opencv画轮廓

十二、图像轮廓

图像轮廓是指将边缘连接起来形成的一个整体，用于后续的计算。因为边缘检测得到的边缘是不连续的。

查找图像内的轮廓信息： cv2.findContours()

绘制轮廓： cv2.drawContours()

12.1 查找并绘制轮廓

12.1.1 查找图像轮廓

image,contours,hierarchy=cv2.findContours (image,mode,method)

返回值：

image： 与函数参数中image的原始图像一致，但在OpenCV 4.x中，这个返回值已经被取消。

contours： 返回的轮廓。每个轮廓由若干个点构成，contours[i][j是第i个轮廓内的第j个点，contours的type属性是list

hierarchy ：图像的拓扑信息（轮廓层次），外部的轮廓成为父轮廓，内部的轮廓成为子轮廓。

每个轮廓contours[i]对应4个元素来说明当前轮廓的层次信息：[Next,Previous,First_Child,Parent]，没有对饮关系时，参数值为-1，其含义为：

（1）Next： 后一个轮廓的索引编号

（2）Previous： 前一个轮廓的索引编号

（3）First_Child： 第一个子轮廓的索引编号

（4）Parent： 父轮廓的索引编号

image： 必须是8位单通道的二值图像

mode： 轮廓检索模式

（1） cv2.RETR_EXTERNAL： 只检测外轮廓。

（2）cv2.RETR_LIST： 对检测到的轮廓不建立等级关系。

（3）cv2.RETR_cCOMP： 检索所有轮廓并将它们组织成两级层次结构

（4）cv2.RETR_TREE： 建立一个等级树结构的轮廓

method： 轮廓的近似方法

（1）cv2.CHAIN_APPROX_NONE： 存储所有的轮廓点，相邻两个点的像素位置差不超过1。

（2）cv2.CHAIN_APPROX_SIMPLE： 压缩水平方向、垂直方向、对角线方向的元素，只保留该方向的终点坐标。

（3）cv2.CHAIN_APPROX_TC89_L1： 使用teh-Chinl chain近似算法的一种风格。

（4）cv2.CHAIN_APPROX_TC89_KCOS： 使用teh-Chinl chain近似算法的一种风格。

注意： 待处理图像必须是灰度二值图，对象必须是白色，背景必须是蓝色

12.1.2 绘制图像轮廓

image=cv2.drawContours (image,contours,contourldx,color[,thickness[，lineType[,hierarchy[,maxLevel[,offset]]]]])

contours： 需要绘制的轮廓

contourldx： 边缘索引，参数为整数或者0，表示绘制对应索引号的轮廓，值为负数-1，表示绘制全部轮廓

color： 绘制的颜色

thickness： 绘制轮廓时所用的画笔粗细。默认为-1，表示绘制实心轮廓

lineType： 绘制轮廓的线型

hierarchy： 对应查找函数输出的层次信息

maxLevel： 控制所绘制的轮廓层次的深度，为0则表示第0层的轮廓，为其他的非零正数则表示绘制最高层及以下的相同数量层级的轮廓

offset：偏移参数，使轮廓偏移到不同的位置展示出来

示例：绘制前景图像对应的实心轮廓，将实心轮廓与原始图像按位与操作，即可将前景图像从原始图像中提取出来

import cv2
import numpy as np
o=cv2.imread ('loc3.png')
cv2.imshow ("original",o)
gray = cv2.cvtColor(o, cv2.COLOR_BGR2GRAY)  #图像从BGR转为灰度
ret,binary = cv2.threshold(gray,127,255, cv2.THRESH_BINARY)     #阈值处理为二值图像
contours,hierarchy = cv2.findContours(binary,cv2.RETR_LIST,cv2.CHAIN_APPROX_SIMPLE)   #查找图像轮廓
mask=np.zeros (o.shape,np.uint8)
mask=cv2.drawContours(mask, contours,-1,(255,255,255),-1)   #绘制图像轮廓
cv2.imshow ("mask",mask)
loc=cv2.bitwise_and(o, mask)    #按位与得到提取的原图像的前景图像
cv2.imshow ("location",loc)
cv2.waitKey ()
cv2.destroyAllWindows ()

结果：

在这里插入图片描述
图像结果.png)]

