知识重点

灰度图转换: gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
二值化: 返回两个东西，一个阈值，一个是二值化的图: thresh, binary = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY)
查找轮廓: 返回两个结果，分别是轮廓和层级: contours, hierarchy = cv2.findContours(binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE )
描绘轮廓: cv2.drawContours(img_copy, contours, -1, (0, 0, 255), 2) 索引取-1时描绘所有轮廓.
轮廓面积计算: area = cv2.contourArea(contours[1]) # print('area: ', area)
轮廓周长计算: perimeter = cv2.arcLength(contours[1], closed = False) # perimeter 周长
多边形逼近: approx = cv2.approxPolyDP(contours[0], 6, closed = True)
凸包计算: hull = cv2.convexHull(contours[0]) 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。
最小外接矩形: rect = cv2.minAreaRect(contours[1])
- box = cv2.boxPoints(rect)
- box = np.round(box).astype('int64') # 注意坐标必须是整数的, 所以需要转化一下
- cv2.drawContours(img, [box], 0, (255, 0, 0), 2)
最大外接矩形: x, y, w, h = cv2.boundingRect(contours[1]) # 最大外接矩形参数, (x,y), (w, h)
- cv2.rectangle(img, (x, y), (x + w, y + h), (0, 0, 255), 2)
外接圆: (a, b), radius = cv2.minEnclosingCircle(contours[1]) # , 返回圆的中心点和半径
- cv2.circle(img, (int(a), int(b)), int(radius), (0, 255, 0), 2)

7. 图像轮廓

7.1 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。

轮廓的作用:

用于图形分析
物体的识别和检测

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，应该将原始图像储存到其他变量中。

7.2 查找轮廓

findContours(image, mode, method[, contours[, hierarchy[, offset]]])
- 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, 较为常用
  - RETR_CCOMP = 2, 每层最多两级, 从小到大, 从里到外.
  - RETR_TREE = 3, 按照树型存储轮廓, 从大到小, 从右到左.

import cv2
import numpy as np# 显示黑白，实际为彩图
img = cv2.imread('./contours1.jpeg')
# 先变成单通道的黑白图片
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 二值化，返回两个东西，一个阈值， 一个是二值化的图
thresh, binary = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY)# 查找轮廓，新版本返回两个结果，分别是轮廓和层级
contours, hierarchy = cv2.findContours(binary,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)
# 画轮廓是会直接修改原图，如果保证原图不变，建议先拷贝
img_copy = img.copy()
cv2.drawContours(img_copy, contours, -1, (0, 0, 255), 2)  # 索引轮廓cv2.imshow('img', img)
cv2.imshow('img_copy', img_copy)
cv2.waitKey(0)
cv2.destroyAllWindows()

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4个角, 存储信息少, 比较常用
返回 contours和hierachy 即轮廓和层级

7.3 绘制轮廓

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# 显示黑白，实际为彩图
img = cv2.imread('./contours1.jpeg')
# 先变成单通道的黑白图片
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 二值化，返回两个东西，一个阈值， 一个是二值化的图
thresh, binary = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY)# 查找轮廓，新版本返回两个结果，分别是轮廓和层级
contours, hierarchy = cv2.findContours(binary,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)# 画轮廓是会直接修改原图，如果保证原图不变，建议先拷贝
img_copy = img.copy()
cv2.drawContours(img_copy, contours, 1, (0, 0, 255), 2)  # 看1#的轮廓cv2.imshow('img', img)
cv2.imshow('img_copy', img_copy)
cv2.waitKey(0)
cv2.destroyAllWindows()

