OpenCV计算机图像处理 —— 凸性缺陷 + 点多边形测试 + 形状匹配 + 轮廓分层与cv.findContours()

1. 凸性缺陷

一般来说凸曲线都是凸出或平坦的曲线，如果在内部凸出了（凹进去了）我们就称其为凸性缺陷，OpenCV提供了一个方法cv.convexityDefects()

这个函数返回一个数组，其中每行包含这些值-【起点，终点，最远点，到最远点的近似距离】，我们可以用图像把它形象化，我们画一条连接起点和终点的线，然后在最远处画一个圆

import cv2 as cv
import numpy as npimg = cv.imread(r'E:\image\test14.png')
img_gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
ret, thresh = cv.threshold(img_gray, 127, 255, 0)
contours, hierarchy = cv.findContours(thresh, 2, 1)
cnt = contours[0]
hull = cv.convexHull(cnt, returnPoints=False)
defects = cv.convexityDefects(cnt, hull)
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])cv.line(img, start, end, [0, 255, 0], 2)cv.circle(img, far, 5, [0, 0, 255], -1)
cv.imshow('img', img)
cv.waitKey(0)
cv.destroyAllWindows()

在以前轮廓的内容中我们提到了了一个函数cv.convexHull()，当这个函数的属性returnPoints = False时，我们就可以找到凸性缺陷

代码解释：又到了激动人心的解析代码的时间啦！第4-5行即是老生常谈的读取图片并转化为灰度图，第6行通过threshold()函数设置阈值，第7行通过findContours()方法找到轮廓，将第一个轮廓拿出来后用convexHull()函数检查轮廓的凸度缺陷，然后使用convexityDefects()函数得到这些凸度缺陷对应点的相关信息，包括起点终点等

2. 点多边形测试

点多边形测试中涉及了一个新的函数：cv.pointPolygonTest()，顾名思义它是一个测试函数，第一个参数是轮廓，第二个参数就是我们的测试点了，第三个参数指的是measureDist，如果其取值为True，这个函数会找到有符号的距离，反之它只会反映出这个点是在轮廓线内部、上面还是外部（分别返回1、-1和0）

import cv2 as cv
import numpy as np
img = cv.imread(r'E:\image\test12.png')
img_gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
ret, thresh = cv.threshold(img_gray, 127, 255, 0)
contours, hierarchy = cv.findContours(thresh, 2, 1)
cnt = contours[0]
img02 = cv.drawContours(img, [cnt], 0, (0, 0,255), 3)
dist = cv.pointPolygonTest(cnt, (20, 20), True)
dist2 = cv.pointPolygonTest(cnt, (192.5, 156), True)
print("point:(20,20) = " + str(dist))
print("point:(192.5,156) = " + str(dist2))
cv.imshow('test', img02)
cv.waitKey(0)
cv.destroyWindow()

3. 形状匹配

OpenCV中的形状匹配与一个函数有关：cv.matchShapes()，这个函数使我们能够比较两个形状（或两个轮廓），并返回一个显示相似性的度量，这个值越低说明匹配越好，在实质上它是根据矩值计算出来的

值得注意的是，即使是图像旋转也不会对结果产生很大的影响

import cv2 as cv
import numpy as np
from matplotlib import pyplot as pytimg1 = cv.imread(r'E:/image/star01.png', 0)
img2 = cv.imread(r'E:/image/star02.png', 0)
img3 = cv.imread(r'E:/image/rectangle01.png', 0)
ret, thresh = cv.threshold(img1, 127, 255, 0)
ret, thresh2 = cv.threshold(img2, 127, 255, 0)
ret, thresh3 = cv.threshold(img3, 127, 255, 0)
contours, hierarchy = cv.findContours(thresh, 2, 1)
cnt1 = contours[0]
contours, hierarchy = cv.findContours(thresh2, 2, 1)
cnt2 = contours[0]
contours, hierarchy = cv.findContours(thresh3, 2, 1)
cnt3 = contours[0]
ret = cv.matchShapes(cnt1, cnt2, 1, 0.0)
ret2 = cv.matchShapes(cnt1, cnt3, 1, 0.0)
print("星图1与星图2的匹配度量 = " + str(ret))
print("星图1与方图1的匹配度量 = " + str(ret2))
pyt.subplot(1, 3, 1), pyt.imshow(img1, cmap="gray")
pyt.title("star_img01"), pyt.xticks([]), pyt.yticks([])
pyt.subplot(1, 3, 2), pyt.imshow(img2, cmap="gray")
pyt.title("star_img02"), pyt.xticks([]), pyt.yticks([])
pyt.subplot(1, 3, 3), pyt.imshow(img3, cmap="gray")
pyt.title("rectangle_img01"), pyt.xticks([]), pyt.yticks([])
pyt.show()

