八、图像轮廓
1、什么是图像轮廓
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
注意点：
- 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。
2、查找轮廓
findContours()用法：
cv2.findContours(image, mode, method, contours, hierarchy, offset)
参数说明：
- 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。
代码实现：
import cv2 # 该图像显示效果是黑白的，但是实际上却是3个通道的彩色图像 img = cv2.imread('../resource/draw.png') # 变成单通道的黑白图像 gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 二值化，注意有两个返回值，阈值和结果 thresh, binary = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY) # cv2.imshow('img', img) # cv2.imshow('gray', gray) # cv2.imshow('binary', binary) # 轮廓查找，新版本返回：轮廓、层级；老版本返回：图像、轮廓和层级 contours, hierarchy = cv2.findContours(binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE) # 打印轮廓 print(contours) cv2.waitKey(0) cv2.destroyAllWindows()
(array([[[356, 211]], [[355, 212]], ... [[370, 212]], [[369, 211]]], dtype=int32), array([[[273, 211]], ...
3、绘制轮廓
drawContours()用法：
cv2.drawContours(image, contours, contourIdx, color, thickness, lineType, hierarchy, maxLevel, offset)
参数说明：
- 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
代码实现：
import cv2 import numpy as np img = cv2.imread('../resource/draw.png') 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()
4、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。
contourArea()用法： 面积
cv2.contourArea(contour, oriented)
参数说明：
- contour：轮廓
arcLength()用法： 周长
cv2.arcLength(curve, closed)
参数说明：
- curve：轮廓
- closed：是否为闭合的轮廓
代码实现：
import cv2 import numpy as np img = cv2.imread('../resource/draw.png') 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()
area: 68542.0 perimeter: 1095.6568541526794
5、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)
参数说明：
- 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
代码实现：
import cv2 import numpy as np img = cv2.imread('../resource/hand.webp') 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, cv2.RETR_TREE, 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) cv2.imshow('hand', np.hstack((img_ori, img))) cv2.waitKey(0) cv2.destroyAllWindows()
6、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)
参数说明：
- points：轮廓
- clockwise：顺时针绘制
代码实现：
import cv2 import numpy as np img = cv2.imread('../resource/hand.webp') 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, cv2.RETR_TREE, 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()
7、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
代码实现:
import cv2 import numpy as np img = cv2.imread('../resource/thunder.png') 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, cv2.RETR_TREE, 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()
