OpenCV学习笔记10-图像轮廓的相关知识及代码实现
文章目录
- 1 什么是图像轮廓
- 2 查找轮廓
- 3 绘制轮廓
- 4 轮廓的面积和周长
- 5 多边形逼近与凸包
- 6 外接矩形
1 什么是图像轮廓
图像轮廓是具有相同颜色或灰度的连续点的曲线. 轮廓在形状分析和物体的检测和识别中很有用。
轮廓的作用:
- 用于图形分析
- 物体的识别和检测
注意点:
- 为了检测的准确性，需要先对图像进行二值化或Canny操作。
- 在OpenCV中，找到轮廓就像从黑色背景中找到白色物体。因此请记住，要找到的对象应该是白色，背景应该是黑色。
- 画轮廓时会修改输入的图像, 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。
2 查找轮廓
-
cv2.findContours(image, mode, method[, contours[, hierarchy[, offset]]])
-
image 寻找轮廓的图像（单通道图像矩阵，可以是灰度图，但更常用的是二值图像，一般是经过Canny、拉普拉斯等边缘检测算子处理过的二值图像）
-
mode 查找轮廓的模式
-
RETR_EXTERNAL , 表示只检测最外围轮廓
-
RETR_LIST , 检测的轮廓不建立等级关系, 即检测所有轮廓
图像里面的数字是索引，从右到左，从里到外
-
RETR_CCOMP , 每层最多两级, 从小到大, 从里到外，很少用.
-
RETR_TREE, 按照树型存储轮廓, 从外到里，从大到小, 从右到左，最常用！.
-
-
method 轮廓近似方法也叫ApproximationMode
- CHAIN_APPROX_NONE 保存所有轮廓上的点
- CHAIN_APPROX_SIMPLE, 只保存角点, 比如四边形, 只保留四边形的4个角, 存储信息少, 比较常用。
-
返回值 ：contours和hierarchy 即轮廓（旧版本是list形式，新版本是tuple形式）和层级
-
contours:轮廓点。元组格式（不是ndarray），每一个元素为一个3维数组（其形状为（n,1,2），其中n表示轮廓点个数，2表示像素点坐标）,表示一个轮廓。
-
hierarchy:轮廓间的层次关系,为三维数组，形状为（1,n,4），其中n表示轮廓总个数，4指的是用4个数表示各轮廓间的相互关系。第一个数表示同级轮廓的下一个轮廓编号，第二个数表示同级轮廓的上一个轮廓的编号，第三个数表示该轮廓下一级轮廓的编号，第四个数表示该轮廓的上一级轮廓的编号。
-
offset 轮廓点的偏移量，格式为tuple,如（-10，10）表示轮廓点沿X负方向偏移10个像素点，沿Y正方向偏移10个像素点。
-
import cv2
import numpy as np
# 该图像显示效果是黑白的, 但是实际上却是3个通道的彩色图像.
img = cv2.imread('./contours1.jpeg')
# 变成单通道的黑白图片
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 二值化, 注意有2个返回值, 阈值和结果
ret, binary = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY)
# 轮廓查找, 新版本返回两个结果, 轮廓和层级, 老版本返回3个参数, 图像, 轮廓和层级
contours, hierarchy = cv2.findContours(binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
# 打印轮廓
print(type(contours)) # 查看轮廓的类型
print(contours)
cv2.waitKey(0)
cv2.destroyAllWindows()
3 绘制轮廓
- cv2.drawContours(image, contours, contourIdx, color[, thickness[, lineType[, hierarchy[, maxLevel[, offset]]]]])
- 直接绘制轮廓时会对原图进行绘制，建议拷贝一份新的图像
- image 指明在哪幅图像上绘制轮廓（只有三通道的图像才显示轮廓）
- contours 轮廓点，传入的是list类型
- contourIdx 要绘制的轮廓的编号. -1 表示绘制所有轮廓 0代表绘制最外面的轮廓，1代表绘制第二个轮廓（从外到内数），2代表绘制第三个轮廓（从外到内数），以此类推
- color 轮廓的颜色（BGR）, 如 (0, 0, 255)表示红色
- thickness线宽, -1 表示全部填充 1代表线的宽度，1、2、3…线宽依次变粗
- lineType （可选参数）轮廓线型，包括cv2.LINE_4,cv2.LINE_8（默认）,cv2.LINE_AA,分别表示4邻域线，8领域线，抗锯齿线（可以更好地显示曲线）
- hierarchy （可选参数）层级结构，上述函数cv2.findContours()的第二个返回值，配合maxLevel参数使用
- maxLevel （可选参数）等于0表示只绘制指定的轮廓，等于1表示绘制指定轮廓及其下一级子轮廓，等于2表示绘制指定轮廓及其所有子轮廓
- offset （可选参数）轮廓点的偏移量
import cv2
import numpy as np
# 该图形显示是黑白的,但是实际上是3个通道的彩色图像
img = cv2.imread('./contours1.jpeg')
# 先变成单通道的黑白图片
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 二值化, 返回两个东西, 一个阈值, 一个二值化之后的图.
