opencv图像轮廓

1.1什么是轮廓 cv2.findContours()

轮廓可以简单认为成连续的点（连着边界）连在一起的曲线，具有相同的颜色或者灰度。轮廓在形状分析和物体的检测和识别中很有用。为了准确，要使用二值化图像。需要进行阀值化处理或者Canny边界检测。查找轮廓的函数会修改原始图像。如果之后想继续使用原始图像，应该将原始图像储存到其他变量中。在OpenCV中，查找轮廓就像在黑色背景中超白色物体。你应该记住，要找的物体应该是白色而背景应该是黑色。

如何在一个二值图像中查找轮廓。

函数cv2.findContours()有三个参数，第一个是输入图像，第二个是轮廓检索模式，第三个是轮廓近似方法。返回值有三个，第一个是图像，第二个是轮廓，第三个是（轮廓的）层析结构。轮廓（第二个返回值）是一个Python列表，其中储存这图像中所有轮廓。每一个轮廓都是一个Numpy数组，包含对象边界点（x，y）的坐标。

1.2怎样绘制轮廓 cv2.drawContours()

函数cv2.drawContours()可以被用来绘制轮廓。它可以根据你提供的边界点绘制任何形状。它的第一个参数是原始图像，第二个参数是轮廓，一个python列表，第三个参数是轮廓的索引（在绘制独立轮廓是很有用，当设置为-1时绘制所有轮廓）。接下来的参数是轮廓的颜色和厚度。

在一幅图像上绘制所有的轮廓：

img = cv2.imread('gray.png')
imgray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
ret,thresh = cv2.threshold(imgray,127,255,0)
image ,contours,hierarchy = cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)
#绘制所有轮廓
#imag = cv2.drawContours(img,contours,-1,(0,255,0),3)
#绘制独立轮廓，如第四个轮廓
# imag = cv2.drawContours(img,contours,3,(0,255,0),3)
#但是大多数时候，下面方法更有用
cnt = contours[3]
imag = cv2.drawContours(img, [cnt], 0, (0,255,0), 3)
while(1):cv2.imshow('img',img)cv2.imshow('imgray',imgray)cv2.imshow('image',image)cv2.imshow('imag',imag)if cv2.waitKey(1) == ord('q'):        break
cv2.destroyAllWindows()

1.3轮廓的近似方法

之前提到轮廓是一个形状具有相同灰度值的边界，它会存储形状边界上所有的（x,y）坐标。实际上我们不需要所有的点，当需要直线时，找到两个端点即可。cv2.CHAIN_APPROX_SIMPLE可以实现。它会将轮廓上的冗余点去掉，压缩轮廓，从而节省内存开支。

2. 轮廓特征

2.1矩 cv2.moments()

图像的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一个字典的形式返回。

img = cv2.imread('rectangle.png',0)
ret,thresh = cv2.threshold(img,127,255,0)
image,contours,hierarchy=cv2.findContours(thresh,1,2)
cnt=contours[0]
M=cv2.moments(cnt)
print(M)

根据这些矩的值，我们可以计算出对象的重心：

cx=int(M['m10']/M['m00'])

cy=int(M['m01']/M['m00'])

2.2轮廓面积 cv2.contourArea()

可以使用函数cv2.contourArea()计算得到，也可以用矩（0阶矩），M['m00']。

area=cv2.contourArea(cnt)

2.3轮廓周长 cv2.arcLength()

也被称为弧长。可以使用函数cv2.arcLength()计算得到。这个函数的第二参数可以用来指定对象的形状是闭合的（True），还是打开的（一条曲线）。

perimeter= cv2.arcLength(cnt,True)

2.4轮廓近似 cv2.approxPolyDP()

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，使用的Douglas-Peucker算法。

算法步骤

连接曲线首尾两点A、B形成一条直线AB；

计算曲线上离该直线段距离最大的点C，计算其与AB的距离d；

比较该距离与预先给定的阈值threshold的大小，如果小于threshold，则以该直线作为曲线的近似，该段曲线处理完毕。

如果距离大于阈值，则用点C将曲线分为两段AC和BC，并分别对两段曲线进行步骤[1~3]的处理。

当所有曲线都处理完毕后，依次连接各个分割点形成折线，作为原曲线的近似。

假设我们要在一幅图像中查找一个矩形，但是由于图像的种种原因我们不能得到一个完美的矩形，而是一个“坏形状”，现在就可以使用这个函数来近似这个形状，第二个参数是epsilon，它是从原始轮廓到近似轮廓的最大距离，它是一个准确度参数。

epsilon=0.1*cv2.arcLength(cnt,True)

approx= cv2.approxPolyDP(cnt,epsilon,True)

temp = cv2.cvtColor(image.copy(), cv2.COLOR_GRAY2BGR)

cv2.drawContours(temp, [approx], -1, (0, 255, 0), 2)

epsilon2=0.01*cv2.arcLength(cnt,True)

approx2= cv2.approxPolyDP(cnt,epsilon2,True)

temp2 = cv2.cvtColor(image.copy(), cv2.COLOR_GRAY2BGR)

cv2.drawContours(temp2, [approx2], -1, (0, 255, 0), 2)

plt.subplot(231),plt.imshow(img,'gray'),plt.title('original')

plt.subplot(232),plt.imshow(temp,'gray'),plt.title(' epsilon = 10%')

plt.subplot(233),plt.imshow(temp2,'gray'),plt.title(' epsilon = 1%')

plt.show()

2.5凸包 cv2.convexHull()

