中职网络营销专业_互联网专业主要学什么_网络营销的方法_游戏推广一个月能拿多少钱

目录

前言​​​​​​​

一、 梯度处理的sobel算子函数

功能

参数

返回值

代码演示

二、梯度处理拉普拉斯算子

功能

参数 

返回值 

代码演示 

三、Canny算子

功能

参数

 返回值

 代码演示

 四、findContours函数与drawContours函数

功能

参数

 返回值

代码演示

五、透视变换矩阵函数

功能

参数

返回值

代码演示 

 六、图像的外接边框

总结

---

---

前言

在计算机视觉（Computer Vision, CV）中，边缘识别是一个至关重要的步骤，它对于多种图像处理和计算机视觉任务都具有重要意义。在OpenCV等计算机视觉库中，提供了多种边缘检测算法（如Sobel算子、Laplacian算子、Canny边缘检测等），这些算法可以有效地识别图像中的边缘信息，为后续的图像处理和分析任务提供有力支持。通过合理地选择和调整算法参数，我们可以获得更好的边缘检测效果，从而提高计算机视觉任务的准确性和效率。

---

一、 梯度处理的sobel算子函数

功能

 Sobel算子是一种用于图像处理中边缘检测的算法，主要利用图像像素梯度的方法来计算图像亮度的一阶梯度，从而突出图像中的边缘。它通常用于计算机视觉和图像处理任务中，如物体检测、图像分割等。Sobel 函数通常用于边缘检测、图像分割、特征提取等图像处理任务中。通过计算图像在 x 和 y 方向上的梯度，可以突出图像中的边缘信息，这对于后续的图像分析和处理非常有用。

@_typing.overload
def Sobel(src: cv2.typing.MatLike,ddepth: int,dx: int, dy: int, dst: cv2.typing.MatLike | None = ..., ksize: int = ..., scale: float = ...,delta: float = ..., borderType: int = ...)\-> cv2.typing.MatLike: ...

参数

• ‌src (cv2.typing.MatLike)‌:

  • 输入图像，必须是一个灰度图像或彩色图像的一个通道。
  • 类型：cv2.typing.MatLike，表示兼容 OpenCV 矩阵类型的输入。

• ‌ddepth (int)‌:

  • 输出图像的所需深度。当参数值为 -1 时，输出图像与输入图像具有相同的深度。否则，它可以是 cv2.CV_8U, cv2.CV_16U, cv2.CV_32F 等之一，表示 8 位无符号、16 位无符号或 32 位浮点类型。

• ‌dx (int)‌:

  • x 方向上的导数阶数。当需要计算 x 方向上的梯度时，将其设置为 1；否则设置为 0.

• ‌dy (int)‌:

  • y 方向上的导数阶数。当需要计算 y 方向上的梯度时，将其设置为 1；否则设置为 0。

• ‌dst (cv2.typing.MatLike | None)‌:

  • 输出图像，与输入图像具有相同的大小和类型。如果此参数为 None，则函数会创建一个新的输出图像。
  • 类型：cv2.typing.MatLike | None，表示可以是兼容 OpenCV 矩阵类型的输出，或者为 None。

• ksize (int, 默认值为 3)‌:

• Sobel 算子的大小，必须是 1、3、5、7 之一。它表示算子在 x 或 y 方向上使用的像素邻域的大小。

• ‌scale (float, 默认值为 1)‌:

  • 可选的比例因子，用于缩放导数的绝对值。默认情况下，不进行缩放。

• ‌delta (float, 默认值为 0)‌:

  • 可选的增量值，该值会被加到最终的梯度图像中。这可以用于调整结果的亮度或对比度。

• borderType (int, 默认值为 cv2.BORDER_DEFAULT)‌:

• 边界模式，用于指定边界外像素的外推方法。常见的边界模式包括 cv2.BORDER_CONSTANT, cv2.BORDER_REFLECT, cv2.BORDER_REPLICATE 等。默认值为 cv2.BORDER_DEFAULT，它通常表示一种合理的默认边界外推方法。

返回值

• ‌cv2.typing.MatLike‌:
  • 输出图像，包含了计算得到的梯度信息。如果 dst 参数不为 None，则此输出图像与 dst 参数指向的图像相同；否则，函数会返回一个新的图像。