thresh, binary = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY)
# 查找轮廓, 新版本返回两个结果, 分别是轮廓和层级
contours, hierarchy = cv2.findContours(binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
# 绘制轮廓会直接修改原图.
# 如果想保持原图不变, 建议copy一份
img_copy = img.copy()
cv2.drawContours(img_copy, contours, -1, (0, 0, 255), 1) # 绘制全部轮廓
# cv2.drawContours(img_copy, contours, 0, (0, 0, 255), 2) # 绘制最外面的轮廓
# cv2.imshow('img', img) # 原图
cv2.imshow('img_copy', img_copy) # 绘制了轮廓的图
cv2.waitKey(0)
cv2.destroyAllWindows()
4 轮廓的面积和周长
轮廓面积是指每个轮廓中所有的像素点围成区域的面积，单位为像素。
轮廓面积是轮廓重要的统计特性之一，通过轮廓面积的大小可以进一步分析每个轮廓隐含的信息，例如通过轮廓面积区分物体大小识别不同的物体。
在查找到轮廓后, 可能会有很多细小的轮廓, 我们可以通过轮廓的面积进行过滤.
计算轮廓面积（不适用于具有自交点的轮廓，即重合），通常搭配findContours（）函数使用：
-
计算面积：cv2.contourArea(contour[, oriented])
- contour 输入的图像轮廓点
- oriented 有方向的区域标志，表示某一方向上的轮廓的面积值
- 默认为False，表示返回不带方向的绝对值
- True 依赖轮廓的方向（顺时针或逆时针），返回一个已标记区域的值
-
计算周长：cv2.arcLength(curve, closed)
-
curve 即轮廓
-
closed 是否是闭合的轮廓
-
True 表示计算闭合的轮廓的周长
-
False表示计算不是闭合的轮廓的周长，此时的周长比闭合时少最后一条
（例如，计算正方形的周长时，用True时计算四条边的和；用False时计算三条边的和）
-
-
计算面积代码：
import cv2
import numpy as np
# 该图形显示是黑白的,但是实际上是3个通道的彩色图像
img = cv2.imread('./contours1.jpeg')
# 先变成单通道的黑白图片
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 二值化, 返回两个东西, 一个阈值, 一个二值化之后的图.
thresh, binary = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY)
# 查找轮廓, 新版本返回两个结果, 分别是轮廓和层级
contours, hierarchy = cv2.findContours(binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
# 绘制轮廓会直接修改原图.
# 如果想保持原图不变, 建议copy一份
img_copy = img.copy()
cv2.drawContours(img_copy, contours, 1, (255, 0, 0), 2)
# 计算轮廓面积
area = cv2.contourArea(contours[1])
print('area:', area)
cv2.waitKey(0)
cv2.destroyAllWindows()
计算周长代码：
import cv2
import numpy as np
# 该图形显示是黑白的,但是实际上是3个通道的彩色图像
img = cv2.imread('./contours1.jpeg')
# 先变成单通道的黑白图片
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 二值化, 返回两个东西, 一个阈值, 一个二值化之后的图.
thresh, binary = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY)
# 查找轮廓, 新版本返回两个结果, 分别是轮廓和层级
contours, hierarchy = cv2.findContours(binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
