opencv-python常用函数解析及参数介绍（八）——轮廓与轮廓特征

---

前言

在前面的文章中我们已经学会了使用膨胀与腐蚀、使用梯度、使用边缘检测的方式获得图像的轮廓，那么在获得轮廓后我们可以对图像进行什么样的操作呢？本文将介绍轮廓的绘制与轮廓特征的使用以及轮廓近似的应用效果

1.获取轮廓

假设我们现在有这样一张名为feng.jpg的图片

同样为了表述方便，我们要先定义一个图像显示函数

def cv_show(img,name):
    cv2.imshow(name,img)
    cv2.waitKey()
    cv2.destroyAllWindows()

通过膨胀与腐蚀获得轮廓

在之前的博客：opencv-python常用函数解析及参数介绍（五）——腐蚀与膨胀中我们学到了三种获取轮廓的方式，大家可以查阅之前的博客获取细节，在本文中我们将使用膨胀减去腐蚀获取轮廓

img = cv2.imread('feng.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
ret, thresh = cv2.threshold(gray, 230, 255, cv2.THRESH_BINARY)
kernel = np.ones((5,5),np.uint8) 
dilate = cv2.dilate(thresh, kernel, 1)
erosion = cv2.erode(thresh, kernel, 1)
contour_img = dilate-erosion # 获取轮廓
cv_show(contour_img, 'c')

通过梯度获取轮廓

本文使用效果最好的Sobel算子获取轮廓，其他的梯度计算方式请参考：opencv-python常用函数解析及参数介绍（六）——图像梯度

img = cv2.imread('feng.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
ret, thresh = cv2.threshold(gray, 230, 255, cv2.THRESH_BINARY)

# 获取轮廓
contour_x = cv2.Sobel(thresh, cv2.CV_64F, 1, 0, ksize=3) 
contour_x = cv2.convertScaleAbs(contour_x)
contour_y = cv2.Sobel(thresh, cv2.CV_64F, 0, 1, ksize=3)
contour_y = cv2.convertScaleAbs(contour_y)
contour_img = cv2.addWeighted(contour_x, 0.5, contour_y, 0.5, 0)
cv_show(contour_img, 'c')

通过边缘检测获取轮廓

边缘检测的细节请参照：opencv-python常用函数解析及参数介绍（七）——边缘检测

img = cv2.imread('feng.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
ret, thresh = cv2.threshold(gray, 230, 255, cv2.THRESH_BINARY)

# 获取轮廓
contour_img = cv2.Canny(img, 200, 250)
cv_show(contour_img, 'c')

2.寻找轮廓

下面我们使用效果最好的边缘检测得到的结果寻找轮廓

我们留意到，这个符号由多个图形组成，我们可以使用cv2.findContours函数找到每一部分的轮廓
findContours的参数为（图像，mode, method）

其中mode为轮廓检索模式，参数和作用如下

参数	作用
RETR_EXTERNAL	只检索最外面的轮廓；
RETR_LIST	检索所有的轮廓，并将其保存到一条链表当中；
RETR_CCOMP	检索所有的轮廓，并将他们组织为两层：顶层是各部分的外部边界，第二层是空洞的边界;
RETR_TREE	检索所有的轮廓，并重构嵌套轮廓的整个层次

其中method为轮廓逼近方法，参数和作用如下

参数	作用
CHAIN_APPROX_NONE	以Freeman链码的方式输出轮廓，所有其他方法输出多边形（顶点的序列）。
CHAIN_APPROX_SIMPLE	压缩水平的、垂直的和斜的部分，也就是，函数只保留他们的终点部分。

我们可以使用cv2.drawContours函数画出轮廓，其参数有(轮廓，轮廓索引，颜色模式，线条厚度)
轮廓索引是只第几个轮廓，当为-1时则画出所有轮廓,需要注意的是在绘制前需要先copy一份原图，否则原图也会被画上轮廓

参数及作用对比

这个过程只是为了方便展示效果，如果不理解不必强求

import math

for retr in ["cv2.RETR_EXTERNAL", "cv2.RETR_LIST", "cv2.RETR_CCOMP", "cv2.RETR_TREE"]:
    print(retr)
    contours, hierarchy = cv2.findContours(contour_img, eval(retr), cv2.CHAIN_APPROX_NONE)
    r_list = img

    row = int(math.sqrt(len(contours) + 2))
    col = math.ceil((len(contours) + 2) / row)+1

    plt.subplot(row,col, 1)
    plt.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))
    plt.xticks([]), plt.yticks([])
    plt.title('origin')

    for i in range(len(contours)):
        res = cv2.drawContours(img.copy(), contours, i, (0, 0, 255), 2)
        plt.subplot(row, col, 2+i)
        plt.imshow(cv2.cvtColor(res, cv2.COLOR_BGR2RGB))
        plt.xticks([]), plt.yticks([])
        plt.title(str(i+1))

    plt.subplot(row, col, len(contours)+2)
    plt.imshow(cv2.cvtColor(cv2.drawContours(img.copy(), contours, -1, (0, 0, 255), 2), cv2.COLOR_BGR2RGB))
    plt.xticks([]), plt.yticks([])
    plt.title('all')
    plt.show()