12.2 矩特征

12.2.1 矩的计算

使用函数cv2.moments()获取的轮廓特征称为**“轮廓矩”，轮廓矩是描述一个轮廓的重要特征，使用轮廓矩可以方便的比较两个轮廓**。

retval=cv2.moments (array[,binarylmage])

array： 可以是点集，也可以是灰度图像或者二值图像。

binarylmage： 参数为Ture时，array内所有非零值都被处理为1，参数仅在array为图像是有效。

retval： 返回值是特征。

(1）空间矩
零阶矩：m00（表示轮廓面积）
一阶矩：m10,m01·二阶矩:m20,m11,m02
三阶矩：m30,m21,m12,m03
(2)中心矩（中心矩通过减去均值二获得平移不变性，可以比较不同位置的两个图像是否一致）
二阶中心矩：mu20,mu 11,mu02
三阶中心矩：mu30,mu21,mu12,mu03
(3)归一化中心矩 （通过除以物体总尺寸获得放缩不变性，该属性具有平移不变性和放缩不变性）
二阶Hu矩：nu20,nu11,nu02
三阶Hu矩：nu30,nu21,nu12,nu03

示例：提取图像的特征

import cv2
import numpy as np 
o = cv2 .imread ('moments.png')
cv2.imshow ( "original",o)
gray = cv2.cvtColor(o,cv2.COLOR_BGR2GRAY)   #转化为灰度图像
ret,binary = cv2.threshold (gray,127,255,cv2.THRESH_BINARY) #转为二值图像
contours,hierarchy = cv2.findContours (binary,cv2.RETR_LIST,cv2.CHAIN_APPROX_SIMPLE)    #寻找轮廓
n=len(contours) #轮廓个数
contoursImg=[]
for i in range (n) :
    temp=np.zeros(binary.shape,np.uint8)    #生成黑背景
    contoursImg.append(temp)
    contoursImg [i]=cv2.drawContours (contoursImg[i],contours,i,255,3)  #绘制轮廓
    cv2.imshow ( "contours[" + str(i)+"]",contoursImg[i])   #显示轮廓
print ("观察各个轮廓的面积: ")
for i in range (n) :
    print("轮廓"+str(i)+"的面积:%d" %cv2.moments (contours[i])['m00'])   #显示轮廓的面积
cv2.waitKey ()
cv2.destroyAllWindows ()

结果：
在这里插入图片描述

在这里插入图片描述

12.2.2 计算轮廓面积

retval=cv2.contourArea(contour[,oriented]))

retval： 返回值为面积

contour： 轮廓

oriented： 布尔型，Ture时，返回的值包括正负号，用来表示轮廓是顺时针还是逆时针。默认值为False，返回的是一个绝对值

12.2.3 极端轮廓的长度

retval=cv2.arcLength (curve,closed)

retval： 轮廓的长度（周长）

curve： 轮廓

closed： 布尔型值，Ture表示轮廓是封闭

12.3 Hu矩

Hu矩是归一化中心矩的线性组合，Hu可以保持矩的不变性

hu=cv2.HuMoments(m)

hu： 返回的Hu矩值

m：由cv.2moments()计算得到矩特征值

二阶Hu矩： v20,v11,v02

三阶Hu矩： v30,v21,v12,v03

12.3.1 形状匹配

cv2.matchShapes () ，对两个对象的Hu矩进行比较。

retval=cv2.matchShapes (contour1,contour2,method,parameter)

contour1 ： 第1个轮廓或者灰度图像。
contour2： 第2个轮廓或者灰度图像。
method： 比较两个对象的Hu矩的方法
在这里插入图片描述

A表示对象1，B表示对象2

parameter： 应用于method的特定参数，为拓展参数，但OpenCV4.1.0不支持该参数，设置为0。

12.4 轮廓拟合

在计算轮廓时候，仅需要一个接近于轮廓的近似多边形。

12.4.1 矩形包围框

cv2.boundingRect ()函数能够绘制轮廓的矩形边界。

retval=cv2.boundingRect (array)

retval： 返回的矩形边界的左上角顶点的坐标值及矩形边界的宽度和高度 （元组形式）

array： 灰度图像或轮廓

还可以有四个返回值：

x, y,w,h=cv2.boundingRect ( array)

