OpenCV边缘检测：findContours()、approxPolyDP()

findContours

contours,hierarchy = cv2.findContours(src,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)

参数

• src 原图

• cv2.RETR_TREE：提取轮廓后，输出轮廓信息的组织形式，除了cv2.RETR_TREE还有以下几种选项：

  cv2.RETR_EXTERNAL：输出轮廓中只有外侧轮廓信息；

  cv2.RETR_LIST：以列表形式输出轮廓信息，各轮廓之间无等级关系；

  cv2.RETR_CCOMP：输出两层轮廓信息，即内外两个边界（下面将会说到contours的数据结构）；

• cv2.CHAIN_APPROX_SIMPLE：指定轮廓的近似办法，有以下选项：

  cv2.CHAIN_APPROX_NONE：存储轮廓所有点的信息，相邻两个轮廓点在图象上也是相邻的；

  cv2.CHAIN_APPROX_SIMPLE：压缩水平方向，垂直方向，对角线方向的元素，只保留该方向的终点坐标；

  cv2.CHAIN_APPROX_TC89_L1：使用teh-Chinl chain 近似算法保存轮廓信息。

输出：contours,hierarchy

• contours:
  list结构，列表中每个元素代表一个边沿信息。每个元素是(x,1,2)的三维向量，x表示该条边沿里共有多少个像素点，第三维表示每个点的横、纵坐标；
  注意：如果输入选择cv2.CHAIN_APPROX_SIMPLE，则contours中一个list元素所包含的x点之间应该用直线连接起来，这个可以用cv2.drawContours()函数观察一下效果。
• hierarchy：返回类型是(x,4)的二维ndarray。x和contours里的x是一样的意思。如果输入选择cv2.RETR_TREE，则以树形结构组织输出，hierarchy的四列分别对应下一个轮廓编号、上一个轮廓编号、父轮廓编号、子轮廓编号，该值为负数表示没有对应项。

求长度：cv2.arcLength(contours[i],False)
可以看到第二个参数是选择False还是True。这个参数指定识别的contours是否闭合，True对应闭合，False对应非闭合。

求面积：cv2.contourArea(contours[i])

cv2.drawContours

cv2.drawContours(image, contours, contourIdx, color, thickness=None, lineType=None, hierarchy=None, maxLevel=None, offset=None)

参数：

• image: 指明在哪幅图像上绘制轮廓；image为三通道才能显示轮廓
• contours: 轮廓本身，在Python中是一个list;
• contourIdx:指定绘制轮廓list中的哪条轮廓，如果是-1，则绘制其中的所有轮廓。
• 后面的参数很简单。其中thickness表明轮廓线的宽度，如果是-1（cv2.FILLED），则为填充模式。

cv2.approxPolyDP

approx = cv2.approxPolyDP(cnt, epsilon,True)

输入

• cnt: [x,1,2]list列表
• epsilon Douglas-Peucker算法参数
• True 参数3表示是否闭合

输出：list列表，列表中每个元素代表一个边沿信息。每个元素是(x,1,2)的三维向量，x表示该条边沿里共有多少个像素点，第三维表示每个点的横、纵坐标；

cv2.approxPolyDP使用的是Douglas-Peucker算法，原理如下：

在数字化时，要对曲线进行采样，即在曲线上取有限个点，将其变为折线，并且能够在一定程度上保持原有的形状。经典的Douglas-Peucker算法步骤如下：

1. 在曲线首尾两点A，B之间连接一条直线AB，该直线为曲线的弦；
2. 得到曲线上离该直线段距离最大的点C，计算其与AB的距离d；
3. 比较该距离与预先给定的阈值threshold的大小，如果小于threshold，则该直线段作为曲线的近似，该段曲线处理完毕；
4. 如果距离大于阈值，则用C将曲线分为两段AC和BC，并分别对两段取信进行1~3的处理。
5. 当所有曲线都处理完毕时，依次连接各个分割点形成的折线，即可以作为曲线的近似。
   
   由此可见，设定的阈值越小，拟合的越精准，拟合后多边形的边和顶点越多。cv2.approxPolyDP的参数2(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。虽然不确定epsilon是不是就是threshold，但肯定和threshold是正相关的。参数3表示是否闭合。

cv2.boundingRect

矩形边框（Bounding Rectangle）是说，用一个最小的矩形，把找到的形状包起来。还有一个带旋转的矩形，面积会更小，效果见下图：

x，y，w，h = cv2.boundingRect(img)
cv2.rectangle(img, (x, y), (x+w, y+h), (0, 255, 0), 2)

# 用红色表示有旋转角度的矩形框架
rect = cv2.minAreaRect(cnt)# 得到最小外接矩形的（中心(x,y), (宽,高), 旋转角度）
box = cv2.cv.BoxPoints(rect)# 获取最小外接矩形的4个顶点坐标(ps: cv2.boxPoints(rect) for OpenCV 3.x)
box = np.int0(box)
cv2.drawContours(img, [box], 0, (0, 0, 255), 2)
cv2.imwrite('contours.png', img)

minEnclosingCircle

在Opencv中，求最小包围圆的函数：

center, radius=cv.minEnclosingCircle(points)
cv2.minEnclosingCircle(contours[0])

返回值：

• center：圆的中心
• radius：半径