本文是OpenCV图像视觉入门之路的第15篇文章，本文详细的介绍了图像轮廓检测的各种操作，例如：轮廓检索模式、轮廓逼近算子等操作。
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。图像轮廓的作用：图形分析、物体的检测和识别。
需要注意的是：为了检测的准确性，需要先对图像进行二值化或Canny操作； 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，应该将原始图像存储到其他变量中。
OpenCV 图像轮廓检测目录
1 查找轮廓
cv2.findContours(image, mode, method, contours, hierarchy, offset)
- image 原图像
- mode 查找轮廓的模式
- RETR_EXTERNAL= 0，表示只检测外围轮廓 。
- RETR_LIST = 1，检测的轮廓不建立等级关系，即检测所有轮廓。
- RETP_CCOMP = 2，每层最多两级，从小到大，从里到外。
- RETP_TREE = 3，按照树型存储轮廓，从小到大，从右到左。
- 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，只保留四边形的四个角，存储信息少，比较常用
- 返回 contours 和 hierarchy ，即轮廓和层级。
import cv2
import numpy as np
from numpy import unicode
d
if __name__ == '__main__':
img = cv2.imread('D:/Jupyter_Notebooks/1.2.png') #, cv2.IMREAD_GRAYSCALE
# 转变成单通道
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 二值化,第一个返回值是执行的结果和状态是否成功，第二个返回值才是真正的图片结果
ret, binary = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY)
# 轮廓查找,第一个返回值是轮廓，第二个是层级
contours, hierarchy = cv2.findContours(binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
# 绘制轮廓
cv2.drawContours(img, contours, -1, (0, 0, 255), 1) # 改变的是img这张图
cv2.imshow('img', img)
cv2.imshow('binary', binary)
cv2.waitKey(0)
cv2.destroyAllWindows()
2 绘制轮廓
- cv2.drawContours(image, contours, contourIdx, color, thickness, lineType, hierarchy, maxLevel, offset)
- image：要绘制的轮廓图像
- contours：轮廓点
- contourIdx：要绘制的轮廓的编号，-1 表示绘制所有轮廓
- color：轮廓的颜色，如 (0, 0, 255) 表示红色
- thickness：线宽，-1表示全部填充
import cv2
import numpy as np
from numpy import unicode
if __name__ == '__main__':
img = cv2.imread('D:/Jupyter_Notebooks/1.2.png') #, cv2.IMREAD_GRAYSCALE
img_copy = img.copy()
gray = cv2.cvtColor(img_copy, cv2.COLOR_BGR2GRAY)
# 阈值 结果
thresh, binary = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY)
# 轮廓 层级
contours, hierarchy = cv2.findContours(binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
# 绘制轮廓
cv2.drawContours(img_copy, contours, -1, (0, 0, 255), 2)
cv2.imshow('img', np.hstack((img, img_copy)))
cv2.waitKey(0)
cv2.destroyAllWindows()
3 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，进而可以识别不同的物体。在查找轮廓后，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。
- 面积
contourArea()cv2.contourArea(contour, oriented) contour：轮廓 - 周长
arcLength()cv2.arcLength(curve, closed) curve：轮廓 closed：是否为闭合的轮廓
import cv2
import numpy as np
from numpy import unicode
if __name__ == '__main__':
img = cv2.imread('D:/Jupyter_Notebooks/1.2.png') #, cv2.IMREAD_GRAYSCALE
img_copy = img.copy()
gray = cv2.cvtColor(img_copy, cv2.COLOR_BGR2GRAY)
# 阈值 结果
thresh, binary = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY)
# 轮廓 层级
contours, hierarchy = cv2.findContours(binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
# 绘制轮廓
cv2.drawContours(img_copy, contours, -1, (0, 0, 255), 2)
# 轮廓面积
area = cv2.contourArea(contours[1])
print('area:', area)
# 轮廓周长
perimeter = cv2.arcLength(contours[1], closed=True)
print('perimeter:', perimeter)
cv2.imshow('img', np.hstack((img, img_copy)))
cv2.waitKey(0)
cv2.destroyAllWindows()
4 多边形逼近