矩形边界左上角顶点的x坐标。
矩形边界左上角顶点的y坐标。
矩形边界的x方向的长度。
矩形边界的y方向的长度。

示例：绘制矩形包围框

import cv2
#一———-----------读取并显示原始图像--
o = cv2.imread('cc.png')
cv2.imshow ( "original", o)
#一——------------提取图像轮廓-------------
gray = cv2.cvtColor(o,cv2.COLOR_BGR2GRAY)
ret,binary = cv2.threshold (gray,127,255, cv2.THRESH_BINARY)
contours,hierarchy = cv2.findContours (binary,cv2.RETR_LIST,cv2.CHAIN_APPROX_SIMPLE)
#一—-------------构造矩形边界-------------
x,y,w,h = cv2.boundingRect (contours[0])
cv2.rectangle(o, (x, y), (x+w, y+h),(255,255,255),2)
#一―-------------显示矩形边界-------------
cv2.imshow ( "result",o)
cv2.waitKey ()
cv2.destroyAllWindows ()

结果：
在这里插入图片描述

12.4.2 最小包围矩形框

retval=cv2.minAreaRect (points)

retval： 返回的矩形特征信息，结构为：最小外接矩形的中心（x，y），（宽度，高度），旋转角度

points： 轮廓

cv2,boxPoints() 函数可以将v2.minAreaRect()函数的返回值retval转换为符合要求的结构

points=cv2.boxPoints ( box)

points： 能够用于函数cv2.drawContours()参数的轮廓点

box： cv2.minAreaRect ()返回值的类型的值。

示例：用cv2.minAreaRect()计算图像的最小包围矩形框

import cv2
import numpy as np
o = cv2.imread ( 'cc.png')
cv2.imshow ( "original" , o)
gray = cv2.cvtColor (o, cv2.COLOR_BGR2GRAY)
ret,binary = cv2.threshold(gray,127,255, cv2.THRESH_BINARY)
contours,hierarchy = cv2.findContours (binary,cv2.RETR_LIST,cv2.CHAIN_APPROX_SIMPLE)
rect = cv2.minAreaRect (contours [0])
print("返回值rect : \n" , rect)
points = cv2.boxPoints (rect)
print ("\n转换后的points: ln" , points)
points = np.int0(points) #取整
image=cv2.drawContours(o, [points],0,(255,255,255),2)
cv2.imshow ( "result",o)
cv2.waitKey ()
cv2.destroyAllWindows ()

结果：
在这里插入图片描述

在这里插入图片描述

12.4.3 最小包围圆形

函数cv2.minEnclosingCircle()通过迭代算法构造一个对象的面积最小包围圆形 。

center,radius=cv2.minEnclosingCircle (points)

center： 最小包围圆形的中心

radius： 最小包围圆形的半径

points： 轮廓

示例：构造图像的最小包围圆形

import cv2
o = cv2.imread ('cc.png' )
cv2.imshow ("original",o)
gray = cv2.cvtColor(o, cv2.COLOR_BGR2GRAY)
ret,binary = cv2.threshold(gray,127,255,cv2.THRESH_BINARY)
contours,hierarchy = cv2.findContours (binary,cv2.RETR_LIST,cv2.CHAIN_APPROX_SIMPLE)
(x,y) ,radius = cv2.minEnclosingCircle (contours [0] )
center = (int(x) ,int(y))
radius = int (radius)
cv2.circle(o,center,radius,(255,255,255),2)
cv2.imshow ("result", o)
cv2.waitKey ()
cv2.destroyAllWindows ()

结果：
在这里插入图片描述

12.4.4 最优拟合椭圆

retval=cv2.fitEllipse (points)

retval： 是RotaedRect类型的值

points： 轮廓

12.4.5 最优拟合直线

line=cv2.fitLine (points,distType,param,reps,aeps)

line： 返回的是最优拟合直线参数

points： 轮廓

distType： 距离类型

param： 距离参数，当此参数为0时，函数会自动选择最优值

reps： 拟合直线所需要的径向精度，通常为0.01

aeps： 拟合直线所需要的角度精度，通常为0.01

示例：构造最优拟合直线

import cv2
o= cv2.imread ( 'cc.png')
cv2.imshow ( "original",o)
gray = cv2.cvtColor(o, cv2.COLOR_BGR2GRAY)
ret,binary = cv2.threshold(gray,127,255,cv2.THRESH_BINARY)
contours,hierarchy = cv2.findContours (binary,cv2.RETR_LIST,cv2.CHAIN_APPROX_SIMPLE)
rows,cols = binary.shape [ :2]
[vx,vy,x,y] = cv2.fitLine (contours[0],cv2.DIST_L2,0,0.01,0.01) #vx和vy是有关直线与y正半轴夹角的三角函数tan 。  ，x和y是拟合直线上一点的横纵坐标
lefty = int ( (-x*vy/vx) +y)
righty = int( ((cols-x)*vy/vx)+y)
cv2.line(o, (cols-1,righty),(0,lefty), (0,255,0),2) #(cols-1,righty)起点，(0,lefty)终点
cv2.imshow ( "result",o)
cv2.waitKey ()
cv2.destroyAllWindows ()

