对图像绘制轮廓写python代码 导包二值化阈值化阈值处理显示图像

好的，以下是示例代码：

import cv2

# 读取图像
img = cv2.imread('image.png')

# 转换为灰度图
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 二值化处理
ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)

# 查找轮廓
contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)

# 绘制轮廓
cv2.drawContours(img, contours, -1, (0, 0, 255), 2)

# 显示图像
cv2.imshow('image', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

代码中使用了 OpenCV 库进行图像处理和轮廓绘制，首先通过 `cv2.imread` 读取图像，然后使用 `cv2.cvtColor` 函数将图像转为灰度图。接下来使用 `cv2.threshold` 函数进行二值化处理，使用 `cv2.findContours` 函数查找图像中的轮廓，返回轮廓的坐标点集合 `contours` 和层级关系 `hierarchy`。最后使用 `cv2.drawContours` 函数将轮廓绘制在原图上，并使用 `cv2.imshow` 显示图像。

相关问题

编写Python代码做出图像的灰度直方图，观察灰度直方图的分布，估计分割背景和目标的大致阈值； 2、编写Python代码使用极小点阈值法确定区域分割的阈值，并用该阈值分割两个图像的背景和目标(转成二值图像)，观察分割后的图像； 3、编写Python代码使用迭代阈值法确定区域分割的阈值，并用该阈值分割两个图像的背景和目标(转成二值图像) ，观察分割后的图像；

1、使用Python和OpenCV库可以轻松实现图像的灰度直方图生成和绘制。以下是一个示例代码：

import cv2
import numpy as np
from matplotlib import pyplot as plt

# 读取图像
img = cv2.imread('image.jpg', cv2.IMREAD_GRAYSCALE)

# 计算灰度直方图
hist = cv2.calcHist([img],[0],None,[256],[0,256])

# 绘制灰度直方图
plt.hist(img.ravel(),256,[0,256])
plt.show()

2、极小点阈值法是一种简单有效的图像分割方法，其基本思路是在灰度直方图上找到局部最小值点，将该点作为阈值进行分割。以下是一个示例代码：

import cv2
import numpy as np

# 读取图像并转为灰度图像
img = cv2.imread('image.jpg', cv2.IMREAD_GRAYSCALE)

# 计算灰度直方图
hist = cv2.calcHist([img],[0],None,[256],[0,256])

# 找到局部最小值点
minIdx = np.argmin(hist)

# 以最小值点作为阈值进行二值化
ret,thresh = cv2.threshold(img,minIdx,255,cv2.THRESH_BINARY)

# 显示二值化结果
cv2.imshow('thresh', thresh)
cv2.waitKey(0)
cv2.destroyAllWindows()

3、迭代阈值法是一种基于图像灰度分布的自适应阈值分割方法，其基本思路是先初选一个阈值，然后分别计算阈值以上和以下的两个灰度区间的平均值，再将两个平均值的均值作为新的阈值，如此迭代直到满足一定条件为止。以下是一个示例代码：

import cv2

# 读取图像并转为灰度图像
img = cv2.imread('image.jpg', cv2.IMREAD_GRAYSCALE)

# 初始化阈值和误差
thresh = 127
delta = 1

# 迭代计算阈值
while delta > 0.5:
    # 计算阈值以上和以下的两个灰度区间的平均值
    mean1 = cv2.mean(img[img>thresh])[0]
    mean2 = cv2.mean(img[img<=thresh])[0]
    
    # 更新阈值和误差
    newThresh = int((mean1 + mean2) / 2)
    delta = abs(thresh - newThresh)
    thresh = newThresh

# 以迭代得到的阈值进行二值化
ret,thresh = cv2.threshold(img,thresh,255,cv2.THRESH_BINARY)

# 显示二值化结果
cv2.imshow('thresh', thresh)
cv2.waitKey(0)
cv2.destroyAllWindows()

用python写图像二值化，形态学处理，轮廓提取，抠图，抠出来的图为主体对其更换背景在进行高斯模糊的代码

### 回答1：
以下是Python的代码示例，包含图像二值化、形态学处理、轮廓提取、图像抠图并更换背景并进行高斯模糊的过程：

import cv2

# 读取原始图像
image = cv2.imread('image.jpg')

# 转换为灰度图像
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 图像二值化
ret, thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)

# 形态学处理
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))
morph = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, kernel)

# 轮廓提取
contours, hierarchy = cv2.findContours(morph, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

# 查找主体轮廓
main_contour = max(contours, key=cv2.contourArea)

# 绘制主体轮廓
contour_image = cv2.drawContours(image.copy(), [main_contour], -1, (0, 255, 0), 2)

# 图像抠图并更换背景
mask = cv2.drawContours(np.zeros_like(gray), [main_contour], 0, 255, -1)
background = cv2.imread('background.jpg')
background = cv2.resize(background, image.shape[:2][::-1])
background_mask = cv2.bitwise_not(mask)
foreground = cv2.bitwise_and(image, image, mask=mask)
background = cv2.bitwise_and(background, background, mask=background_mask)
result = cv2.add(foreground, background)