# 绘制轮廓会直接修改原图.
# 如果想保持原图不变, 建议copy一份
img_copy = img.copy()
cv2.drawContours(img_copy, contours, 1, (255, 0, 0), 2)
# 计算轮廓周长
perimeter = cv2.arcLength(contours[1], closed=True)
print('perimeter:', perimeter)
cv2.waitKey(0)
cv2.destroyAllWindows()
完整代码：
import cv2
import numpy as np
# 该图像显示效果是黑白的, 但是实际上却是3个通道的彩色图像.
img = cv2.imread('./contours1.jpeg')
# 变成单通道的黑白图片
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 二值化, 注意有2个返回值, 阈值和结果
ret, binary = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY)
# 轮廓查找, 新版本返回两个结果, 轮廓和层级, 老版本返回3个参数, 图像, 轮廓和层级
contours, hierarchy = cv2.findContours(binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
# 绘制轮廓, 注意, 绘制轮廓会改变原图
cv2.drawContours(img, contours, 1, (0, 0, 255), 2)
# 计算面积
area = cv2.contourArea(contours[1])
print('area: ', area)
cv2.imshow('img', img)
# 计算周长
perimeter = cv2.arcLength(contours[1], True)
print('perimeter:', perimeter)
cv2.waitKey(0)
cv2.destroyAllWindows()
5 多边形逼近与凸包
findContours后的轮廓信息contours可能过于复杂不平滑，可以用approxPolyDP函数对该多边形曲线做适当近似,这就是轮廓的多边形逼近.
原图：
多边形逼近动态平滑：
理解Douglas-Peucker算法：
1、该算法从轮廓中挑出两个最远的点，进行相连；
2、然后再原轮廓上寻找一个离线段距离最远的点，将该点加入逼近后的新轮廓，即连接着三个点形成的三角型作为轮廓；
3、选择三角形的任意一条边出发，进行步骤2，将距离最远点加入新轮廓，直至满足输出的精度要求。
approxPolyDP就是以多边形去逼近轮廓，把一个连续光滑曲线折线化，采用的是Douglas-Peucker算法（方法名中的DP）
DP算法原理比较简单，核心就是不断找多边形最远的点加入形成新的多边形，直到最大距离小于指定的精度。（以最少的储存信息量反映最接近原来轮廓的样子）
我们可以看看动态形成过程：
如图，假设阈值为T，先处理AB段，在整个轮廓上找到与AB边最远的距离d1，若d1
- 多边形逼近：cv2.approxPolyDP(curve, epsilon, closed[, approxCurve])
- curve 要近似逼近的轮廓，类型是mat（即ndarray）
- epsilon 判断点到相对应的line segment的距离，即DP算法使用的阈值（距离大于此阈值则舍弃，小于此阈值则保留，epsilon越小，折线的形状越“接近”曲线。）经过测试，该阈值设为0.02*perimeter比较合适。
- closed轮廓是否闭合
- True 近似曲线是闭合的(它的第一个和最后一个顶点是连接的)
- False 表示不闭合
- approxCurve 输出轮廓，类型应该与输入轮廓的类型相匹配（ndarray）。与cv2.drawContours搭配使用时，要把输出的approx转换成list类型传入到contours，详情看25行代码
import cv2
import numpy as np
# 该图形显示是黑白的,但是实际上是3个通道的彩色图像
img = cv2.imread('./hand.png')
# 先变成单通道的黑白图片
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 二值化, 返回两个东西, 一个阈值, 一个二值化之后的图.
thresh, binary = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY)
# 查找轮廓, 新版本返回两个结果, 分别是轮廓和层级
contours, hierarchy = cv2.findContours(binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
# 使用多边形逼近, 近似模拟手的轮廓
approx = cv2.approxPolyDP(contours[0], 20, closed=True)
# approx本质上就是一个轮廓数据，是ndarray
print(type(approx))
# print(approx)
# print('----------------------------------------------------------------')
# print(contours[0])
# 画出多边形逼近的轮廓
cv2.drawContours(img, [approx], 0, (0, 255, 0), 2)
cv2.imshow('img', img)
cv2.waitKey(0)
cv2.destroyAllWindows()
逼近多边形是轮廓的高度近似，但是有时候，我们希望使用一个多边形的凸包来简化它。凸包跟逼近多边形很像，只不过它是物体最外层的凸多边形。凸包指的是完全包含原有轮廓，并且仅由轮廓上的点所构成的多边形。凸包的每一处都是凸的，即在凸包内连接任意两点的直线都在凸包的内部。在凸包内，任意连续三个点的内角小于180°。寻找图像的凸包，能够让我们做一些有意思的事情，比如手势识别等。（简单来说外部凸起来的点连起来就是凸包）
- cv2.convexHull(points[, hull[, clockwise[, returnPoints]]])
- points 即原始轮廓，不要传入逼近的轮廓
- hull 输出凸包结果（ndarray）与cv2.drawContours搭配使用时，要把输出的hull转换成list类型传入到contours，详情看19行代码