结果：
在这里插入图片描述

12.4.6 最小外包三角形

retval,triangle=cv2.minEnclosingTriangle (points)

retval： 最小外包三角形的面积

triangle： 最小外包三角形的三个顶点集

points： 轮廓

12.4.7 逼近多边形

approxCurve=cv2.approxPolyDP (curve,epsilon,closed)

approxCurve： 逼近多边形的点集

curve： 轮廓

epsilon： 精度，原始轮廓的边界点与逼近多边形边界之间的最大距离。设置为多边形总长度的百分比形式。

closed： True时，逼近多边形封闭，否则不封闭

该函数采用DP算法，此算法首先从轮廓中找到距离最远的两个点，两点相连，在轮廓上找一个离当前直线最远的点，并将该点与原有直线连成一个封闭的图形，此过程不断迭代，当轮廓上所有的点到当前多边形的距离都小于参数epsilon的值时，停止迭代。

12.5 凸包

凸包是指完全包含原有轮廓，并且仅由轮廓上的点所构成的多边形。凸包内任意三点的内角和小于180°。

如图为凸包示意图，机械手边缘与凸包之间的部分称为凸缺陷，凸缺陷可以用来处理手势识别等问题。

在这里插入图片描述

12.5.1 获取凸包

hull=cv2.convexHull (points[,clockwise[,returnPoints]

points： 轮廓

clockwise： True时，凸包角点将按顺时针方向排列，False时，逆时针

returnPoints：True，函数返回凸包角点的x/y坐标，False返回凸包角点的索引

示例：获取手的轮廓凸包

import cv2
#--------------读取并绘制原始图像-------------
o=cv2.imread ( 'hand.png')
cv2.imshow("original", o)
#—-------------提取轮廓--------------
gray = cv2.cvtColor(o,cv2.COLOR_BGR2GRAY)
ret,binary = cv2.threshold(gray,127,255,cv2.THRESH_BINARY)
contours,hierarchy = cv2.findContours (binary,cv2.RETR_LIST,cv2.CHAIN_APPROX_SIMPLE)
#--------------寻找凸包，得到凸包的角点---—--
hull = cv2.convexHull(contours[0])
#--------------绘制凸包-------------
cv2.polylines(o,[hull],True, (0,255,0),2)
#--------------显示凸包--------------
cv2.imshow ( "result",o)
cv2.waitKey()
cv2.destroyAllWindows ()

结果：
在这里插入图片描述

12.5.2 凸缺陷

凸包与轮廓之间的部分叫做凸缺陷

convexityDefects=cv2.convexityDefects (contour,convexhull)

convexityDefects： 凸缺陷点集，是一个数组，每一行的起始值为[起点，终点，轮廓上距离凸包最远点，最远点到凸包的近似距离]，前三个值是轮廓点的索引。

contour： 轮廓

convexhull： 凸包

12.5.3 几何学测试

（1）测试轮廓是否是凸形

retval=cv2.isContourConvex (contour)

retval： 布尔型，True轮廓为凸形

contour： 要判断的轮廓

（2）点到轮廓的距离

retval=cv2.pointPolygonTest (contour,pt,measureDist)

retval： 与参数measureDist有关

contour： 轮廓

pt： 待判定的点

measureDist： 表示距离的判定方式

True： 表示计算点到轮廓的距离，点在外轮廓，返回值为负数，点在轮廓上，返回0，在轮廓内，返回正数

False： 不计算距离，值返回-1,0.1中的一个值，对应上面的。

12.6 利用形状场景算法比较轮廓

12.6.1 计算形状场景距离

v2.createShapeContextDistanceExtractor()函数用于计算形状场景距离，在每个点附加上一个形状上下文描述符，让每个点都能够捕获剩余点相对于它的分布特征。

