目录
20 轮廓：更多属性
在本章中，我们将学习 - 凸性缺陷以及如何找到它们 - 查找点到多边形的最短距离 - 匹配不同的形状
20.1 理论和代码
20.1.1 凸性缺陷
我们看到了关于轮廓的第二章的凸包。从这个凸包上的任何偏差都可以被认为是凸性缺陷。OpenCV有一个函数来找到这个，cv.convexityDefects()。一个基本的函数调用如下:
hull = cv.convexHull(cnt,returnPoints = False) defects = cv.convexityDefects(cnt, hull)
注意：记住,我们必须在发现凸包时，传递returnPoints = False，以找到凸性缺陷。
它返回一个数组，其中每行包含这些值—[起点、终点、最远点、到最远点的近似距离]。我们可以用图像把它形象化。我们画一条连接起点和终点的线，然后在最远处画一个圆。记住，返回的前三个值是cnt的索引。所以我们必须从cnt中获取这些值。
import cv2 as cv img = cv.imread('star.jpg') img_gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY) ret, thresh = cv.threshold(img_gray, 127, 255, 0) contours, hierarchy = cv.findContours(thresh, 2, 1) cnt = contours[0] hull = cv.convexHull(cnt, returnPoints=False) defects = cv.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]) cv.line(img, start, end, [0, 255, 0], 2) cv.circle(img, far, 5, [0, 0, 255], -1) cv.imshow('img', img) cv.waitKey(0) cv.destroyAllWindows()
运行结果如下：
编辑
20.1.2 点多边形测试
这个函数找出图像中一点到轮廓线的最短距离。它返回的距离，点在轮廓线外时为负，点在轮廓线内时为正，点在轮廓线上时为零。
例如，我们可以检查点(50,50) 如下：
dist = cv.pointPolygonTest(cnt, (50, 50), True)
在函数中，第三个参数是measureDist。如果它是真的，它会找到有符号的距离。如果为假，则查找该点是在轮廓线内部还是外部(分别返回+1、-1和0)。
注意：如果您不想找到距离，请确保第三个参数为False，因为这是一个耗时的过程。因此，将其设置为False可使速度提高2-3倍。
20.1.3 形状匹配
OpenCV附带一个函数cv.matchShapes()，该函数使我们能够比较两个形状或两个轮廓，并返回一个显示相似性的度量。结果越低，匹配越好。它是根据矩值计算出来的。不同的测量方法在文档中有解释。
import cv2 as cv img1 = cv.imread('star.jpg', 0) img2 = cv.imread('star2.jpg', 0) ret, thresh = cv.threshold(img1, 127, 255, 0) ret, thresh2 = cv.threshold(img2, 127, 255, 0) contours, hierarchy = cv.findContours(thresh, 2, 1) cnt1 = contours[0] contours, hierarchy = cv.findContours(thresh2, 2, 1) cnt2 = contours[0] ret = cv.matchShapes(cnt1, cnt2, 1, 0.0) print(ret)
我尝试过匹配下面给出的不同形状的形状：
我得到以下结果: - 匹配的图像A与本身= 0.0 - 匹配图像A与图像B = 0.001946 - 匹配图像A与图像C = 0.326911
看,即使是图像旋转也不会对这个比较产生很大的影响。
编辑
参考：Hu矩是平移、旋转和比例不变的七个矩。第七个是无偏斜量。这些值可以使用cpu.HuMoments()函数找到。
20.2 练习
- 检查文档中的cv.pointPolygonTest()，您可以找到红色和蓝色的漂亮图像。它表示从所有像素到白色曲线的距离。曲线内的所有像素都是蓝色的，这取决于距离。外面的点也是红色的。轮廓边缘用白色标记。所以问题很简单。编写一个代码来创建这样的距离表示。
- 使用cv.matchShapes()比较数字或字母的图像。(这是迈向OCR的简单一步)
欢迎评论区留言，一起探讨OpenCV成神之路的奥秘。
顺便给我加个关注，点个赞，加个收藏，让我们一起登上神坛。
编辑