# 高斯模糊
result = cv2.GaussianBlur(result, (11, 11), 0)

# 显示结果图像
cv2.imshow('Result', result)
cv2.waitKey(0)
cv2.destroyAllWindows()

以上代码中，image为原始图像，background为新背景图像，分别调用cv2.imread进行读取。接下来依次进行图像二值化、形态学处理、轮廓提取，通过查找主体轮廓，得到二值化后的主体部分，然后通过对主体部分进行图像抠图操作，并将其与新背景图像进行合并，得到抠出来的主体带新背景的图像。最后进行高斯模糊。注：该代码适用于单一主体的图像。

### 回答2：
下面是实现图像二值化、形态学处理、轮廓提取、抠图、更换背景并进行高斯模糊的Python代码：

import cv2
import numpy as np

# 读取图像
image = cv2.imread("image.png")

# 图像二值化
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
_, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)

# 形态学处理
kernel = np.ones((3, 3), np.uint8)
dilation = cv2.dilate(binary, kernel, iterations=1)
erosion = cv2.erode(dilation, kernel, iterations=1)

# 轮廓提取
contours, _ = cv2.findContours(erosion, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
contoured_image = cv2.drawContours(image.copy(), contours, -1, (0, 255, 0), 2)

# 抠图
mask = np.zeros(image.shape[:2], np.uint8)
cv2.drawContours(mask, contours, -1, (255), -1)
foreground = cv2.bitwise_and(image, image, mask=mask)

# 更换背景
background = cv2.imread("background.png")
background = cv2.resize(background, (image.shape[1], image.shape[0]))
background = cv2.bitwise_and(background, background, mask=cv2.bitwise_not(mask))

# 合并图像
result = cv2.add(foreground, background)

# 高斯模糊
result = cv2.GaussianBlur(result, (5, 5), 0)

# 显示结果
cv2.imshow("Result", result)
cv2.waitKey(0)
cv2.destroyAllWindows()

以上代码中，需要将`image.png`替换为待处理的图像文件，`background.png`替换为更换的背景图像文件。其中，二值化阈值为127，形态学处理中膨胀和腐蚀的迭代次数均为1，高斯模糊的核大小为5x5。最后，将结果显示出来，并等待按下任意键关闭窗口。

### 回答3：
下面是用Python编写的图像二值化、形态学处理、轮廓提取、抠图、更换背景和进行高斯模糊的代码示例：

import cv2
import numpy as np

def image_binarization(image):
    gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    _, binary_image = cv2.threshold(gray_image, 127, 255, cv2.THRESH_BINARY)
    return binary_image

def morphology_processing(binary_image):
    kernel = np.ones((5, 5), np.uint8)
    closing = cv2.morphologyEx(binary_image, cv2.MORPH_CLOSE, kernel)
    return closing

def extract_contours(image):
    contours, _ = cv2.findContours(image.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
    return contours

def extract_object(image, contours):
    mask = np.zeros_like(image)
    cv2.drawContours(mask, contours, -1, (255, 255, 255), thickness=cv2.FILLED)
    extracted_image = np.zeros_like(image)
    extracted_image[mask == 255] = image[mask == 255]
    return extracted_image

def replace_background(image, background_image):
    image_gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    _, mask = cv2.threshold(image_gray, 10, 255, cv2.THRESH_BINARY)
    mask_inv = cv2.bitwise_not(mask)

    background = cv2.bitwise_and(background_image, background_image, mask=mask_inv)
    foreground = cv2.bitwise_and(image, image, mask=mask)
    result = cv2.add(background, foreground)
    return result

def gaussian_blur(image):
    blurred_image = cv2.GaussianBlur(image, (5, 5), 0)
    return blurred_image

# 示例用法
image = cv2.imread('input.jpg')
binary_image = image_binarization(image)
morphology_processed_image = morphology_processing(binary_image)
contours = extract_contours(morphology_processed_image)
object_image = extract_object(image, contours)
background_image = cv2.imread('background.jpg')
replaced_image = replace_background(object_image, background_image)
blurred_image = gaussian_blur(replaced_image)

cv2.imshow('Image', image)
cv2.imshow('Binary', binary_image)
cv2.imshow('Morphology Processed', morphology_processed_image)
cv2.imshow('Object', object_image)
cv2.imshow('Replaced', replaced_image)
cv2.imshow('Blurred', blurred_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

这段代码使用OpenCV库进行图像处理。首先，将输入图像进行二值化处理，然后进行形态学闭操作，接着提取轮廓，抠出图像的主体部分，再将主体与新的背景图像进行替换，最后对结果图像进行高斯模糊处理。具体的每个函数实现了对应的功能，示例用法展示了如何将每个步骤的结果显示出来。