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。approxPolyDP 就是以多边形去逼近轮廓，采用的是 Douglas-Peucker（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，直到最短距离小于指定的精度。
approxPolyDP()用法： cv2.approxPolyDP(curve, epsilon, closed, approxCurve)- curve：要近似逼近的轮廓
- epsilon：即DP算法使用的阈值
- closed：轮廓是否闭合
import cv2
import numpy as np
from numpy import unicode
if __name__ == '__main__':
img = cv2.imread('D:/Jupyter_Notebooks/1.3.png') #, cv2.IMREAD_GRAYSCALE
img_ori = img.copy()
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 二值化：阈值 结果
ret, binary = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY)
# 查找轮廓 轮廓 层级
contours, hierarchy = cv2.findContours(binary, 0, cv2.CHAIN_APPROX_SIMPLE)
# 绘制轮廓
cv2.drawContours(img, contours, 1, (0, 0, 255), 2)
# 多边形逼近
approx = cv2.approxPolyDP(contours[1], 10, True)
# 把多边形逼近的轮廓画出来
cv2.drawContours(img, [approx], -1, (200, 255, 0), 2)
cv2.imshow('hand', np.hstack((img_ori, img)))
cv2.waitKey(0)
cv2.destroyAllWindows()
RETR_EXTERNAL=0表示值检测外围轮廓
RETR_LIST=1检测的轮廓不建立等级关系，检测所有的轮廓
5 凸包
多边形逼近是轮廓的高度近似，但有些时候，我们希望使用一个多边形的凸包来简化它。凸包和多边形逼近很类似，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。凸包上的每一处都是凸的，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°。
convexHull()用法：cv2.convexHull(points, hull, clockwise, returnPoints)- points：轮廓
- clockwise：顺时针绘制
import cv2
import numpy as np
from numpy import unicode
if __name__ == '__main__':
img = cv2.imread('D:/Jupyter_Notebooks/1.3.png') #, cv2.IMREAD_GRAYSCALE
img_ori = img.copy()
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 二值化：阈值 结果
ret, binary = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY)
# 查找轮廓 轮廓 层级
contours, hierarchy = cv2.findContours(binary, 0, cv2.CHAIN_APPROX_SIMPLE)
# 绘制轮廓
cv2.drawContours(img, contours, 1, (0, 0, 255), 2)
# 多边形逼近
approx = cv2.approxPolyDP(contours[1], 10, True)
# 把多边形逼近的轮廓画出来
cv2.drawContours(img, [approx], -1, (0, 255, 0), 2)
# 计算凸包
hull = cv2.convexHull(contours[1])
cv2.drawContours(img, [hull], -1, (255, 0, 0), 2)
cv2.imshow('hand', np.hstack((img_ori, 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，红色部分为最小外接矩形，绿色部分为最大外接矩形：
minAreaRect()用法： 最小外接矩阵 cv2.minAreaRect(points)
- points：轮廓
- 返回元组，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
boundingRect()用法：最大外接矩阵 cv2.boundingRect(points)
- points：轮廓
import cv2
import numpy as np
from numpy import unicode
if __name__ == '__main__':
img = cv2.imread('D:/Jupyter_Notebooks/1.3.png') #, cv2.IMREAD_GRAYSCALE
img_ori = img.copy()
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 二值化：阈值 结果
ret, binary = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY)
# 查找轮廓 轮廓 层级
contours, hierarchy, = cv2.findContours(binary, 0, cv2.CHAIN_APPROX_SIMPLE)
# 最小外接矩形
rect = cv2.minAreaRect(contours[1])
box = cv2.boxPoints(rect)
# 四舍五入
box = np.round(box).astype('int64')
# 绘制最小外接矩形
cv2.drawContours(img, [box], 0, (255, 0, 0), 2)
# 最大外接矩形
x, y, w, h = cv2.boundingRect(contours[1])
cv2.rectangle(img, (x, y), (x + w, y + h), (0, 0, 255), 2)
cv2.imshow('hand', np.hstack((img_ori, img)))
cv2.waitKey(0)
cv2.destroyAllWindows()
文章出处登录后可见！
已经登录？立即刷新