代码演示

import cv2
import numpy as np# 读取一张图
img = cv2.imread('./shudu.png')# sobel算子# 水平梯度处理
img_sobel1 = cv2.Sobel(img,-1,0,dy=1,ksize=3)# 垂直梯度处理
img_sobel2 = cv2.Sobel(img,-1,1,dy=0,ksize=3)# 进行梯度处理 方法一cv2.imshow('image',img)cv2.imshow('img_sobel',img_sobel1)
cv2.imshow('img_sobel2',img_sobel2)
cv2.waitKey(0)

                                 

二、梯度处理拉普拉斯算子

Laplacian算子是一种用于图像处理中边缘检测的二阶微分算子。与Sobel算子不同，Laplacian算子通过计算图像像素值的二阶导数来检测边缘，因此它对图像中的噪声更加敏感，但也能更精确地定位边缘。

功能

Laplacian算子函数的主要功能是检测图像中的边缘和纹理变化。它通过计算图像的二阶导数来突出图像中的快速变化区域，这些区域通常对应于边缘或纹理。 

def Laplacian(src: cv2.typing.MatLike,ddepth: int, dst: cv2.typing.MatLike | None = ...,ksize: int = ..., scale: float = ..., delta: float = ...,borderType: int = ...) \-> cv2.typing.MatLike: ...

参数 

1. ‌src (cv2.typing.MatLike)‌:

   • 输入图像，必须是一个灰度图像。
   • 类型：cv2.typing.MatLike，表示兼容 OpenCV 矩阵类型的输入。

2. ‌ddepth (int)‌:

   • 输出图像的所需深度。它决定了输出图像的数据类型，如 cv2.CV_8U（8 位无符号）、cv2.CV_16U（16 位无符号）、cv2.CV_32F（32 位浮点）或 cv2.CV_64F（64 位浮点）等。当参数值为 -1 时，输出图像与输入图像具有相同的深度。

3. ‌dst (cv2.typing.MatLike | None)‌:

   • 输出图像，与输入图像具有相同的大小和类型（除非 ddepth 指定了不同的深度）。如果此参数为 None，则函数会创建一个新的输出图像。
   • 类型：cv2.typing.MatLike | None，表示可以是兼容 OpenCV 矩阵类型的输出，或者为 None。

4. ‌ksize (int, 默认值为 1)‌:

   • 用于计算二阶导数的滤波器的大小。它必须是正奇数，且通常取值为 1、3、5 等。当 ksize=1 时，表示使用标准的 Laplacian 滤波器（即二阶导数滤波器）；当 ksize 大于 1 时，表示使用扩展的 Laplacian 滤波器，这有助于在保持边缘检测精度的同时减少噪声的影响。

5. ‌scale (float, 默认值为 1)‌:

   • 可选的比例因子，用于缩放二阶导数的绝对值。默认情况下，不进行缩放。

6. ‌delta (float, 默认值为 0)‌:

   • 可选的增量值，该值会被加到最终的梯度图像中。这可以用于调整结果的亮度或对比度。

7. ‌borderType (int, 默认值为 cv2.BORDER_DEFAULT)‌:

   • 边界模式，用于指定边界外像素的外推方法。常见的边界模式包括 cv2.BORDER_CONSTANT（常数填充）、cv2.BORDER_REFLECT（反射）、cv2.BORDER_REPLICATE（复制）等。默认值为 cv2.BORDER_DEFAULT，它通常表示一种合理的默认边界外推方法。

返回值 

• ‌cv2.typing.MatLike‌:
  • 输出图像，包含了计算得到的二阶导数信息（即 Laplacian 结果）。如果 dst 参数不为 None，则此输出图像与 dst 参数指向的图像相同；否则，函数会返回一个新的图像。

代码演示 

import cv2img = cv2.imread('./shudu.png')img_lap = cv2.Laplacian(img,-1,ksize=3)cv2.imshow('image',img)cv2.imshow('image_lap',img_lap)cv2.waitKey(0)

三、Canny算子

Canny算子（Canny Edge Detector）是一种多级边缘检测算法，被广泛应用于图像处理中，以获取图像的边缘信息。它以其良好的检测性能和抗噪声能力而著称。下面是Canny算子函数的功能、参数、返回值以及应用。

功能

Canny算子函数的主要功能是检测图像中的边缘，同时尽可能地减少噪声的影响，并精确地定位边缘。它通过一系列的处理步骤，包括高斯滤波、计算梯度、非极大值抑制和双阈值检测，来实现这一目标。

参数

def Canny(image: cv2.typing.MatLike,threshold1: float, threshold2: float,edges: cv2.typing.MatLike | None = ..., apertureSize: int = ..., L2gradient: bool = ...) \-> cv2.typing.MatLike: ...

