【Python】使用Opencv对图像进行边缘轮廓检测，获得轮廓面积、周长等信息（Contour Features）

目标：
1.通过使用opencv获得不同物体的轮廓，以及轮廓所对应的特征，比如说面积、周长、质心、边界框等等。
2.学习一些与轮廓提取有关的函数。

提示：不同版本的python与opencv库可能在函数使用上有少许不同，在使用过程中如果发现不同之处，请到官网查询API：

开始

在很多图像应用场景下需要检测出一个物体的边界轮廓，在opencv中，使用cv2.findContours()找到轮廓，使用cv2.drawContours()画出轮廓。
为了更好的检测效果，我们使用了二进制图像，也就是只有黑白像素（0和255）的图像输入，所以在进行边缘检测之前，最好先使用threshold阈值二值化算法或者是Canny边缘检测算法对图像进行大致的预处理，然后再输入findContours函数中找到轮廓。
例子：

import numpy as np
import cv2 as cv
im = cv.imread('test.jpg')
imgray = cv.cvtColor(im, cv.COLOR_BGR2GRAY)
ret, thresh = cv.threshold(imgray, 127, 255, 0)
#不同cv2版本的findContours函数返回值的数量不同，我的环境下返回三个值，官方文档返回两个值
_,contours, hierarchy = cv.findContours(thresh, cv.RETR_TREE, cv.CHAIN_APPROX_SIMPLE)

使用drawContours函数画出轮廓：

• 把所有检测到的轮廓都画在图像上：

cv.drawContours(img, contours, -1, (0,255,0), 3)

• 把检测到的第四条轮廓画在图像上：

cv.drawContours(img, contours, 3, (0,255,0), 3)

• 大多数情况下，下面这种方式也可以使用：

cnt = contours[4]
cv.drawContours(img, [cnt], 0, (0,255,0), 3)

当轮廓中有大量直线线段时，可以使用cv.CHAIN_APPROX_SIMPLE（2）参数，而不使用cv.CHAIN_APPROX_NONE（1）参数。因为1会记录下轮廓边的每个像素，而2只会记录线段两端的点。比如说下面这个图，左边用的是参数1，右边用的是参数2：

有意思的一点是cv2.drawContours这个函数的第二个参数，如果传入的使一个列表list，列表元素类型是numpy array，那么不管findContours的参数是（1）还是（2），都会将相邻两点之间连接起来，而不会画出离散的点。如果想通过（2）画出离散的点，需要将numpy array从list中拿出来，然后作为drawContours的第二个参数传入，这样画出的就是离散的点。例子：

import cv2
import numpy as np

img = cv2.imread('test9.jpg')
ret,thresh = cv2.threshold(cv2.cvtColor(img,cv2.COLOR_BGR2GRAY),127,255,0)

_,contours,hierarchy = cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)#得到轮廓信息

#情况一，传入list，元素是numpy数组，函数将会画出相邻两点之间的连线
imgnew = cv2.drawContours(img, contours, 1, (0,255,0), 3)#第三个参数是1，代表了取出contours中index为1的array
cv2.imshow('contour',imgnew)

#情况二，传入numpy数组，函数将仅仅会画出这些点，而不会将他们依次连接
imgnew = cv2.drawContours(img, contours[1], -1, (0,255,0), 3)#第三个参数为-1，代表了画出contours[0]中所有的点
cv2.imshow('contour',imgnew)

情况一

情况二：

轮廓特征

Moments图像的矩

cv.moments()用来获取轮廓的矩，通过图像的矩可以计算某些特征，比如说物体的重心等等。例子：

import numpy as np
import cv2 as cv
img = cv.imread('test.jpg',0)
ret,thresh = cv.threshold(img,127,255,0)
contours,hierarchy = cv.findContours(thresh, 1, 2)
cnt = contours[0]
M = cv.moments(cnt)#计算图像矩
print( M )

图像重心

对于上面获取的M，可以提炼出一些有用的信息，比如说面积，重心等等。重心可以通过以下方程进行计算：$C_x=\frac{M_{10}}{M_{00}}$和$C_y=\frac{M_{01}}{M_{00}}$。

cx = int(M['m10']/M['m00'])#重心的x坐标
cy = int(M['m01']/M['m00'])#重心的y坐标

轮廓面积

轮廓面积通过cv.contourArea()获取或者直接从moments中的M[‘m00’]。

area = cv.contourArea(cnt)

轮廓周长(弧长)

可以使用cv.arcLength()获取轮廓的周长。第二个参数规定了这个轮廓是否是闭合的，True代表是闭合的，False代表轮廓仅仅是一个曲线。

perimeter = cv.arcLength(cnt,True)

轮廓近似估计(多边形逼近)