7.4 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识别不同的物体。在查找到轮廓后, 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(contour)
arcLength(curve, closed)
- curve即轮廓
- closed是否是闭合的轮廓

import cv2
import numpy as np# 显示黑白，实际为彩图
img = cv2.imread('./contours1.jpeg')# 先变成单通道的黑白图片
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 二值化，返回两个东西，一个阈值， 一个是二值化的图
thresh, binary = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY)
# 查找轮廓，新版本返回两个结果，分别是轮廓和层级
contours, hierarchy = cv2.findContours(binary,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)# 画轮廓是会直接修改原图，如果保证原图不变，建议先拷贝
img_copy = img.copy()
cv2.drawContours(img_copy, contours, 1, (0, 0, 255), 2)  # 索引轮廓# 计算轮廓面积
area = cv2.contourArea(contours[1])
print('area: ', area)     # area:  74798.0
# 计算轮廓周长
perimeter = cv2.arcLength(contours[1], closed = False)
print('perimeter: ',perimeter)     # perimeter:  821.656cv2.imshow('img', img)
cv2.imshow('img_copy', img_copy)
cv2.waitKey(0)
cv2.destroyAllWindows()

7.5 多边形逼近与凸包

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.apporxPolyDP就是以多边形去逼近轮廓，采用的是Douglas-Peucker算法（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(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# 显示黑白，实际为彩图
img = cv2.imread('./hand.png')
# print(img.shape)
# 先变成单通道的黑白图片
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 二值化，返回两个东西，一个阈值， 一个是二值化的图
thresh, binary = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY)
# 查找轮廓，新版本返回两个结果，分别是轮廓和层级
contours, hierarchy = cv2.findContours(binary,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)# 画轮廓是会直接修改原图，如果保证原图不变，建议先拷贝
img_copy = img.copy()
cv2.drawContours(img_copy, contours, 0, (0, 0, 255), 2)  # 索引轮廓# 使用多边形逼近，近似模拟多边形的轮廓
approx = cv2.approxPolyDP(contours[0], 6, closed = True)
# approx 本质是一个类型的轮廓
# 画出多边形逼近的轮廓
cv2.drawContours(img_copy, [approx], 0, (0, 255, 0), 2) cv2.imshow('img_copy', img_copy)
cv2.waitKey(0)
cv2.destroyAllWindows()

逼近多边形是轮廓的高度近似，但是有时候，我们希望使用一个多边形的凸包来简化它。凸包跟逼近多边形很像，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(points[, hull[, clockwise[, returnPoints]]])
- points 即轮廓
- colckwise 顺时针绘制

import cv2
import numpy as npimg = cv2.imread('./hand.png')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 二值化
therth, binary = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY)
# 查找轮廓
contours, hierarchy = cv2.findContours(binary,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)
# 绘制轮廓
cv2.drawContours(img, contours, 0, (0, 0, 255), 2)# 计算凸包
hull = cv2.convexHull(contours[0])
# 画出凸包
cv2.drawContours(img, [hull], 0, (255, 0, 0), 2)cv2.imshow('img', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

7.6 外接矩形及外接圆

外接矩形分为最小外接矩形和最大外接矩形.

下图中红色矩形是最小外接矩形, 绿色矩形为最大外接矩形.

minAreaRect(points) 最小外接矩阵
- points 即为轮廓
- 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, 矩形的选择角度.
boundingRect(points) 最大外接矩阵
- points 即为轮廓a
cv2.minEnclosingCircle(points) 最小外接圆

import cv2
import numpy as npimg =cv2.imread('./hello.jpeg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 二值化
thersh, binary = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY)
contours, hierarchy = cv2.findContours(binary,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)# rect是一个Rotated Rect 旋转的矩形, 矩形的起始坐标(x,y), 矩形的长宽, 矩形旋转角度
rect = cv2.minAreaRect(contours[1])
# 其实就是帮我们把旋转矩阵的4个坐标点计算出来了.
# 注意坐标必须是整数的, 所以需要转化一下
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, 返回最大外接矩形的参数, (x,y), (w, h)
x, y, w, h = cv2.boundingRect(contours[1])
cv2.rectangle(img, (x, y), (x + w, y + h), (0, 0, 255), 2)# 外接圆, 返回圆的中心点和半径
(a, b), radius = cv2.minEnclosingCircle(contours[1])
# 画出圆
cv2.circle(img, (int(a), int(b)), int(radius), (0, 255, 0), 2)cv2.imshow('img', img)
cv2.waitKey(0)
cv2.destroyAllWindows()