可以看到除了第一个之外其他的效果相似，其实确实是这样的，其他的只不过是层次不一样，而第一个只取了外轮廓，所以看起来要比其他的轮廓少。
第二个参数只不过是存储方式不同，从描述上来看，一个适用于曲线较多的情况，另外一个适用于直线较多的情况。
同时我们还看到，这些图里面似乎有一些没什么变化的图，这是因为图中有噪点，所以有的点被误判成了轮廓，要去掉这种情况的点我们只需要求一下轮廓特征就好了，比如规定轮廓面积小于某个值就不算做轮廓或者周长小于某个值就不算做轮廓。

3.轮廓特征

在opencv中我们通过cv2.contourArea求面积，通过cv2.contourLength求周长，如果contoursLength第二个参数为True则求的周长为闭区间
我们来求一下第一个区间的面积和周长

contours, hierarchy=cv2.findContours(contour_img,cv2.RETR_TREE,cv2.CHAIN_APPROX_NONE)
res = cv2.drawContours(img.copy(), contours, 0, (0, 0, 255), 2)
cv_show(res,'res')
print(cv2.contourArea(contours[0]))
print(cv2.arcLength(contours[0], True))

下面看一下所有的面积和周长

contours, hierarchy=cv2.findContours(contour_img,cv2.RETR_TREE,cv2.CHAIN_APPROX_NONE)
for i in range(len(contours)):
    print(cv2.contourArea(contours[i]), cv2.arcLength(contours[i], True))

值为0的就是那些被误判成轮廓的点

4.轮廓近似

同样的，我们使用上面用得到图片进行轮廓近似
首先我们依然是读取图片并获取他的轮廓，为了方便演示，我们选取索引为4的轮廓

img = cv2.imread('feng.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
ret, thresh = cv2.threshold(gray, 220, 255, cv2.THRESH_BINARY)
contour_img = cv2.Canny(thresh, 220, 255)
contours, hierarchy = cv2.findContours(contour_img, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)

cnt = contours[4]

res = cv2.drawContours(img.copy(), contours, 4, (0, 0, 255), 2)
cv_show(res,'res')

多边形逼近

在opencv中我们可以使用cv2.approxPolyDP函数进行多边形逼近，可以实现轮廓近似
他有三个参数，第一个参数传进轮廓，第二个参数(epsilon)是一个距离值，表示多边形的轮廓接近实际轮廓的程度，值越小，越精确；第三个参数表示是否闭合。

我们来显示一下在不同的epsilon下的多边形逼近的效果，在这里我们先使用cv2.arcLength获取轮廓周长，然后乘以比例rate来设定距离，当然这个距离也可以自己设定，我们使用np.linspace生成了9个0.01到0.1之间的数来表示rate

i = 1
plt.figure(figsize=(25, 25))
for rate in np.linspace(0.01, 0.1, 9):
    epsilon = rate*cv2.arcLength(cnt,True) 
    approx = cv2.approxPolyDP(cnt,epsilon,False)

    res = cv2.drawContours(img.copy(), [approx], -1, (0, 0, 255), 2)
    plt.subplot(3,3,i)
    plt.imshow(cv2.cvtColor(res, cv2.COLOR_BGR2RGB))
    plt.title("{:.2f}".format(rate),fontsize='xx-large')
    
    i += 1

plt.show()

可以看到epsilon越小，近似的效果越好

凸包

这个近似和多边形近似十分相似，只不过他是只考虑凸出来的情况，得出的近似也是凸的
在opencv中可以通过cv2.convexHull来寻找凸包

hull = cv2.convexHull(cnt)
res = cv2.drawContours(img.copy(), [hull], -1, (0, 0, 255), 2)
cv_show(res, 'res')

我们可以看到得到的是一个凸的轮廓近似，我们可以使用cv2.isContourConvex来判断轮廓是不是凸的

cv2.isContourConvex(hull)

5.边界矩形与外接圆

边界矩形

在opencv中我们可以使用boundingRect来获取轮廓的边界矩形，执行后返回值是x坐标和y坐标，以及宽度和高度，通过这些信息我们可以使用cv2.rectangle在图像中画出矩形

x,y,w,h = cv2.boundingRect(cnt)
res = cv2.rectangle(img.copy(),(x,y),(x+w,y+h),(255,0,0),2)
cv_show(res,'img')

外接圆

cv2.minEnclosingCircle可以求得轮廓的外接圆，返回值是圆心和圆的半径，我们可以通过cv2.circle来绘制圆，尤其注意的是，在绘制之前要把值转换成整数

(x,y),radius = cv2.minEnclosingCircle(cnt) 
center = (int(x),int(y)) 
radius = int(radius) 
res = cv2.circle(img.copy(),center,radius,(0,0,255),2)
cv_show(res,'img')