通过cv.approxPolyDP()函数可以找到一个和cnt近似的轮廓，基于Douglas-Peucker algorithm算法思想，用指定精度逼近多边形曲线。
根据我们指定的一个精度，可以将轮廓形状近似为顶点较少的其他形状。比如说你试图在一个图像找到一个长方形，但是由于图像中的某些问题，你没有得到一个完美的长方形，而是一个“坏形状”（如下图所示），现在你就可以通过这个功能获取一个近似的形状。在这种情况下，第二个参数称为epsilon，它是轮廓到近似轮廓的最大距离，是一个精度参数。第三个参数规定了这个轮廓是否是闭合的。

上面的图像中，第一张是通过阈值二值化处理后的图像，第二张是当$epsilon=0.1\ast perimeter$时画出的近似图像，第三张是当$epsilon=0.01*perimeter $时画出的近似图像。

凸包(Convex Hull)

我们通常使用cv.convexHull(cnt)函数检测轮廓的凸缺陷，凸缺陷指的是轮廓向里凹陷的情况，比如说下面这种情况，紫色的线展示了图像中的凸包。

import cv2
import numpy as np

img = cv2.imread('hand.jpg')
#低于127时设置成255，255是白色，代表亮度（能量）最高，包括三通道的图像中(255,255,255)是白色
ret,thresh = cv2.threshold(cv2.cvtColor(img,cv2.COLOR_BGR2GRAY),127,255,0)

_,contours,hierarchy = cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)#得到轮廓信息

cnt=contours[1]

hull=cv2.convexHull(cnt)
#函数的返回值是一组点(numpy array)，我们需要依次将其通过线段连接起来，所以将其放入list
imgnew1 = cv2.drawContours(img, [hull], -1,(255,0,255), 3)
cv2.imshow('convexHull',imgnew1)

cv2.waitKey(0)
cv2.destroyAllWindows()

检查凸性

使用cv.isContourConvex()函数来检测这个函数是否是凸出的。只返回True或者False。

k = cv.isContourConvex(cnt)

最小矩形边框

矩形边框（Bounding Rectangle）是说用一个最小的矩形，把找到的形状包起来。有两种情况的矩形边框可以选择，一种是绿色的，就是正常的矩形，另外一种带旋转的矩形，是红色边框，面积会更小一些：

首先介绍下cv2.boundingRect(img)这个函数

这个函数很简单，img是一个二值图，也就是输入图像；这个函数返回四个值，分别是x，y，w，h。其中，x，y是矩阵左上点的坐标，w，h是矩阵的宽和高，然后利用cv2.rectangle(img, (x,y), (x+w,y+h), (0,255,0), 2)画出矩形。

参数解释
第一个参数：img是输入图像
第二个参数：（x，y）是矩阵的左上点坐标
第三个参数：（x+w，y+h）是矩阵的右下点坐标
第四个参数：（0,255,0）是画线对应的rgb颜色
第五个参数：2是所画的线的宽度
代码如下：

import cv2
import numpy as np

img = cv2.imread('bounding rectangle.jpg')
ret,thresh = cv2.threshold(cv2.cvtColor(img,cv2.COLOR_BGR2GRAY),127,255,0)

_,contours,hierarchy = cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)#得到轮廓信息

cnt=contours[1]

x,y,w,h=cv2.boundingRect(cnt)
#Straight Bounding Rectangle
cv2.rectangle(img,(x,y),(x+w,y+h),(0,255,0),2)

#Rotate Rectangle
rect=cv2.minAreaRect(cnt)
box=cv2.boxPoints(rect)
box=np.int64(box)
imgnew=cv2.drawContours(img,[box],0,(0,0,255),2)
cv2.imshow('boundingRect',imgnew)

cv2.waitKey(0)
cv2.destroyAllWindows()

处理结果：

最小包围圆

使用cv.minEnclosingCircle()获得一个轮廓的最小包围圆。

(x,y),radius = cv.minEnclosingCircle(cnt)
center = (int(x),int(y))
radius = int(radius)
cv.circle(img,center,radius,(0,255,0),2)

近似椭圆

使用cv.fitEllipse(cnt)函数将轮廓近似成一个椭圆，函数返回一个旋转之后的矩形，椭圆就在这个矩形里。

ellipse = cv.fitEllipse(cnt)
cv.ellipse(img,ellipse,(0,255,0),2)

近似直线

可以通过cv.fitLine函数得到一组点的近似直线，如果这组点是轮廓的点，那么得出的就是轮廓的近似直线。

rows,cols = img.shape[:2]
[vx,vy,x,y] = cv.fitLine(cnt, cv.DIST_L2,0,0.01,0.01)
lefty = int((-x*vy/vx) + y)
righty = int(((cols-x)*vy/vx)+y)
cv.line(img,(cols-1,righty),(0,lefty),(0,255,0),2)

轮廓特性

在Opencv官网可以了解到更多轮廓特性，比如说Aspect Ratio、Extent等等。
链接在此