imutils基础（7）使用 OpenCV 查找轮廓中的极值点

今天，我将使用 OpenCV 和 Python 根据轮廓查找极值点。

在本博客的其余部分，我将演示如何根据轮廓找到极北、极南、极东和极西 (x, y) 坐标，如本博文顶部的图像所示。

虽然这项技能本身并不是很有用，但它通常用作更高级计算机视觉应用程序的预处理步骤。这种应用程序的一个很好的例子是手势识别：

$$计算沿手部轮廓的极坐标$$
在上图中，我们从图像中分割了皮肤/手，计算了手轮廓的凸包（蓝色轮廓），然后沿着凸包找到了极值点（红色圆圈）。

我们的示例图像包含一只手。我们将计算沿手部轮廓的极北、极南、极东和极西 (x, y) 坐标。

我们的目标是计算图像中手部轮廓的极值点。

使用 OpenCV 查找轮廓中的极值点

让我们开始吧。打开一个新文件，命名为extreme_points.py，然后让我们开始编码:

# 导入必要的包
import imutils
import cv2
# 加载图像，将其转换为灰度，并稍微模糊
image = cv2.imread("hand_01.png")
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
gray = cv2.GaussianBlur(gray, (5, 5), 0)
# 对图像设置阈值，然后执行一系列腐蚀 + 膨胀以去除任何小的噪声区域
thresh = cv2.threshold(gray, 45, 255, cv2.THRESH_BINARY)[1]
thresh = cv2.erode(thresh, None, iterations=2)
thresh = cv2.dilate(thresh, None, iterations=2)
# 在阈值图像中找到轮廓，然后获取最大的一个
cnts = cv2.findContours(thresh.copy(), cv2.RETR_EXTERNAL,
	cv2.CHAIN_APPROX_SIMPLE)
cnts = imutils.grab_contours(cnts)
c = max(cnts, key=cv2.contourArea)

导入我们需要的包。然后我们从磁盘加载我们的示例图像，将其转换为灰度，并稍微模糊它。

执行阈值处理，允许我们从图像的其余部分分割手部区域。阈值处理后，我们的二值图像如下所示：

为了检测手的轮廓，我们调用 cv2.findContours ，然后对轮廓进行排序以找到最大的轮廓，我们假设最大的轮廓是手本身。

在我们根据轮廓找到极值点之前，重要的是要了解轮廓只是(x, y) 坐标的 NumPy 数组。因此，我们可以利用 NumPy 函数来帮助我们找到极值坐标。

# 确定轮廓的极值点
extLeft = tuple(c[c[:, :, 0].argmin()][0])
extRight = tuple(c[c[:, :, 0].argmax()][0])
extTop = tuple(c[c[:, :, 1].argmin()][0])
extBot = tuple(c[c[:, :, 1].argmax()][0])

例如，通过对x值调用argmin()找到整个轮廓c中最小的x坐标并获取与argmin()返回的索引相关联的整个(x, y)坐标（即最西边的坐标点）。

类似地，使用 argmax() 函数在轮廓c中找到最大的 x 坐标（最东边的坐标点）。

仅针对 y 坐标，执行相同的操作（最南边和最北边的坐标点）。

现在我们有了极北、极南、极东和极西坐标，我们可以在图像上绘制它们：

# 画出物体的轮廓，然后画出每个极值点，最左边是红色，最右边是绿色，最上面是蓝色，最下面是青色
cv2.drawContours(image, [c], -1, (0, 255, 255), 2)
cv2.circle(image, extLeft, 8, (0, 0, 255), -1)
cv2.circle(image, extRight, 8, (0, 255, 0), -1)
cv2.circle(image, extTop, 8, (255, 0, 0), -1)
cv2.circle(image, extBot, 8, (255, 255, 0), -1)
# 显示输出图像
cv2.imshow("Image", image)
cv2.waitKey(0)

以黄色绘制手的轮廓，而为每个极值点绘制圆圈，详述如下：最左边是红色，最右边是绿色，最上面是蓝色，最下面是青色。

最后，将结果显示在我们的屏幕上。

总结

在这篇博文中，我详细介绍了如何沿着给定的轮廓找到极北、极南、极东、极西(x, y)坐标。这种方法既可以用于原始轮廓，也可以用于旋转的包围框。
虽然沿着轮廓寻找极值点本身似乎并不有趣，但它实际上是一项非常有用的技能，尤其是作为更高级的计算机视觉和图像处理算法(如手势识别)的预处理步骤。

参考目录

https://www.pyimagesearch.com/2016/04/11/finding-extreme-points-in-contours-with-opencv/