凸包与轮廓近似相似，但不同，虽然有些情况下它们给出的结果是一样的。函数cv2.convexHull()可以用来检测一个曲线是否具有凸性缺陷，并能纠正缺陷。一般来说，凸性曲线总是凸出来的，至少是平的。如果有地方凹进去了就被叫做凸性缺陷。例如下图中的手，红色曲线显示了手的凸包，凸性缺陷被双箭头标出来了。

hull= cv2.convexHull(points,hull,clockwise,returnPoints)

参数：

points我们要传入的轮廓

hull输出，通常不需要

clockwise方向标志，如果设置为True，输出的凸包是顺时针方向的，否则为逆时针方向。

returnPoints默认值为True。它会返回凸包上点的坐标，如果设置为False，就会返回与凸包点对应的轮廓上的点。

要获得上图的凸包，可以用下面命令：

hull=cv2.convexHull(cnt)

但是如果你想获得凸性缺陷，需要把returnPoints设置为False。以上面矩形为例，首先我们找到他的轮廓从cnt。现在把returnPoints设置为True查找凸包，得到的就是矩形的四个角点。把returnPoints设置为False，得到的是轮廓点的索引。

2.6凸性检测 cv2.isContourConvex()

函数cv2.isContourConvex()可以检测一个曲线是不是凸的。它只能返回True或者False。

k=cv2.isContourConvex(cnt)

2.7边界矩形 cv2.boundingRect() cv2.minAreaRect()

直边界矩形，一个直矩形，没有旋转。不会考虑对象是否旋转。所以边界矩形的面积不是最小的。可以使用函数cv2.boundingRect()查找得到

#（x,y）为矩形左上角的坐标，（w,h）是矩形的宽和高

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

img=cv2.rectangle(img,(x,y),(x+w,y+h),(0,255,0),2)

旋转的边界矩形，这个边界矩形是面积最小的，因为它考虑了对象的旋转。用函数cv2.minAreaRect()。返回的是一个Box2D结构，其中包含矩形最上角角点坐标（x，y）矩形的宽和高（w,h）以及旋转角度。但是要绘制这个矩形需要矩形的4个角点，可以通过函数cv2.boxPoints()获得。

其中绿色的为直矩形，红色为旋转矩形。

2.8最小外接圆 cv2.minEnclosingCircle()

函数cv2.minEnclosingCircle()可以帮我们找到一个对象的外接圆。它是所有能够包括对象的圆中面积最小的一个。

(x,y),radius = cv2.minEnclosingCircle(cnt)

center = (int(x),int(y))

radius = int(radius)

img = cv2.circle(img,center,radius,(0,255,0),2)

2.9椭圆拟合 cv2.ellipse()

使用函数cv2.ellipse()，返回值其实就是旋转边界矩形的内切圆。

ellipse= cv2.fitEllipse(cnt)

img= cv2.ellipse(img,ellipse,(0,255,0),2)

2.10直线拟合

可以根据一组点拟合出一条直线，同样我们也可以为图像中的白色点拟合出一条直线。

rows,cols =img.shape[:2]

[vx,vy,x,y]=cv2.fitLine(cnt,cv2.DIST_L2,0,0.01,0.01)

lefty=int((x*vy/vx)+y)

righty=int(((cols-x)*vy/vx)+y)

img= cv2.line(img,(cols-1,righty),(0,lefty),(0,255,0),2)

3.轮廓的性质

3.1长宽比 cv2.boundingRect()

边界矩形的宽高比

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

aspect_ratio = float(w)/h

3.2.Extent cv2.contourArea() cv2.boundingRect()

轮廓面积与边界矩形面积的比

area=cv2.contourArea(cnt)

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

rect_area=w*h

extent=float(area)/rect_area

3.3.Solidity cv2.contourArea() cv2.convexHull()

轮廓面积与凸包面积的比

area=cv2.contourArea(cnt)

hull=cv2.convexHull(cnt)

hull_area=cv2.contourArea(hull)

solidity=float(area)/hull_area

3.4.与轮廓面积相等的圆形的直径 cv2.contourArea()

area=cv2.contourArea(cnt)

equi_diameter=np.sqrt(4*area/np.pi)

3.5.方向 cv2.fitEllipse()

对象的方向，下面的方法还会返回长轴和短轴的长度

(x,y),(MA,ma),angle=cv2.fitEllipse(cnt)

3.6.掩模和像素点

有时我们需要构成对象的所有像素点

mask=np.zeros(imgray.shate,np.uint8)

#这里一定要使用参数-1，绘制填充的轮廓

cv2.drawContours(mask,[cnt],0,255,-1)

pixelpoints=np.transpose(np.nonzero(mask))

3.7.最大值和最小值及它们的位置 cv2.minMaxLoc()

可以使用掩模图像得到这些参数

min_val,max_val,min_loc,max_loc=cv2.minMaxLoc(imgray,mask=mask)

3.8.平均颜色及平均灰度 cv2.mean()

同样使用相同的掩模来求得

mean_val=cv2.mean(im,mask=mask)

3.9.极点

一个对象最上，最下，最左，和最右的点

leftmost=tuple(cnt[cnt[:,:,0].argmin()[0])

rightmost=tuple(cnt[cnt[:,:,0].argmax()[0])

topmost=tuple(cnt[cnt[:,:,1].argmin()[0])

bottommost=tuple(cnt[cnt[:,:,1].argmax()[0])

参考：

https://www.jianshu.com/p/2b60802306a8?utm_campaign=maleskine&utm_content=note&utm_medium=seo_notes&utm_source=recommendation