1. 输入图像 (src)‌:

   • 类型：灰度图像（二维数组或矩阵）。
   • 说明：需要进行边缘检测的源图像。

2. ‌阈值1 (threshold1)‌:

   • 类型：浮点数或整数。
   • 说明：低阈值，用于双阈值检测中的较低阈值。

3. ‌阈值2 (threshold2)‌:

   • 类型：浮点数或整数。
   • 说明：高阈值，用于双阈值检测中的较高阈值。通常是低阈值的两倍或三倍。

4. ‌边缘 (edges)‌:

   • 类型：二维数组或矩阵。
   • 说明：用于存储检测到的边缘的输出图像。通常是一个与输入图像大小相同的二值图像。

5. ‌apertureSize (可选)‌:

   • 类型：整数。
   • 说明：Sobel算子的大小，它决定了梯度计算的精度。默认值为3，表示使用3x3的Sobel算子。

6. ‌L2gradient (可选)‌:

   • 类型：布尔值。
   • 说明：一个标志，指示是否使用更精确的L2范数进行梯度计算。如果为True，则使用L2范数；如果为False（默认），则使用L1范数。

 返回值

Canny算子函数的返回值通常是检测到的边缘图像，它是一个二维数组或矩阵，包含了图像中的边缘信息。这个边缘图像通常是一个二值图像，其中边缘像素的值为非零（如255），非边缘像素的值为零。

 代码演示

 四、findContours函数与drawContours函数

findContours 函数是 OpenCV 中用于检测图像中轮廓（contours）的非常有用的函数。轮廓是图像中形状或物体的边界，它们对于图像分析、物体检测和识别等任务至关重要。

drawContours 函数是 OpenCV 中用于在图像上绘制轮廓的非常实用的函数。它可以将通过 findContours 函数检测到的轮廓绘制在原始图像或任何其他图像上，以便进行可视化或进一步的处理

功能

findContours 函数的主要功能是从二值图像中检测轮廓。这些轮廓可以表示图像中物体的边界，为后续的图像分析提供关键信息

drawContours 函数的主要功能是在图像上绘制一个或多个轮廓。这些轮廓通常是通过 findContours 函数从二值图像中检测到的，但也可以是由用户自定义的点集。 

参数

def findContours(image: cv2.typing.MatLike, mode: int,method: int, contours: _typing.Sequence[cv2.typing.MatLike] | None = ...,hierarchy: cv2.typing.MatLike | None = ..., offset: cv2.typing.Point = ...) \-> tuple[_typing.Sequence[cv2.typing.MatLike],cv2.typing.MatLike]: ...

1. ‌image (输入图像)‌:

   • 类型：二维数组（通常是二值图像）。
   • 说明：需要进行轮廓检测的源图像。通常，这是通过阈值分割、边缘检测或其他二值化方法得到的图像。

2. ‌mode (轮廓检索模式)‌:

   • 类型：整数。
   • 说明：指定轮廓检索的模式。常用的模式包括 cv2.RETR_EXTERNAL（只检索外部轮廓）、cv2.RETR_LIST（检索所有轮廓，但不创建任何父子关系）、cv2.RETR_CCOMP（检索所有轮廓，并将它们组织为两层结构，顶层是外部边界，底层是孔的边界）、cv2.RETR_TREE（检索所有轮廓，并重建完整的层次结构）。

3. ‌method (轮廓近似方法)‌:

   • 类型：整数。
   • 说明：指定轮廓近似的方法。常用的方法包括 cv2.CHAIN_APPROX_NONE（存储所有的轮廓点，不进行任何近似）、cv2.CHAIN_APPROX_SIMPLE（压缩水平、垂直和对角线段，只保留它们的终点）、cv2.CHAIN_APPROX_TC89_L1、cv2.CHAIN_APPROX_TC89_KCOS（使用 Teh-Chin 链式近似算法）。

4. ‌contours (输出轮廓)‌:

   • 类型：列表的列表。
   • 说明：这是一个输出参数，用于存储检测到的轮廓。每个轮廓都是一个点的列表，这些点表示了轮廓的边界。

5. ‌hierarchy (轮廓的层次结构, 可选)‌:

   • 类型：NumPy 数组。
   • 说明：这是一个输出参数，用于存储轮廓之间的层次关系。如果不需要层次信息，可以将其设置为 None。

6. ‌offset (轮廓点的偏移量, 可选, 在某些版本中可能不可用)‌:

   • 类型：元组（两个整数）。
   • 说明：指定轮廓点的偏移量。这个参数在某些版本的 OpenCV 中可能不可用，或者其用法可能有所不同。

def drawContours(image: cv2.typing.MatLike,contours: _typing.Sequence[cv2.typing.MatLike],contourIdx: int,color: cv2.typing.Scalar, thickness: int = ...,lineType: int = ...,hierarchy: cv2.typing.MatLike | None = ..., maxLevel: int = ..., offset: cv2.typing.Point = ...) \-> cv2.typing.MatLike: ...

