OpenCV-Python官方教程-13-图像轮廓(轮廓绘制，轮廓特征(面积，周长，重心，边界框))、轮廓性质

• 1.什么是轮廓？
  轮廓可以简单认为成将连续的点（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。
  为了更加准确，要使用二值化图像。在寻找轮廓之前，要进行阈值化处理或者 Canny 边界检测。
• 函数 cv2.fifindContours() 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。
• 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等。

import cv2
img = cv2.imread('opencv.jpg')
imggray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
ret,thresh = cv2.threshold(imggray,0,255,cv2.THRESH_OTSU)
#cv2.CHAIN_APPROX_NONE，所有的边界点都会被存储
#cv2.CHAIN_APPROX_SIMPLE只存储端点
contours,hierarchy = cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)
# -1代表绘制所有轮廓
img1 = cv2.drawContours(img,contours,-1,(0,0,0),3)
cv2.imshow('img1',img1)
cv2.waitKey(0)
cv2.destroyAllWindows()

• 2.轮廓特征：

• 2.1 矩

#轮廓重心
cnt = contours[0]
M = cv2.moments(cnt)
print(M)
cx = int(M['m10']/M['m00'])
cy = int(M['m01']/M['m00'])
print (cx,cy)

{‘m00’: 165073.0, ‘m10’: 35573231.5, ‘m01’: 31611479.5, ‘m20’: 10221375184.333332, ‘m11’: 6812273832.25, ‘m02’: 8071464432.333333, ‘m30’: 3304059528335.75, ‘m21’: 1957393347799.8333, ‘m12’: 1739400585167.8333, ‘m03’: 2318528158187.75, ‘mu20’: 2555343796.083332, ‘mu11’: 0.0, ‘mu02’: 2017866108.083333, ‘mu30’: 0.0009765625, ‘mu21’: 0.00018310546875, ‘mu12’: 0.0, ‘mu03’: 0.0, ‘nu20’: 0.0937771975630983, ‘nu11’: 0.0, ‘nu02’: 0.07405259087393658, ‘nu30’: 8.82083976632943e-17, ‘nu21’: 1.653907456186768e-17, ‘nu12’: 0.0, ‘nu03’: 0.0}
215 191

• 2.2 轮廓面积
  轮廓的面积可以使用函数 cv2.contourArea() 计算得到，也可以使用矩（0 阶矩），M[‘m00’]。

#轮廓面积
area = cv2.contourArea(cnt)
print (area)

165073.0

• 2.3 轮廓周长
  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（True），还是打开的（一条曲线）。

#轮廓周长
perimeter = cv2.arcLength(cnt,True)
print (perimeter)

1628.0

• 2.4 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。使用的Douglas-Peucker算法。
  为了帮助理解，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”（如下图所示）。现在你就可以使用这个函数来近似这个形状（）了。这个函数的第二个参数叫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。选择一个好的 epsilon 对于得到满意结果非常重要。

#轮廓近似
img = cv2.imread('giao.jpg')
imggray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
ret,thresh = cv2.threshold(imggray,0,255,cv2.THRESH_OTSU)
contours,hierarchy = cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)
cnt = contours[0]
epsilon = 0.1*cv2.arcLength(cnt,True)
approx = cv2.approxPolyDP(cnt,epsilon,True)
cv2.polylines(img,[approx],True,(0,0,255),2)
cv2.imshow('img',img)
cv2.waitKey(0)
cv2.destroyAllWindows()

下边，第二幅图中的绿线是当 epsilon = 10% 时得到的近似轮廓，第三幅图是当 epsilon = 1% 时得到的近似轮廓。第三个参数设定弧线是否闭合。

• 2.5 凸包
  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。

#凸包img = cv2.imread('giao.jpg')
img2 = cv2.imread('giao.jpg')
imggray = cv2.cvtColor(img2,cv2.COLOR_BGR2GRAY)
ret,thresh = cv2.threshold(imggray,0,255,cv2.THRESH_OTSU)
contours,hierarchy = cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)
cnt = contours[0]
hull = cv2.convexHull(cnt)
cv2.polylines(img2,[hull],True,(0,0,255),2)
cv2.imshow('img',img2)
cv2.waitKey(0)
cv2.destroyAllWindows()

对此可以参考链接：https://segmentfault.com/a/1190000015663722

• 2.6 凸性检测

#凸性检测
k = cv2.isContourConvex(cnt)
print (k)

False

• 2.7 直边界矩形

#边界矩形，直边矩形
img3 = cv2.imread('str.jpg')
imggray = cv2.cvtColor(img3,cv2.COLOR_BGR2GRAY)
ret,thresh = cv2.threshold(imggray,0,255,cv2.THRESH_OTSU)
contours,hierarchy = cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)
cnt = contours[1]
#（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)
img4 = cv2.rectangle(img3,(x,y),(x+w,y+h),(0,255,0),2)
cv2.imshow('img',img4)
cv2.waitKey(0)
cv2.destroyAllWindows()

