900字范文 > 准确检测图像的轮廓 opencv_OpenCV图像处理-轮廓和轮廓特征

准确检测图像的轮廓 opencv_OpenCV图像处理-轮廓和轮廓特征

时间：2021-08-23 23:15:41

OpenCV 中的轮廓

✏️问：什么是轮廓？

️答：轮廓是一系列相连的点组成的曲线，代表了物体的基本外形，相对于边缘，轮廓是连续的，边缘并不全部连续。

✏️问：如何寻找轮廓？

️答：寻找轮廓的操作一般用于二值化图，所以通常会使用阈值分割或Canny边缘检测先得到二值图

PS：寻找轮廓是针对白色物体的，一定要保证物体是白色，而背景是黑色，不然很多人在寻找轮廓时会找到图片最外面的一个框。

寻找轮廓

❣️调用cv2.findContours()函数:

import cv2img = cv2.imread('handwriting.jpg')img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)ret, thresh = cv2.threshold(img_gray, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)# 寻找二值化图中的轮廓image, contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)print(len(contours)) # 结果应该为2

参数1：二值化原图参数2：轮廓的查找方式，一般使用cv2.RETR_TREE，表示提取所有的轮廓并建立轮廓间的层级。参数3：轮廓的近似方法。比如对于一条直线，我们可以存储该直线的所有像素点（cv2.CHAIN_APPOX_NONE），也可以只存储起点和终点。使用cv2.CHAIN_APPROX_SIMPLE就表示用尽可能少的像素点表示轮廓.

绘制轮廓

❣️调用cv2.drawContours()函数：

cv2.drawContours(img, contours, -1, (0,0,255),2)

️其中参数2就是得到的contours，参数3表示要绘制哪一条轮廓，-1表示绘制所有轮廓，参数4是颜色（B/G/R通道，所以(0,0,255)表示红色），参数5是线宽.

️一般情况下，我们会首先获得要操作的轮廓，再进行轮廓绘制及分析：

cnt = contours[1]cv2.drawContours(img, [cnt], 0, (0, 0, 255), 2)

轮廓层级

图中总共有8条轮廓，2和2a分别表示外层和里层的轮廓，3和3a也是一样。从图中看得出来：

轮廓0/1/2是最外层的轮廓，我们可以说它们处于同一轮廓等级：0级轮廓2a是轮廓2的子轮廓，反过来说2是2a的父轮廓，轮廓2a算一个等级：1级同样3是2a的子轮廓，轮廓3处于一个等级：2级类似的，3a是3的子轮廓，等等…………

️ OpenCV中轮廓等级的表示:

如果我们打印出cv2.findContours()函数的返回值hierarchy，会发现它是一个包含4个值的数组：[Next, Previous, First Child, Parent]- Next: 与当前轮廓处于同一层级的下一条轮廓，没有为-1。 - Previous: 与当前轮廓处于同一层级的上一条轮廓，没有为-1。 - Firtst Child: 当前轮廓的第一条子轮廓，没有为-1。 - Parent: 当前轮廓的父轮廓，没有为-1。

️ 轮廓的四种寻找方式： - RETR_LIST：所有轮廓属于同一层级 - RETR_TREE: 完整建立轮廓的各属性 - RETR_EXTERNAL: 只寻找最高层级的轮廓 - RETR_CCOMP: 所有轮廓分2个层级，不是外界就是最里层

✏️问：如何把下图的三个内圈填满灰色？

️代码如下：

import cv2import numpy as npimg = cv2.imread('circle_ring.jpg')img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)_,th = cv2.threshold(img_gray, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)# 寻找轮廓，使用cv2.RETR_CCOMP寻找内外轮廓image, contours, hierarch = cv2.findContours(th, cv2.RETR_CCOMP, 2)# 找到内层轮廓并填充# hierarchy的形状为(1,6,4)，使用np.squeeze压缩一维数据，变成(6,4)hierarchy = np.squeeze(hierarchy)for i in range(len(contours)):# 存在父轮廓，说明是里层if (hierarchy[i][3] != -1):cv2.drawContours(img, contours, i, (180, 215, 215), -1)cv2.imwrite('result.jpg', img)

轮廓的特征

计算物体的周长、面积、质心、最小外接矩形等 ⛳️ OpenCV函数：cv2.contourArea(),cv2.arcLength(),cv2.approxPolyDP()等 ⛳️

图像矩

图像矩可以帮助我们计算图像的质心，面积等；函数cv2.moments()会将计算得到的矩以字典形式返回。

import cv2import numpy as npimg = cv2.imread('handwriting.jpg', 0)_, thresh = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)image, contours, hierarchy = cv2.findContours(thresh, 3, 2)# 以数字3的轮廓为例cnt = contours[0]img_color1 = cv2.cvtColor(image, cv2.COLOR_GRAY2BGR)img_color2 = np.copy(img_color1)cv2.drawContours(img_color1, [cnt], 0, (0, 0, 255), 2)cv2.imshow('img',img_color1)cv2.waitKey(0)

️采用图像矩

M = cv2.moments(cnt)# 对象的质心cx = int(M['m10'] / M['m00'])cy = int(M['m01'] / M['m00'])

✔️M中包含了很多轮廓的特征信息，比如M[‘m00’]表示轮廓面积，与cv2.contourArea()计算结果是一样的.

