使用腐蚀操作。

​ 这两个操作还可以用于去除图像周边的毛刺(一个是填充，一个是消除)

​ 这两个过程很类似，只不过效果完全想法，类似一个做加法，一个做减法。

• 膨胀与腐蚀的基本过程

  如果是三通道图，这两个过程也是分成3份，独立来处理的，假设有这么一副灰度图：

我们要在这个图上做膨胀操作：

• 首先，这个过程是一个像素一个像素来处理的，假设我们处理到了下图中蓝色框选中位置的数据了，我们需要在这个像素外面准备另外一个框框，假设是一个3*3大小的框：

这个框就被成为核(kernel)，被处理的这个像素的值就依赖这个框的数据来进行计算(下面会提到这个计算过程)，如果是边或者顶点的像素，就对应的去匹配一下，我懒的配图了。

核是可以被设计的，也就是说这个3*3的矩阵是可以被填充数据的，每个元素可以被填充0或者1。比如长这样：

0和1分别表示设计者是否要处理这个位置的数据，1是要处理，0是不处理。

• 核的处理过程

  这个核覆盖上去之后，可以看到，为1的位置如下：

两种操作的区别就在如何对上述提到的这个像素点的计算过程：

• 膨胀，opencv官网上定义的像素点的计算过程是：

找到核中为1覆盖的区域里的最大值，并把这个值赋值给这个像素点，相当于把图像本身的数据给扩充了一下，也就称之为膨胀。

如果是上图中标记的这个蓝色框中的数字，如果经过膨胀后就会变成255。

• 腐蚀，这个过程相当于反过来：

找到核中为1覆盖的区域里的最小值，并把这个值赋值给这个像素点，相当于把背景的数据给扩充了一下，也就称之为腐蚀

如果是上图中标记的这个蓝色框中的数字，如果经过腐蚀后就会变成0。

• 迭代过程，遍历原图中所有的像素点，都做这样一个计算，就得到了膨胀或者腐蚀之后的图。

• 代码实现

  代码实现很简单：

  • 膨胀：

    kernel2 = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))
    bin_clo = cv2.dilate(img, kernel2, iterations=1)
    

    其中的kernel2就是上面提到的核，通过opencv内置的枚举类型来初始化一个核，上面代码中的cv2.MORPH_RECT, (3, 3)就是初始化了一个3*3的矩形，这个矩形中的9个元素都是1。opencv还提供了其他的类型：

实现的效果就是，明显的胖了一圈：

上面dilate中的第二个函数iterations=1，表示做几次膨胀，就是上面描述的基本过程来几遍。在我设计的场景中，两个迭代，这两个矩形就接一起了，达到了我想要的合并区域的目的。

如果使用findContouers来输出上面的图像，就只有一个轮廓了。

• 腐蚀的代码类似：

  kernel2 = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))
  bin_clo = cv2.erode(img, kernel2, iterations=2)
  

明显瘦了一圈。

重叠区域问题

​ 在我碰到的问题里，还需要计算两个通道之间的重叠区域，我想到的办法是使用opencv中提供的bitwise_and方法

​ 这个方法的逻辑是，将两个二值化图按对应位置匹配求逻辑与，作为新图像的位置的值：

​ 当然这个方法还可以接受第三个参数，也就是mask，mask矩阵中元素为true的位置才进行处理(mask的使用可参见第一篇:

	dst_green = cv2.bitwise_and(output_blue, dst_green)

​ 两个参数都是二值化后的图层，后续我就可以使用连通域的函数来针对dst_green做处理，并计算面积了。