话不多说，上代码，看结果。
import cv2 # 导入库import numpy as npfont = cv2.FONT_HERSHEY_SIMPLEX''' cv2.imread(filename,flags)# filename为文件名，图片与.py文件在一个文件夹时输入文件名即可# 不在一个文件夹时输入图片的路径和名字# flags为图片的颜色类型，默认为1，灰度图像为0'''img = cv2.imread('39.jpg')''' np.copy()# 数组拷贝，理解成备份原图像就行# 原图像img， 备份图像img1# 原图像随便改，备份图像还是初始的原图像'''img2 = img.copy()''' cv2.cvtColor()# 颜色空间转换# img为要转换的图像，后者为转换的格式# 颜色空间有很多种，最常见的就是RGB颜色空间# R红色，G绿色，B蓝色，OpenCV中顺序是BGR！！！！！！！# [255, 0,0]是蓝色，[0, 255, 0]表示绿色，[0， 0， 255]表示红色 HSV颜色空间# 也挺常用的，H是色调，S是饱和度，V是明度，具体百度就行'''gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)'''cv2.namedWindow(winname,flags)# winname是窗口名字# flags为窗口显示方式，cv2.WINDOW_NORMAL为正常显示，可以调整大小# cv2.WINDOW_AUTOSIZE显示原图片的大小，用户不能调整大小'''cv2.namedWindow('img', cv2.WINDOW_NORMAL)''' cv2.imshow(winname,mat)# winname为显示的窗口# mat 需要显示的图像'''cv2.imshow('img', img)''' cv2.blur(src, ksize, dst, anchor, borderType) 均值滤波# 用邻域内像素均值来代替该点像素值，均值滤波在去噪的同时也破坏了图像细节部分# src 要滤波的图像 ksize 内核的大小 anchor 锚点，即要平滑的点，默认值(-1, -1),即在核中心# ksize(3, 3)表示3 * 3的核大小# dst 输出图像# borderType 图像像素边界类型，默认就行'''gray = cv2.blur(gray, (3, 3))# 对图片做二值变化''' cv2.threshold(src, thresh, maxval, type, dst) 给定阈值，可以过滤灰度值过大或过小的点# src 要滤波的图像 dst 输出图像# thresh 给定阈值 咋判断选取的这个数的好坏呢？不停尝试。# 用Otsu 不停尝试# 多加一个参数：cv2.THRESH_OTSU,这时要把阈值设为 0。然后算法会找到最优阈值.# 这个最优阈值就是返回值ret。如果不使用Otsu二值化，返回的retVal 值与设定的阈值相等# maxval cv2.THRESH_BINARY 二值化阈值，大于阈值的部分被置为255，小于部分被置为0# cv2.THRESH_BINARY_INV 反向二值化阈值，大于阈值部分被置为0，小于部分被置为255# cv2.THRESH_TOZERO 大于部分保持不变, 小于阈值部分被置为0# cv2.THRESH_TOZERO_INV 大于阈值部分被置为0，小于部分保持不变# cv2.THRESH_TRUNC 截断阈值化，大于阈值部分被置为threshold，小于部分保持原样'''ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)''' cv2.findContours(image, mode, method, contours, hierarchy, offset)# image 输入图像, 8位单通道图像(一般为二值图)# contours: 检测到的轮廓, 每个轮廓存储为一个点向量, 即Point类型的vector表示# hierarchy: 可选的输出向量, 包含图像的拓扑信息。# 其作为轮廓数量的表示, 包含了许多元素, 每个轮廓contours[i]对应4个hierarchy元素# hierarchy[i][0]~hierarchy[i][3], 分别表示后一轮廓、前一轮廓、父轮廓、内嵌轮廓的索引编号, # 如果没有对应项, 设置为负数# mode: 轮廓检索模式, 取值如下:# cv2.RETR_EXTERNAL=0-----表示只检测最外层轮廓# cv2.RETR_LIST=1------提取所有轮廓并放置在list中, 轮廓不建立等级关系# cv2.RETR_CCOMP=2------提取所有轮廓并组织为双层结构# cv2.RETR_TREE =3------提取所有轮廓并重新建立网状轮廓结构# method: 轮廓的近似方法,取值见图2# offset: 每个轮廓的可选偏移量, 默认值Point()'''thresh, contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)print(len(contours)) # 输出轮廓个数''' cv2.drawContours(image, contours, contourIdx, color, thickness, lineType, hierarchy, maxLevel, offset) 画出图片中的轮廓值，也可以用来画轮廓的近似值# img 输入的需要画的图片 contours 轮廓值# -1表示轮廓的索引， (0, 0, 255)表示颜色， 2表示线条粗细# lineType: 线条类型, 默认值8# hierarcy: 可选的层次结构信息, 默认值noArray()# maxLevel: 表示用于绘制轮廓的最大等级, 默认值INT_MAX# offset: 可选的轮廓偏移参数, 默认值Point()'''cv2.drawContours(img, contours, -1, (0, 255, 255), 1) # 绘制轮廓for cnt in contours: ''' cv2.minAreaRect(points) 轮廓最小外接矩形 # points: 输入的二维点集 # 返回值: RotatedRect类矩形对象, 外接旋转矩形主要成员有center、size、angle # 在opencv中，坐标的原点在左上角，与x轴平行的方向为角度为0，逆时针 # 旋转角度为负，顺时针旋转角度为正。而RotatedRect类是以矩形的哪一 # 条边与x轴的夹角作为角度的呢？angle 是水平轴（x轴）逆时针旋转，与 # 碰到的第一个边的夹角，而opencv默认把这个边的边长作为width，angle # 的取值范围必然是负的 ''' # 获取最小外接矩阵，中心点坐标，宽高，旋转角度 rect = cv2.minAreaRect(cnt) # 获取矩形四个顶点，浮点型 box = cv2.boxPoints(rect) # 取整 box = np.int0(box) print(box) cv2.drawContours(img, [box], 0, (0, 255, 0), 2)cv2.putText(img, ("Num=%s" % str(len(contours))), (5, 20), font, 0.8, (0, 255, 0), 2)cv2.imshow("img", img) # 显示图片'''cv2.waitKey(delay)# delay为正数时，延时delay毫秒结束# 想要用按下某个键时退出可用以下方法：# if(cv2.waitKey(0) == ord('q')): exit(0)#别的方法也行，不唯一'''if cv2.waitKey(0) & 0xFF == 27: exit(0)'''cv2.destroyWindow(winname)#结束窗口，winname为窗口名cv2.destroyAllWindows() #结束所有窗口'''cv2.destroyAllWindows()
结果如下图。
找了张图片，结果如下图
就先这样，遇到别的再补充。