1. ‌image (目标图像)‌:

   • 类型：三维数组（通常是彩色图像，但也可以是灰度图像）。
   • 说明：要在其上绘制轮廓的图像。这个图像将被修改，以包含绘制的轮廓。

2. ‌contours (轮廓列表)‌:

   • 类型：列表的列表，其中每个内部列表都包含表示轮廓的点。
   • 说明：要绘制的轮廓列表。这些轮廓通常是通过 findContours 函数获取的。

3. ‌contourIdx (轮廓索引)‌:

   • 类型：整数。
   • 说明：指定要绘制的轮廓的索引。如果设置为 -1，则绘制所有轮廓。

4. ‌color (轮廓颜色)‌:

   • 类型：元组（三个整数，表示 BGR 颜色值）。
   • 说明：轮廓的颜色。在 OpenCV 中，颜色通常以 BGR（蓝、绿、红）格式指定，而不是常见的 RGB 格式。

5. ‌thickness (轮廓线宽)‌:

   • 类型：整数。
   • 说明：轮廓线的宽度。如果设置为 -1（或某些负值，具体取决于 OpenCV 版本），则轮廓内部将被填充。

6. ‌lineType (线条类型, 可选)‌:

   • 类型：整数。
   • 说明：线条的类型，例如 cv2.LINE_8（8-连通线）、cv2.LINE_4（4-连通线）或 cv2.LINE_AA（抗锯齿线）。默认值是 cv2.LINE_8。

7. ‌hierarchy (轮廓层次结构, 可选)‌:

   • 类型：NumPy 数组。
   • 说明：与轮廓列表相关联的层次结构信息。这个参数通常与 findContours 函数一起使用，但在 drawContours 中通常是可选的，因为绘制轮廓时通常不需要层次信息。

8. ‌maxLevel (最大层次深度, 可选, 某些版本中可能不可用)‌:

   • 类型：整数。
   • 说明：指定要绘制的轮廓的最大层次深度。这个参数在某些版本的 OpenCV 中可能不可用。

9. ‌offset (轮廓点偏移量, 可选, 某些版本中可能不可用)‌:

   • 类型：元组（两个整数）。
   • 说明：指定轮廓点的偏移量。这个参数在某些版本的 OpenCV 中可能不可用，或者其用法可能有所不同。

 返回值

1. ‌contours‌: 检测到的轮廓列表。每个轮廓都是一个点的列表（或 NumPy 数组），表示了轮廓的边界。
2. ‌hierarchy‌: 轮廓之间的层次关系（如果请求了的话）。这是一个 NumPy 数组，包含了关于轮廓之间如何相互关联的信息。

  cv2.typing.MatLike:输出图像。如果 dst 参数不为 None，则此输出图像与 dimage参数指向的图像相同；否则，函数会返回一个新的图像。

代码演示

import cv2img = cv2.imread('./tubao.png')
img_gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
_, img_binary = cv2.threshold(img_gray,125,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)# 寻找轮廓
contours,hierarchy = cv2.findContours(img_binary,cv2.RETR_EXTERNAL, # 查询轮廓方式cv2.CHAIN_APPROX_SIMPLE) # 保存轮廓点坐标的方式img_copy = img.copy()
# 绘制轮廓
img_draw = cv2.drawContours(img_copy, # 要绘制轮廓的图像contours, # 轮廓坐标顶点坐标集合-1, # 轮廓集合的索引(255,0,0), # 轮廓颜色3) # 轮廓粗细cv2.imshow('image_binary',img_binary)
cv2.imshow('img_copy',img_copy)
cv2.waitKey(0)

 

五、透视变换矩阵函数

getPerspectiveTransform 函数是 OpenCV 中用于计算透视变换矩阵的关键函数。这个函数接受源点集（src）和目标点集（dst），然后计算出一个变换矩阵，该矩阵可以将源点集中的点映射到目标点集中的相应点。下面是对 getPerspectiveTransform 函数的详细解释，包括其功能、参数、返回值以及应用。

warpPerspective 函数是 OpenCV 中用于对图像进行透视变换的关键函数。它接受一个源图像（src）、一个透视变换矩阵（M）、一个目标图像的大小（dsize），以及可选的目标图像（dst）、插值方法（flags）、边界模式（borderMode）和边界值（borderValue），然后返回透视变换后的图像。 