4. 轮廓分层与cv.findContours()

4.1 轮廓分层与cv.findcontours()的关系

在前面的文章我们聊了怎么使用cv.findcontours()函数找到轮廓，并且提到了它的第三个参数轮廓检索模式，对于这个参数我们通常使用cv.RETR_LIST或cv.RETR_TREE就能得到很好的效果，而且对应这个函数的三个输出我们也很有必要了解一下，它的输出包括三个数组，包括图像（image）、轮廓（contours）和hierarchy，它其实就是我们在这一节要聊的”轮廓层次结构”

在某些情况下，某些形状位于其他形状中，就像嵌套的图形一样，在这种情况下，我们把外部的称为父类，把内部的称为子类，这样，图像中的轮廓就有了一定的相互关系。我们可以指定一个轮廓是如何相互连接的，比如，它是另一个轮廓的子轮廓，还是父轮廓等等。这种关系的表示称为层次结构

所以每个轮廓都有它自己的信息关于它是什么层次，谁是它的孩子，谁是它的父母等等，OpenCV将它表示为一个包含四个值的数组: [Next, Previous, First_Child, Parent]，这就是我们在findcontours()函数中得到的第三个参数

4.2 轮廓检索模式（四种参数）

RETR_LIST

这是四个标志中最简单的一个，它只是检索所有的轮廓，但不创建任何亲子关系，在这个规则下，父轮廓和子轮廓是平等的，他们只是轮廓，并且都属于同一层级，如果我们在开发中没有使用任何层次结构特性，它就是我们最佳的选择

RETR_EXTERNAL

如果使用此标志，它只返回极端外部标志，所有孩子的轮廓都被留下了，更形象地来说，根据这项规则，每个家庭只有长子得到关注，它不关心家庭的其他成员，所以当我们只关心外部轮廓时可以使用它

RETR_CCOMP

此标志检索所有轮廓并将其排列为2级层次结构，物体的外部轮廓(即物体的边界)放在层次结构-1中，对象内部孔洞的轮廓(如果有)放在层次结构-2中，如果其中有任何对象，则其轮廓仅在层次结构1中重新放置，以及它在层级2中的漏洞等等

RETR_TREE

它就是最完美的一个家伙了，它检索所有的轮廓并创建一个完整的家族层次结构列表，当我们需要检索所有轮廓时会使用它

接下来通过代码看看吧，实践永远是最好的老师

import cv2 as cv
import numpy as np
from matplotlib import pyplot as pytimg = cv.imread(r'E:/image/the_first.png')
img_gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
ret, thresh = cv.threshold(img_gray, 127, 255, 0)
contours, hierarchy = cv.findContours(thresh, cv.RETR_LIST, cv.CHAIN_APPROX_NONE)
cnt = contours[0]
contours, hierarchy = cv.findContours(thresh, cv.RETR_EXTERNAL, cv.CHAIN_APPROX_NONE)
cnt2 = contours[0]
contours, hierarchy = cv.findContours(thresh, cv.RETR_CCOMP, cv.CHAIN_APPROX_NONE)
cnt3 = contours[0]
contours, hierarchy = cv.findContours(thresh, cv.RETR_TREE, cv.CHAIN_APPROX_NONE)
cnt4 = contours[0]
img1 = cv.drawContours(thresh, [cnt], 0, (255, 0, 0), 2)
img2 = cv.drawContours(thresh, [cnt2], 0, (0, 255, 0), 2)
img3 = cv.drawContours(thresh, [cnt3], 0, (0, 0, 255), 2)
img4 = cv.drawContours(thresh, [cnt4], 0, (0, 0, 0), 2)
pyt.subplot(2, 2, 1), pyt.imshow(img1, cmap="gray")
pyt.title("RETR_LIST"), pyt.xticks([]), pyt.yticks([])
pyt.subplot(2, 2, 2), pyt.imshow(img2, cmap="gray")
pyt.title("RETR_EXTERNAL"), pyt.xticks([]), pyt.yticks([])
pyt.subplot(2, 2, 3), pyt.imshow(img3, cmap="gray")
pyt.title("RETR_CCOMP"), pyt.xticks([]), pyt.yticks([])
pyt.subplot(2, 2, 4), pyt.imshow(img3, cmap="gray")
pyt.title("RETR_TREE"), pyt.xticks([]), pyt.yticks([])
pyt.show()

（注：文章内容参考OpenCV4.1中文官方文档）
如果文章对您有所帮助，记得一键三连支持一下哦