OpenCV-Python——第17.4章：轮廓的其他函数（凸缺陷，形状匹配，....）

目录

1 凸缺陷       2 Point Polygon Test       3 形状匹配

---

1 凸缺陷

前面我们已经学习了轮廓的凸包，对象上的任何凹陷都被成为凸缺陷。 OpenCV 中有一个函数 cv.convexityDefect() 可以帮助我们找到凸缺陷。函数调用如下：

hull = cv2.convexHull(cnt,returnPoints = False)
defects = cv2.convexityDefects(cnt,hull)

注意：如果要查找凸缺陷，在使用函数 cv2.convexHull 找凸包时，参数 returnPoints 一定要是 False。

其中：

下面这个函数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。

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

• 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。

下面这个函数可以帮助我们找到凸缺陷

cv2.convexityDefect(contour， convexhull， convexityDefects)

• contour： 检测到的轮廓，可以调用findContours函数得到
• convexhull：检测到的凸包，可以调用convexHull函数得到。
• convexityDefects：输出参数，检测到的最终结果，返回一个数组，其中每一行包含的值是 [起点，终点，最远的点，到最远点的近似距离]。我们可以在一张图上显示它。我们将起点和终点用一条绿线 连接，在最远点画一个圆圈，要记住的是返回结果的前三个值是轮廓点的索引。 所以我们还要到轮廓点中去找它们。

 

2 Point Polygon Test

求解图像中的一个点到一个对象轮廓的最短距离。如果点在轮廓的外部， 返回值为负。如果在轮廓上，返回值为 0。如果在轮廓内部，返回值为正。

cv2.pointPolygonTest(contour, pt, measureDist)

• contour：轮廓可以调用findContours函数得到
• pt：测量点的坐标
• measureDist：如果设置为 True，就会计算最短距离。如果是 False，只会判断这个点与轮廓之间的位置关系（返回值为 +1，-1，0）。

对上面两节举个例子：

import cv2
import numpy as np
from matplotlib import pyplot as plt

font = cv2.FONT_HERSHEY_SIMPLEX  # 设置字体样式

img = cv2.imread('test21_4.jpg')
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)
cnt = contours[0]
hull = cv2.convexHull(cnt, returnPoints=False)
defects = cv2.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])
    cv2.line(img, start, end, [0, 255, 0], 2)
    cv2.circle(img, far, 5, [0, 0, 255], -1)

inside = (190, 190)
outside = (50, 50)

img0 = img.copy()
dist1 = cv2.pointPolygonTest(cnt, outside, True)
cv2.circle(img0, outside, 5, [255, 255, 0], -1)
text = 'Point Ploygon Test: ' + str(round(dist1, 2))
cv2.putText(img0, text, (10, 30), font, 0.8, (0, 255, 0), 1, cv2.LINE_AA, 0)

img1 = img.copy()
dist2 = cv2.pointPolygonTest(cnt, inside, True)
cv2.circle(img1, inside, 5, [255, 255, 0], -1)
text = 'Point Ploygon Test: ' + str(round(dist2, 2))
cv2.putText(img1, text, (10, 30), font, 0.8, (0, 255, 0), 1, cv2.LINE_AA, 0)

img2 = img.copy()
dist3 = cv2.pointPolygonTest(cnt, outside, False)
cv2.circle(img2, outside, 5, [255, 255, 0], -1)
text = 'Point Ploygon Test: ' + str(dist3)
cv2.putText(img2, text, (10, 30), font, 0.8, (0, 255, 0), 1, cv2.LINE_AA, 0)

img3 = img.copy()
dist4 = cv2.pointPolygonTest(cnt, inside, False)
cv2.circle(img3, inside, 5, [255, 255, 0], -1)
text = 'Point Ploygon Test: ' + str(dist4)
cv2.putText(img3, text, (10, 30), font, 0.8, (0, 255, 0), 1, cv2.LINE_AA, 0)

plt.subplot(221), plt.imshow(cv2.cvtColor(img0, cv2.COLOR_BGR2RGB)), plt.title('Pole')
plt.subplot(222), plt.imshow(cv2.cvtColor(img1, cv2.COLOR_BGR2RGB)), plt.title('Rectangle')
plt.subplot(223), plt.imshow(cv2.cvtColor(img2, cv2.COLOR_BGR2RGB)), plt.title('Rectangle')
plt.subplot(224), plt.imshow(cv2.cvtColor(img3, cv2.COLOR_BGR2RGB)), plt.title('Circle')
plt.show()

结果如下：

3 形状匹配

函数 cv2.matchShape() 可以帮我们比较两个形状或轮廓的相似度。如果返回值越小，匹配越好。它是根据 Hu 矩来计算的。

Hu矩可参考：http://blog.csdn.net/wrj19860202/article/details/6327094

由Hu矩组成的特征量对图片进行识别，优点就是速度很快，缺点是识别率比较低，我做过手势识别，对于已经分割好的手势轮廓图，识别率也就30%左右，对于纹理比较丰富的图片，识别率更是不堪入眼，只有10%左右。这一部分原因是由于Hu不变矩只用到低阶矩（最多也就用到三阶矩），对于图像的细节未能很好的描述出来，导致对图像的描述不够完整。

cv2.matchShape(contour1, contour2, method, parameter)

• contour1：待匹配轮廓1
• contour2：待匹配轮廓2
• method：匹配方法可以有以下三种

                             CONTOURS_MATCH_I1

                             CONTOURS_MATCH_I2

                             CONTOURS_MATCH_I3

• parameter：默认为0

举一个例子：

import cv2
import numpy as np
from matplotlib import pyplot as plt

font = cv2.FONT_HERSHEY_SIMPLEX  # 设置字体样式

img1 = cv2.imread('test21_4.jpg')
imgray1 = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY)
img2 = cv2.imread('test21_4_1.jpg')
imgray2 = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY)
img3 = cv2.imread('test21_1.jpg')
imgray3 = cv2.cvtColor(img3, cv2.COLOR_BGR2GRAY)

ret, thresh1 = cv2.threshold(imgray1, 127, 255, 0)
ret, thresh2 = cv2.threshold(imgray2, 127, 255, 0)
ret, thresh3 = cv2.threshold(imgray3, 127, 255, 0)

image, contours, hierarchy = cv2.findContours(thresh1, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
cnt1 = contours[0]
image, contours, hierarchy = cv2.findContours(thresh2, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
cnt2 = contours[0]
image, contours, hierarchy = cv2.findContours(thresh3, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
cnt3 = contours[0]

match1 = cv2.matchShapes(cnt1, cnt2, 1, 0.0)
text = 'Similarity Rate: ' + str(100 - round(match1, 4)*100) + '%'
cv2.putText(img2, text, (10, 30), font, 0.8, (0, 255, 0), 1, cv2.LINE_AA, 0)

match2 = cv2.matchShapes(cnt1, cnt3, 1, 0.0)
text = 'Similarity Rate: ' + str(100 - round(match2, 4)*100) + '%'
cv2.putText(img3, text, (10, 30), font, 0.8, (0, 255, 0), 1, cv2.LINE_AA, 0)

plt.subplot(131), plt.imshow(cv2.cvtColor(img1, cv2.COLOR_BGR2RGB)), plt.title('Image1')
plt.subplot(132), plt.imshow(cv2.cvtColor(img2, cv2.COLOR_BGR2RGB)), plt.title('Image2')
plt.subplot(133), plt.imshow(cv2.cvtColor(img3, cv2.COLOR_BGR2RGB)), plt.title('Image3')
plt.show()

结果如下