功能

getPerspectiveTransform 函数的主要功能是计算一个透视变换矩阵，该矩阵可以将一个平面上的点集映射到另一个平面上的点集。这种变换在图像拼接、图像矫正、增强现实等应用中非常有用。

warpPerspective 函数的主要功能是对源图像进行透视变换，使其看起来像是从另一个角度或位置拍摄的。这种变换在图像拼接、图像矫正、3D效果模拟等应用中非常有用。 

参数

def getPerspectiveTransform(src: cv2.typing.MatLike,dst: cv2.typing.MatLike, solveMethod: int = ...) \-> cv2.typing.MatLike: ...

1. ‌src (源点集)‌:

   • 类型：cv2.typing.MatLike，通常是一个包含四个二维点（通常是浮点型）的 NumPy 数组或类似结构。
   • 说明：源点集，表示要进行透视变换的原始图像或平面中的四个点。这些点通常按照某种顺序排列，例如顺时针或逆时针。

2. ‌dst (目标点集)‌:

   • 类型：cv2.typing.MatLike，与源点集相同，也是一个包含四个二维点的 NumPy 数组或类似结构。
   • 说明：目标点集，表示透视变换后的图像或平面中的四个点。这些点应该与源点集中的点一一对应。

3. ‌solveMethod (求解方法, 可选)‌:

   • 类型：整数。
   • 说明：指定用于计算透视变换矩阵的求解方法。在 OpenCV 中，通常使用 cv2.DECOMP_LU、cv2.DECOMP_QR、cv2.DECOMP_NORMAL 等方法。如果省略此参数，OpenCV 将选择一种默认的方法。

def warpPerspective(src: cv2.typing.MatLike,M: cv2.typing.MatLike, dsize: cv2.typing.Size,dst: cv2.typing.MatLike | None = ..., flags: int = ...,borderMode: int = ...,borderValue: cv2.typing.Scalar = ...) \-> cv2.typing.MatLike: ...

1. ‌src (源图像)‌:

   • 类型：cv2.typing.MatLike，通常是一个包含图像数据的 NumPy 数组或类似结构。
   • 说明：要进行透视变换的源图像。

2. ‌M (透视变换矩阵)‌:

   • 类型：cv2.typing.MatLike，通常是一个 3x3 的浮点型矩阵。
   • 说明：透视变换矩阵，可以通过 getPerspectiveTransform 函数计算得到。

3. ‌dsize (目标图像大小)‌:

   • 类型：cv2.typing.Size，是一个包含两个整数的元组或类似结构。
   • 说明：透视变换后目标图像的大小，以像素为单位。

4. ‌dst (目标图像, 可选)‌:

   • 类型：cv2.typing.MatLike 或 None。
   • 说明：如果提供，则透视变换后的图像将存储在这个参数中。如果为 None，则函数将创建一个新的图像来存储结果。

5. ‌flags (插值方法, 可选)‌:

   • 类型：整数。
   • 说明：指定用于图像插值的方法，例如 cv2.INTER_LINEAR、cv2.INTER_NEAREST、cv2.INTER_CUBIC 等。默认值是 cv2.INTER_LINEAR。

6. ‌borderMode (边界模式, 可选)‌:

   • 类型：整数。
   • 说明：指定边界像素的外推方法，例如 cv2.BORDER_CONSTANT、cv2.BORDER_REFLECT 等。当图像进行透视变换后，有些像素可能会超出目标图像的边界，此时需要使用这种方法来处理这些像素。默认值是 cv2.BORDER_CONSTANT。

7. ‌borderValue (边界值, 可选)‌:

   • 类型：cv2.typing.Scalar，通常是一个包含三个整数的元组或类似结构，表示 BGR 颜色值。
   • 说明：当 borderMode 设置为 cv2.BORDER_CONSTANT 时，这个参数指定了边界像素的颜色值。默认值是黑色 (0, 0, 0)。