- colckwise 转动方向，默认为True，为顺时针绘制，反之为逆时针绘制
- returnPoints 默认为True，返回凸包上点的坐标，如果设置为False，会返回与凸包点对应的轮廓上的点。
import cv2
import numpy as np
img =cv2.imread('./hand.png')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 二值化
thersh, binary = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY)
# 查找轮廓
contours, hierarchy = cv2.findContours(binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
print('contours:',type(contours))
# 计算凸包
hull = cv2.convexHull(contours[0])
print('hull:',type(hull))
# 画出凸包
cv2.drawContours(img, [hull], 0, (255, 0, 0), 2)
cv2.imshow('img', img)
cv2.waitKey(0)
cv2.destroyAllWindows()
绘制轮廓+多边形逼近+凸包的结合：
import cv2
import numpy as np
img =cv2.imread('./hand.png')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 二值化
thersh, binary = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY)
# 查找轮廓
contours, hierarchy = cv2.findContours(binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
print(type(contours))
# 绘制轮廓
cv2.drawContours(img, contours, 0, (0, 0, 255), 2)
# 多边形逼近
approx = cv2.approxPolyDP(contours[0], 20, True)
# 画出多边形逼近的轮廓
cv2.drawContours(img, [approx], 0, (0, 255, 0), 2)
# 计算凸包
hull = cv2.convexHull(contours[0])
# print(type(hull))
# 画出凸包
cv2.drawContours(img, [hull], 0, (255, 0, 0), 2)
cv2.imshow('img', img)
cv2.waitKey(0)
cv2.destroyAllWindows()
6 外接矩形
外接矩形分为最小外接矩形和最大外接矩形.
下图中红色矩形是最小外接矩形, 绿色矩形为最大外接矩形.
- cv2.minAreaRect(points) 最小外接矩阵（存在旋转）
- points 即为轮廓（contours）
- 返回元组,我们用rect接收, 内容是一个旋转矩形(RotatedRect)的参数: 矩形的起始坐标(x,y), 矩形的宽度和高度, 矩形的旋转角度.
返回的rect，我们可以通过cv2.boxPoints（box[, points]）来自动获得矩形的四个顶点坐标
- box 是rect返回的参数
- points 返回矩形的四个坐标（二维的ndarray）
我们获得坐标后（用box接收），可以通过cv2.drawCounter( )将最小外接矩形画出来，但是通过cv2.drawCounters( )绘制外接矩形时，要把box转化成list传入到counters参数里才能使用
坑：像素是通过整数的ndarray储存的，但是上面获得的box有可能是小数，我们要把小数位通过四舍五入重新算出来，再传入到counters，具体方法是box = np.round(box).astype(‘int64’)→看26行代码
- cv2.boundingRect(points) 最大外接矩阵（方方正正的矩形，不存在旋转）
- points 即为轮廓（contours）
- 返回四个参数，起始坐标（x,y）,宽高（w,h），用x,y,w,h接收，起始坐标在左下角
获得x,y,w,h后，我们可以通过cv2.rectangle( )将最大外接矩形画出来，具体看33行代码
import cv2
import numpy as np
img = cv2.imread('./hello.jpeg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
ret, binary = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY)
contours, hierarchy = cv2.findContours(binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
# 最外面的轮廓是整个图像, contours[1]表示图像里面的图形轮廓
# 注意返回的内容是一个旋转的矩形, 包含矩形的起始坐标, 宽高和选择角度
(x, y), (w, h), angle = cv2.minAreaRect(contours[1])
print(x, y)
print(w, h)
print(angle)
r = cv2.minAreaRect(contours[1])
# 快速把rotatedrect转化为轮廓数据
box = cv2.boxPoints(r)
print(box)
# 轮廓必须是整数, 不能是小数, 所以转化为整数
box = np.round(box).astype('int64')
print(box)
# 绘制最小外接矩形
cv2.drawContours(img, [box], 0, (255, 0, 0), 2)
# 返回矩形的x,y和w,h
x,y, w, h = cv2.boundingRect(contours[1])
cv2.rectangle(img, (x, y), (x + w, y + h), (255, 0, 0), 2)
cv2.imshow('img', img)
cv2.waitKey(0)
cv2.destroyAllWindows()
附OpenCV目录：OpenCV总目录学习笔记
智科专业小白，写博文不容易，如果喜欢的话可以点个赞哦！
