梯度簡(jiǎn)單來(lái)說(shuō)就是求導(dǎo)，OpenCV 提供了三種不同的梯度濾波器，或者說(shuō)高通濾波器： Sobel，Scharr 和 Laplacian。Sobel， Scharr 其實(shí)就是求一階或二階導(dǎo)數(shù)。

step1：加載圖片，轉(zhuǎn)成灰度圖

image = cv2.imread（“353.jpg”）gray = cv2.cvtColor（image， cv2.COLOR_BGR2GRAY）

step2：用Sobel算子計(jì)算x，y方向上的梯度，之后在x方向上減去y方向上的梯度，通過(guò)這個(gè)減法，我們留下具有高水平梯度和低垂直梯度的圖像區(qū)域。

gradX = cv2.Sobel（gray， ddepth=cv2.cv.CV_32F， dx=1， dy=0， ksize=-1）gradY = cv2.Sobel（gray， ddepth=cv2.cv.CV_32F， dx=0， dy=1， ksize=-1）

# subtract the y-gradient from the x-gradientgradient = cv2.subtract（gradX， gradY）gradient = cv2.convertScaleAbs（gradient）

step3：去除圖像上的噪聲。首先使用低通濾潑器平滑圖像（9 x 9內(nèi)核），這將有助于平滑圖像中的高頻噪聲。低通濾波器的目標(biāo)是降低圖像的變化率。如將每個(gè)像素替換為該像素周圍像素的均值。這樣就可以平滑并替代那些強(qiáng)度變化明顯的區(qū)域。

然后，對(duì)模糊圖像二值化。梯度圖像中不大于90的任何像素都設(shè)置為0（黑色）。否則，像素設(shè)置為255（白色）

# blur and threshold the imageblurred = cv2.blur（gradient， （9， 9））（_， thresh） = cv2.threshold（blurred， 90， 255， cv2.THRESH_BINARY）

step4：在上圖中我們看到蜜蜂身體區(qū)域有很多黑色的空余，我們要用白色填充這些空余，使得后面的程序更容易識(shí)別昆蟲(chóng)區(qū)域，這需要做一些形態(tài)學(xué)方面的操作。

kernel = cv2.getStructuringElement（cv2.MORPH_RECT， （25， 25））closed = cv2.morphologyEx（thresh， cv2.MORPH_CLOSE， kernel）

step5：從上圖我們發(fā)現(xiàn)圖像上還有一些小的白色斑點(diǎn)，這會(huì)干擾之后的昆蟲(chóng)輪廓的檢測(cè)，要把它們?nèi)サ?。分別執(zhí)行4次形態(tài)學(xué)腐蝕與膨脹。

# perform a series of erosions and dilationsclosed = cv2.erode（closed， None， iterations=4）closed = cv2.dilate（closed， None， iterations=4）

step6：找出昆蟲(chóng)區(qū)域的輪廓。cv2.findContours（）函數(shù)第一個(gè)參數(shù)是要檢索的圖片，必須是為二值圖，即黑白的（不是灰度圖），所以讀取的圖像要先轉(zhuǎn)成灰度的，再轉(zhuǎn)成二值圖，我們?cè)诘谌接胏v2.threshold（）函數(shù)已經(jīng)得到了二值圖。第二個(gè)參數(shù)表示輪廓的檢索模式，有四種：

cv2.RETR_EXTERNAL表示只檢測(cè)外輪廓

cv2.RETR_LIST檢測(cè)的輪廓不建立等級(jí)關(guān)系

cv2.RETR_CCOMP建立兩個(gè)等級(jí)的輪廓，上面的一層為外邊界，里面的一層為內(nèi)孔的邊界信息。如果內(nèi)孔內(nèi)還有一個(gè)連通物體，這個(gè)物體的邊界也在頂層。

cv2.RETR_TREE建立一個(gè)等級(jí)樹(shù)結(jié)構(gòu)的輪廓。

第三個(gè)參數(shù)為輪廓的近似方法

cv2.CHAIN_APPROX_NONE存儲(chǔ)所有的輪廓點(diǎn)，相鄰的兩個(gè)點(diǎn)的像素位置差不超過(guò)1，即max（abs（x1-x2），abs（y2-y1））==1

cv2.CHAIN_APPROX_SIMPLE壓縮水平方向，垂直方向，對(duì)角線方向的元素，只保留該方向的終點(diǎn)坐標(biāo)，例如一個(gè)矩形輪廓只需4個(gè)點(diǎn)來(lái)保存輪廓信息

cv2.findContours（）函數(shù)返回兩個(gè)值，一個(gè)是輪廓本身，還有一個(gè)是每條輪廓對(duì)應(yīng)的屬性。cv2.findContours（）函數(shù)返回第一個(gè)值是list，list中每個(gè)元素都是圖像中的一個(gè)輪廓，用numpy中的ndarray表示。每一個(gè)ndarray里保存的是輪廓上的各個(gè)點(diǎn)的坐標(biāo)。我們把list排序，點(diǎn)最多的那個(gè)輪廓就是我們要找的昆蟲(chóng)的輪廓。

OpenCV中通過(guò)cv2.drawContours在圖像上繪制輪廓。

第一個(gè)參數(shù)是指明在哪幅圖像上繪制輪廓

第二個(gè)參數(shù)是輪廓本身，在Python中是一個(gè)list

第三個(gè)參數(shù)指定繪制輪廓list中的哪條輪廓，如果是-1，則繪制其中的所有輪廓

第四個(gè)參數(shù)是輪廓線條的顏色

第五個(gè)參數(shù)是輪廓線條的粗細(xì)

cv2.minAreaRect（）函數(shù)：

主要求得包含點(diǎn)集最小面積的矩形，這個(gè)矩形是可以有偏轉(zhuǎn)角度的，可以與圖像的邊界不平行。

（cnts， _） = cv2.findContours（closed.copy（）， cv2.RETR_EXTERNAL， cv2.CHAIN_APPROX_SIMPLE）c = sorted（cnts， key=cv2.contourArea， reverse=True）［0］

# compute the rotated bounding box of the largest contourrect = cv2.minAreaRect（c）box = np.int0（cv2.cv.BoxPoints（rect））

# draw a bounding box arounded the detected barcode and display the imagecv2.drawContours（image， ［box］， -1， （0， 255， 0）， 3）cv2.imshow（“Image”， image）cv2.imwrite（“contoursImage2.jpg”， image）cv2.waitKey（0）

step7：裁剪。box里保存的是綠色矩形區(qū)域四個(gè)頂點(diǎn)的坐標(biāo)。我將按下圖紅色矩形所示裁剪昆蟲(chóng)圖像。找出四個(gè)頂點(diǎn)的x，y坐標(biāo)的最大最小值。新圖像的高=maxY-minY，寬=maxX-minX。

Xs = ［i［0］ for i in box］Ys = ［i［1］ for i in box］x1 = min（Xs）x2 = max（Xs）y1 = min（Ys）y2 = max（Ys）hight = y2 - y1width = x2 - x1cropImg = image［y1:y1+hight， x1:x1+width］

責(zé)任編輯：haq