轮廓面积

area = cv2.contourArea(cnt)

✔️注意轮廓特征计算的结果并不等同于像素点的个数，而是根据几何方法算出来的，所以有小数。

如果统计二值图中像素点个数，应尽量避免循环，可以使用cv2.countNonZero()，更加高效。

轮廓周长

perimeter = cv2.arcLength(cnt, True)

✔️ 参数2表示轮廓是否封闭，显然我们的轮廓是封闭的，所以是True。

外接矩形

形状的外接矩形有两种，如下图，绿色的叫外接矩形，表示不考虑旋转并且能包含整个轮廓的矩形。蓝色的叫最小外接矩，考虑了旋转：

1️⃣ 外接矩形：

x, y, w, h = cv2.boundingRect(cnt)

2️⃣ 最小外接矩形：

rect = cv2.minAreaRect(cnt)# 矩形四个角点取整box = np.int0(cv2.boxPoints(rect))cv2.drawContours(img_color1, [box], 0, (255, 0, 0), 2)

✔️np.int0(x)是把x取整的操作，比如377.93就会变成377，也可以用x.astype(np.int)

最小外接圆

(x, y), radius = cv2.minEnclosingCircle(cnt)(x, y, radius) = cv2.int0((x, y, radius))cv2.circle(img_color2, (x,y), radius, (0, 0, 255), 2)

拟合椭圆

ellipse = cv2.fitEllipse(cnt)cv2.ellipse(img_color2, ellipse, (255,255,0), 2)

形状匹配

cv2.matchShapes()可以检测两个形状之间的相似度，返回值越小，越相似 ⛳️

img = cv2.imread('shapes.jpg', 0)_, thresh = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)image, contours, hierarchy = cv2.findContours(thresh, 3, 2)img_color = cv2.cvtColor(thresh, cv2.COLOR_GRAY2BGR) # 用于绘制的彩色图

图中有3条轮廓，我们用A/B/C表示：

cnt_a, cnt_b, cnt_c = contours[0], contours[1], contours[2]print(cv2.matchShapes(cnt_b, cnt_b, 1, 0.0)) # 0.0print(cv2.matchShapes(cnt_b, cnt_c, 1, 0.0)) # 2.17e-05print(cv2.matchShapes(cnt_b, cnt_a, 1, 0.0)) # 0.418

✔️ 可以看到BC相似程度比AB高很多，并且图形的旋转或缩放并没有影响。其中，参数3是匹配方法，参数4是OpenCV的预留参数，暂时没有实现，可以不用理会。

轮廓近似

将轮廓形状近似到另外一种由更少点组成的轮廓形状，新轮廓的点的数目由我们设定的准确度来决定，用的Douglas-Peucker算法。⛳️

import cv2import numpy as np# 1.先找到轮廓img = cv2.imread('unregular.jpg', 0)_, thresh = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)image, conturs, hierarchy = cv2.findContours(thresh, 3, 2)cnt = contours[0]# 2.进行多边形逼近，得到多边形的角点approx = cv2.approxPolyDP(cnt, 3, True)# 3.画出多边形image = cv2.cvtColor(image, cv2.COLOR_GRAY2BGR)cv2.polylines(image, [approx], True, (0, 255, 0), 2)

其中cv2.approxPolyDP()的参数2( $epsilon$ )是一个距离值，表示多边形的轮廓接近实际轮廓的程度，值越小，越精确；参数3表示是否闭合。

凸包

凸包跟多边形逼近很像，只不过它是物体最外层的”凸”多边形：集合A内连接任意两个点的直线都在A的内部，则称集合A是凸形的。如下图，红色的部分为手掌的凸包，双箭头部分表示凸缺陷(Convexity Defects)，凸缺陷常用来进行手势识别等。

凸包

import cv2img = cv2.imread('convex.jpg', 0)_, th = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY+cv2.THRESH_OTSU)image, contours, hierarchy = cv2.findContours(th, 3, 2)cnt = contours[0]image = cv2.cvtColor(img, cv2.COLOR_GRAY2BGR)cv2.drawContours(image, contours, -1, (0, 0 , 255), 2)# 寻找凸包，得到凸包的角点hull = cv2.convexHull(cnt)# 绘制凸包cv2.polylines(image, [hull], True, (0, 255, 0), 2)

✔️ 其中函数cv2.convexHull()有个可选参数returnPoints，默认是True，代表返回角点的x/y坐标；如果为False的话，表示返回轮廓中是凸包角点的索引，比如说：

print(hull[0]) # [[362 184]]（坐标）hull2 = cv2.convexHull(cnt, returnPoints=False)print(hull2[0]) # [510]（cnt中的索引）print(cnt[510]) # [[362 184]]

✔️ 当使用cv2.convexityDefects()计算凸包缺陷时，returnPoints需为False

✔️ 另外可以用下面的语句来判断轮廓是否是凸形的：

print(cv2.isContourConvex(hull)) # True

凸面缺陷

OpenCV提供了现成的函数来做这个，cv2.convexityDefects(). 注意：我们要传returnPointsFalse来找凸形外壳。它返回了一个数组，每行包含这些值：[start point, end point, farthest point, approximate distance to farthest point].我们可以用图像来显示他们。我们画根线把start point和end point连起来。然后画一个圆在最远点。记住最前三个返回值是 cnt 的索引，所以我们我们得从 cnt 里拿出这些值.

import cv2import numpy as npimg = cv2.imread('star.jpg')img_gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)ret, thresh = cv2.threshold(img_gray, 127, 255,0)_,contours,hierarchy = cv2.findContours(thresh,2,1)cnt = contours[2]# 返回凸包角点的索引hull = cv2.convexHull(cnt,returnPoints = False)# 检测凸凹陷defects = cv2.convexityDefects(cnt,hull)# 可视化for i in range(defects.shape[0]):s,e,f,d = defects[i,0]start = tuple(cnt[s][0])end = tuple(cnt[e][0])far = tuple(cnt[f][0])cv2.line(img,start,end,[0,255,0],2)cv2.circle(img,far,5,[0,0,255],-1)