retval=cv2.createShapeContextDistanceExtractor([,nAngularBins[,nRadialBins[,innerRadius[,outerRadius[,iterations[,comparer[,transform]]]]]]])

nAngularBins： 为形状匹配中使用的形状上下文描述符建立的角容器的数量。

nRadialBins： 为形状匹配中使用的形状上下文描述符建立的径向容器的数量。

innerRadius： 形状上下文描述符的内半径。

outerRadius： 形状上下文描述符的外半径。

iterations： 迭代次数。

comparer： 直方图代价提取算子。

transformer： 形状变换参数。

返回值结果retval可以用以下函数计算

retval=cv2. ShapeDistanceExtractor.computeDistance ( contour1 ,contour2)

contour1 ,contour2为两个不同的轮廓。

12.6.2 计算Hausdorff距离

Hausdorff距离的计算方法是：

(1) 针对图像A内的每一个点，寻找其距离图像B的最短距离，将这个最短距离作为Hausdorff直接距离D1。

(2)针对图像B内的每一个点，寻找其距离图像A的最短距离，将这个最短距离作为Hausdorff直接距离D2。

(3) 将上述D1、D2中的较大者作为Hausdorf距离。

retval=cv2.createHausdorffDistanceExtractor ([,distanceFlag[,rankProp]])

distanceFlag： 距离标记

rankProp： 比例值，在0-1之间

12.7 轮廓的特征值

12.7.1 宽高比

宽高比=宽度(Width) /高度(Height)

12.7.2 Extent

可以使用轮廓面积与矩形边界(矩形包围框、矩形轮廓)面积之比Extend来描述图像及其轮廓特征。计算方法为：
在这里插入图片描述

12.7.3 Solidity

轮廓面积与凸包面积之比
在这里插入图片描述

12.7.4 等效直径

$等效直径=\sqrt(\frac{4×轮廓面积}{π})$

12.7.5 方向

构造最优拟合椭圆

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

(x,y)： 椭圆的中心点

(MA,ma)： 椭圆水平方向轴和椭圆方向轴的长度

angle： 椭圆的旋转角度

12.7.6 掩模和像素点

获取轮廓像素点位置信息有两种方式：Numpy函数和OpenCV函数

（1）Numpy函数获取轮廓像素点

numpy.nonzero () 函数能够找出数组内非零元素的位置，但是其返回值是将行、列分别显示的。

使用numpy.transpose () 函数处理上述返回值，则得到这些点的(x,y)形式的坐标

（2）OpenCV函数获取轮廓点

idx=cv2.findNonzero (src)

idx： 返回值，非零元素的索引位置（列号，行号）

src： 要查找非零元素的图像

12.7.7 最小值和最大值及其位置

函数cv2.minMaxLoc ()，用于在指定的对象内查找最大值、最小值及其位置。

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

min_val： 最小值

max_val： 最大值

min_loc： 最小值位置

max_loc： 最大值位置

imgray： 单通道图像

mask： 掩模

12.7.8 平均颜色及平均灰度

cv2.mean ()，用于计算一个对象的平均颜色或平均灰度。

mean_val=cv2.mean ( im,mask=mask)

im： 原图像

mask： 掩模

12.7.9 极点

获取最左端，右端，上端，下端的点

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])

十二、图像轮廓

12.1 查找并绘制轮廓

12.1.1 查找图像轮廓

12.1.2 绘制图像轮廓

12.2 矩特征

12.2.1 矩的计算

12.2.2 计算轮廓面积

12.2.3 极端轮廓的长度

12.3 Hu矩

12.3.1 形状匹配

12.4 轮廓拟合

12.4.1 矩形包围框

12.4.2 最小包围矩形框

12.4.3 最小包围圆形

12.4.4 最优拟合椭圆

12.4.5 最优拟合直线

12.4.6 最小外包三角形

12.4.7 逼近多边形

12.5 凸包

12.5.1 获取凸包

12.5.2 凸缺陷

12.5.3 几何学测试

12.6 利用形状场景算法比较轮廓

12.6.1 计算形状场景距离

12.6.2 计算Hausdorff距离

12.7 轮廓的特征值

12.7.1 宽高比

12.7.2 Extent

12.7.3 Solidity

12.7.4 等效直径

12.7.5 方向

12.7.6 掩模和像素点

12.7.7 最小值和最大值及其位置

12.7.8 平均颜色及平均灰度

12.7.9 极点

知秋君

相关推荐