网站建设中的风险风险百度指数怎么查询
【1】引言
前序学习过程中，已经掌握了使用cv2.boundingRect()函数实现图像轮廓矩形标注，相关文章链接为：python学opencv|读取图像（六十五）使用cv2.boundingRect()函数实现图像轮廓矩形标注-CSDN博客
这篇文章成功在图像上绘制出了矩形，在此基础上，如果想进一步绘制圆形标注，就需要调用cv2.minEnclosingCircle函数。
【2】官网教程
点击下方链接，直达cv2.minEnclosingCircle()函数的官网教程：
OpenCV: Structural Analysis and Shape Descriptors
官网对 cv2.minEnclosingCircle()函数的说明为：
图1 官网对 cv2.minEnclosingCircle()函数的说明
官网对 cv2.minEnclosingCircle()函数的参数说明为：
points：轮廓的数组，可以直接用轮廓来代表
center：返回值，最小的圆形的圆心；
radius：返回值，最小的圆形的半径。
【3】代码测试
和之前一样，cv2.minEnclosingCircle()函数要想用圆形作为标签标注图形的轮廓，需要提前知晓图像的轮廓位置，所以依然要调用 cv2.findContours()函数来找到轮廓。
cv2.minEnclosingCircle()函数和cv2.findContours()函数有一个共同点，就是必须要对灰度图像才有效，所以必须提前调用cv2.cvtColor()函数转换灰度图，而为了更进一步突出灰度图，有时候需要调用cv2.threshold()函数进行阈值处理。
如果对上述函数不熟悉，可以通过下述链接回忆：
python学opencv|读取图像（六十四）使用cv2.findContours()函数+cv2.drawContours()函数实现图像轮廓识别和标注-CSDN博客
python学opencv|读取图像（二十）使用cv2.circle()绘制圆形_python cv2.circle-CSDN博客
python学opencv|读取图像（十一）彩色图像转灰度图的两种办法_识别图像输出灰度图-CSDN博客
按照上述分析的逻辑，代码设置为：引入必要模块和图像，图像灰度处理，图像阈值处理，给灰度图像找边界轮廓，然后是绘制圆形标注。
此处直接给出完整代码：
import cv2 as cv # 引入CV模块
import numpy as np #引入numpy模块# 读取图片
src = cv.imread('df.png') #读取图像srcx.png
gray=cv.cvtColor(src,cv.COLOR_BGR2GRAY) #将图像转化为灰度图#图像处理
canvas = np.ones((580, 580, 3), np.uint8)*158 # 绘制一个580*580大小的画布，3代表有3个通道，unit8为图像存储格式
t,dst=cv.threshold(gray,10,255,cv.THRESH_BINARY) #阈值处理
con,hierarchy=cv.findContours(dst,cv.RETR_LIST,cv.CHAIN_APPROX_SIMPLE) #读取边界
c,r=cv.minEnclosingCircle(con[0]) #获取第一轮廓的最小矩形边框，记录左上角坐标、宽和高
cx=int((c[0])) #取圆心x坐标
cy=int((c[1])) #取圆心y坐标
print('con=',len(con)) #输出con代表的轮廓列表数量
print('c=',c,'cx=',cx,'cy=',cy) #输出圆心
print('r=',r,'int(r)=',int(r)) #输出半径
print(src.shape) #输出src图像基本属性
cv.circle(src,(cx,cy),int(r),(200,100,255),5) #绘制圆形
#cv.imshow('ini-image ', dst) #显示原始图像
cv.imshow('ini-image-con', src) #显示带轮廓线图像
canvas=cv.circle(canvas,(cx,cy),int(r),(0,100,255),5)
cv.imshow('rectangle', canvas) # 在屏幕展示画线段的效果
#cv.imshow('ini-image-gon', gray) #显示带轮廓线图像
cv.imwrite('ini-image-con.png', src) #保存图像
cv.waitKey() # 图像不关闭
cv.destroyAllWindows() # 释放所有窗口代码运行相关的图像为：
图2 初始图像
图3 圆形标注图像
由图2到图3可知，图像准确标注出了圆形。
【4】细节说明
在使用纯黑白图像时，顺利获得了如图3所示的矩形标注效果。
如果图像稍微复杂一些，是否效果依旧显著。
将输入图像更换为略复杂的图像：
图4 初始图像更换后
图5 实际运行效果-标注了一个点
由图5可见，实际运行效果只在人像上标注了一个点。
为此，追溯了原因，看读取的一些基本信息：
图6 基本信息
在控制台，获得了一些基本信息，con代表获得的轮廓数，第二行代表像素和通道。
显然，第二个初始图像读出了3285个轮廓，显然这个数据足够大，具体使用哪个轮廓来绘制圆形很难选择。
然后对于第一个初始图像，代码使用的轮廓为con[0]，如果将其切换为con[1]：
src = cv.imread('df.png') #读取图像srcx.pngx,y,w,h=cv.boundingRect(con[1]) #获取第一轮廓的最小矩形边框，记录左上角坐标、宽和高代码运行后的效果为：
图7 第二个矩形轮廓
由图7可见，如果使用第二个轮廓，绘制的圆形框在图像的边缘。
综上，使用cv2.minEnclosingCircle()函数对图像轮廓进行矩形标注，图像的颜色只要有黑白颜色才会更为准确。
【5】总结
掌握了python+opencv通过使用cv2.minEnclosingCircle()函数对图像轮廓进行圆形标注的技巧。