返回值

getPerspectiveTransform 函数返回一个 cv2.typing.MatLike 对象，通常是一个 3x3 的浮点型矩阵，表示计算出的透视变换矩阵。这个矩阵可以用于将源点集中的点映射到目标点集中的点

warpPerspective 函数返回一个 cv2.typing.MatLike 对象，表示透视变换后的图像。 

代码演示 

import cv2
import matplotlib.pyplot as plt
import numpy as npimg  = cv2.imread('./youhua.png')
img_arr = np.array(img)
plt.imshow(img_arr)
# points1 = np.array([[200,120],[700,170],[140,400],[650,460]],dtype=np.float32)
points1 =np.array([[174,141],[622,35],[88,493],[652,550]],dtype=np.float32)
points2 = np.array([[0,0],[img.shape[1],0],[0,img.shape[0]],[img.shape[1],img.shape[0]]],dtype=np.float32)
M = cv2.getPerspectiveTransform(points1,points2)
img_Perspective = cv2.warpPerspective(img,M,(img.shape[1],img.shape[0]))
cv2.imshow('img_',img_Perspective)
cv2.imshow('image',img)
cv2.waitKey(0)
plt.show()

 六、图像的外接边框

 在图像处理中，轮廓的外接边界框（Bounding Box）是一个非常重要的概念，它通常用于表示轮廓的外部边界。外接边界框是一个简单的矩形，它完全包含轮廓内的所有点，并且其各边与图像的坐标轴平行。

• ‌轮廓‌：轮廓是图像中物体边缘的集合，通常通过边缘检测或轮廓检测算法得到。轮廓可以是不规则的形状，准确地反映了物体的外形。
• ‌外接边界框‌：外接边界框是一个完全包含轮廓的矩形，它的各边与图像的坐标轴平行。外接边界框不一定紧贴轮廓，但它一定包含轮廓内的所有点

用途‌：

1. • 轮廓通常用于图像分割、物体识别、形状分析等任务，因为它们提供了物体的精确边界信息。
   • 外接边界框则更多地用于物体定位、跟踪、标注等任务，因为它们简化了物体的表示，使得处理和分析更加高效。

计算‌：

• 轮廓的计算通常涉及复杂的边缘检测或轮廓检测算法，如Canny边缘检测、Sobel算子、findContours函数等。
• 外接边界框的计算则相对简单，一旦得到轮廓的点集，只需要找到这些点的最小和最大x、y坐标，就可以确定外接边界框的位置和大小。

 代码演示

import cv2
import numpy as np# 读取图片
img = cv2.imread('./outline.png')img = cv2.resize(img,dsize=None,fx=0.8,fy=0.8)
# 灰度化
img_gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
# 二值化
_,img_binary = cv2.threshold(img_gray,127,255,cv2.THRESH_BINARY_INV+cv2.THRESH_OTSU)# 寻找论轮廓
c,v= cv2.findContours(img_binary,cv2.RETR_LIST,cv2.CHAIN_APPROX_SIMPLE)# 绘制轮廓
img_copy = img.copy()
img_copy = cv2.drawContours(img_copy,c,-1,(0,0,255),2)# 外接矩形
# 给所有轮廓都绘制
for cnt in c:x,y,w,h = cv2.boundingRect(cnt)# 调用外接矩形函数 获取左上角坐标（x，y) 和宽w，高hcv2.rectangle(img_copy,[x,y],  # 左上角坐标[x+w,y+h], # 右下角坐标(255,255,0), # 矩形颜色2          # 矩形线条粗细)# 调用最小面积外接矩形函数 获取包含中心点坐标 、长宽、旋转角度的三个元组ret = cv2.minAreaRect(cnt)box = np.int32(cv2.boxPoints(ret)) # 可以获取旋转矩阵的四个顶点cv2.drawContours(img_copy,[box],-1,(255,0,0),3)cv2.polylines(img_copy,[box],True,(255,255,0),1)# 调用最小外接圆的函数,获取圆心和半径(x,y),radius = cv2.minEnclosingCircle(cnt)(x,y,radius) = np.int32((x,y,radius))cv2.circle(img_copy,(x,y),radius,(0,255,255),2)cv2.imshow('img',img)
cv2.imshow('img_copy',img_copy)cv2.waitKey(0)

---

总结

在计算机视觉（Computer Vision, CV）中，边缘识别是一个至关重要的步骤，它对于多种图像处理和计算机视觉任务都具有重要意义。在OpenCV等计算机视觉库中，提供了多种边缘检测算法（如Sobel算子、Laplacian算子、Canny边缘检测等），这些算法可以有效地识别图像中的边缘信息，为后续的图像处理和分析任务提供有力支持。通过合理地选择和调整算法参数，我们可以获得更好的边缘检测效果，从而提高计算机视觉任务的准确性和效率。