• 2.8 最小外接矩形
  这个边界矩形是面积最小的，因为它考虑了对象的旋转。用到的函数为cv2.minAreaRect()。返回的是一个 Box2D 构，其中包含矩形左上角角点的坐标（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。

#最小外接矩形
import numpy as np
img3 = cv2.imread('str.jpg')
imggray = cv2.cvtColor(img3,cv2.COLOR_BGR2GRAY)
ret,thresh = cv2.threshold(imggray,0,255,cv2.THRESH_OTSU)
contours,hierarchy = cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)
cnt = contours[1]
rect = cv2.minAreaRect(cnt)
box = cv2.boxPoints(rect)
box = np.int0(box)
cv2.fillPoly(img3,[box],(0,0,255))
cv2.imshow('img',img3)
cv2.waitKey(0)
cv2.destroyAllWindows()

• 2.9 最小外接圆

#最小外接圆
img3 = cv2.imread('str.jpg')
imggray = cv2.cvtColor(img3,cv2.COLOR_BGR2GRAY)
ret,thresh = cv2.threshold(imggray,0,255,cv2.THRESH_OTSU)
contours,hierarchy = cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)
cnt = contours[1]
(x,y),radius = cv2.minEnclosingCircle(cnt)
center = (int(x),int(y))
radius = int(radius)
img4 = cv2.circle(img3,center,radius,(0,255,0),2)
cv2.imshow('img',img4)
cv2.waitKey(0)
cv2.destroyAllWindows()

• 2.10 椭圆拟合

#椭圆拟合
img3 = cv2.imread('str.jpg')
imggray = cv2.cvtColor(img3,cv2.COLOR_BGR2GRAY)
ret,thresh = cv2.threshold(imggray,0,255,cv2.THRESH_OTSU)
contours,hierarchy = cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)
cnt = contours[1]
ellipse = cv2.fitEllipse(cnt)
im = cv2.ellipse(img3,ellipse,(0,255,0),2)
cv2.imshow('img',im)
cv2.waitKey(0)
cv2.destroyAllWindows()

• 2.11 直线拟合

#直线拟合
img3 = cv2.imread('str.jpg')
rows,cols = img3.shape[:2]
imggray = cv2.cvtColor(img3,cv2.COLOR_BGR2GRAY)
ret,thresh = cv2.threshold(imggray,0,255,cv2.THRESH_OTSU)
contours,hierarchy = cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)
cnt = contours[1]
[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(img3,(cols-1,righty),(0,lefty),(0,255,0),2)
cv2.imshow('img',img)
cv2.waitKey(0)
cv2.destroyAllWindows()

• 3.轮廓性质
• 3.1 宽高比

#宽高比
x,y,w,h = cv2.boundingRect(cnt)
aspect_ratio = float(w)/h
print (aspect_ratio)

• 3.2 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
print (extent)

• 3.3 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
print (solidity)

• 3.4 与轮廓面积相等的圆形直径

area = cv2.contourArea(cnt)
equi_diameter = np.sqrt(4*area/np.pi)
print (equi_diameter)

• 3.5 方向

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

• 3.6 轮廓的掩膜与像素点

img = cv2.imread('str.jpg',0)
mask = np.zeros(img.shape,np.uint8)
mask = cv2.drawContours(mask,[cnt],0,255,-1)
cv2.imshow('mask',mask)
cv2.waitKey(0)
cv2.destroyAllWindows()

• 3.7 最大值和最小值及它们的位置

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

• 3.8 平均颜色及平均灰度

mean_val = cv2.mean(img,mask=mask)
print (mean_val)

• 3.9 极点

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])
print (leftmost,rightmost,topmost,bottommost)

• 3.10 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。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。它会返回一个数组，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。

#凸缺陷
import cv2 
import numpy as np
img = cv2.imread('fb.jpg')
img_gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
ret,thresh = cv2.threshold(img_gray,0,255,cv2.THRESH_OTSU)
contours,hierarchy = cv2.findContours(thresh,2,1)
cnt = contours[6]
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)   
cv2.imshow('img',img)
cv2.waitKey(0)
cv2.destroyAllWindows()

• 3.11 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。此函数的第三个参数是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）。

# Point Polygon Test
dist = cv2.pointPolygonTest(cnt,(50,50),True)
print (dist)

• 3.12 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。

# 形状匹配
import cv2
import numpy as np
img = cv2.imread('fb.jpg')
img_gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
ret,thresh = cv2.threshold(img_gray,0,255,cv2.THRESH_OTSU)
contours,hierarchy = cv2.findContours(thresh,2,1)
cnt1 = contours[6]
img2 = cv2.imread('2.jpg',0)
ret, thresh2 = cv2.threshold(img2, 127, 255,0)
contours,hierarchy = cv2.findContours(thresh,2,1)
cnt2 = contours[0]
ret1 = cv2.matchShapes(cnt1,cnt2,1,0.0)
ret2 = cv2.matchShapes(cnt1,cnt1,1,0.0)
print (ret1,ret2)

0.3493676665950478 0.0