目录
轮廓的基本概念与函数介绍
轮廓的基本概念
轮廓(Contours)可以说是一个很好的图像目标的外部特征，这种特征对于我们进行图像分析，目标识别和理解等更深层次的处理都有很重要的意义。简单说轮廓就是一些列点相连组成形状、它们拥有同样的颜色、轮廓发现在图像的对象分析、对象检测等方面是非常有用的工具，在OpenCV中使用轮廓发现相关函数时候要求输入图像是二值图像，这样便于轮廓提取、边缘提取等操作。
轮廓提取的基本原理：
(针对二值化的轮廓提取是这样的）对于一幅背景为白色、目标为黑色的二值图像，如果在图中找到一个黑色点，且它的8邻域（或4邻域）也均为黑色，则说明该点是目标的内部点，将其置为白色，视觉上就像内部被掏空一样；否则保持黑色不变，该点是目标的边界点。
边缘检测和轮廓提取的区别：
边缘检测主要是通过一些手段检测数字图像中明暗变化剧烈（即梯度变化比较大）像素点，偏向于图像中像素点的变化。如canny边缘检测，结果通常保存在和源图片一样尺寸和类型的边缘图中。
轮廓检测指检测图像中的对象边界，更偏向于关注上层语义对象。如OpenCV中的findContours()函数， 它会得到每一个轮廓并以点向量方式存储，除此也得到一个图像的拓扑信息，即一个轮廓的后一个轮廓、前一个轮廓、父轮廓和内嵌轮廓的索引编号。
OpenCV轮廓提取相关函数介绍
1.轮廓提取
在OpenCV中使用轮廓发现相关函数时候要求输入图像是二值图像，这样便于轮廓提取、边缘提取等操作。轮廓发现的函数与参数解释如下：
findContours(image, mode, method, contours=None, hierarchy=None, offset=None)
- image输入/输出的二值图像
- mode 迒回轮廓的结构、可以是List、Tree、External
- method 轮廓点的编码方式，基本是基于链式编码
- contours 迒回的轮廓集合
- hieracrchy 迒回的轮廓层次关系
- offset 点是否有位移2. 多边形逼近
多边形逼近，是通过对轮廓外形无限逼近，删除非关键点、得到轮廓的关键点，不断逼近轮廓真实形状的方法，OpenCV中多边形逼近的函数与参数解释如下：
approxPolyDP(curve, epsilon, closed, approxCurve=None)
- curve 表示输入的轮廓点集合
- epsilon 表示逼近曲率，越小表示相似逼近越厉害
- close 是否闭合3. 几何距计算
图像几何距是图像的几何特征，高阶几何距中心化之后具有特征不变性，可以产生Hu距输出，用于形状匹配等操作，这里我们通过计算一阶几何距得到指定轮廓的中心位置，计算几何距的函数与参数解释如下：
moments(array, binaryImage=None)
- array表示指定输入轮廓
- binaryImage默认为None提取与绘制轮廓API说明
在OpenCV里面利用findContours()函数和drawContours()函数实现这一功能。API介绍：
C++：void findContours(InputOutputArray image,
OutputArrayOfArrays contours,
OutputArray hierarchy,
int mode,
int method,
Point offset = Point()
)
参数详解：
参数一： image，单通道图像矩阵，可以是灰度图，但更常用的是二值图像，一般是经过Canny、拉普拉斯等边缘检测算子处理过的二值图像；
参数二： contours是一个向量，并且是一个双重向量，向量内每个元素保存了一组由连续的Point点构成的点的集合的向量，每一组Point点集就是一个轮廓。有多少轮廓，向量contours就有多少元素。
参数三： hierarchy也是一个向量，向量内每个元素保存了一个包含4个int整型的数组。向量hiararchy内的元素和轮廓向量contours内的元素是一一对应的，向量的容量相同。hierarchy向量内每一个元素的4个int型变量——hierarchy[i][0] ~hierarchy[i][3]，分别表示第i个轮廓的后一个轮廓、前一个轮廓、父轮廓、内嵌轮廓的索引编号。如果当前轮廓没有对应的后一个轮廓、前一个轮廓、父轮廓或内嵌轮廓的话，则hierarchy[i][0] ~hierarchy[i][3]的相应位被设置为 默认值-1。
参数四： int型的mode，定义轮廓的检索模式：
模式一：CV_RETR_EXTERNAL只检测最外围轮廓，包含在外围轮廓内的内围轮廓被忽略
模式二：CV_RETR_LIST 检测所有的轮廓，包括内围、外围轮廓，但是检测到的轮廓不建立等级关系，彼此之间独立，没有等级关系，这就意味着这个检索模式下不存在父轮廓或内嵌轮廓，所以hierarchy向量内所有元素的第3、第4个分量都会被置为-1，
模式三：CV_RETR_CCOMP 检测所有的轮廓，但所有轮廓只建立两个等级关系，外围为顶层，若外围内的内围轮廓还包含了其他的轮廓信息，则内围内的所有轮廓均归属于顶层
模式四：CV_RETR_TREE， 检测所有轮廓，所有轮廓建立一个等级树结构。外层轮廓包含内层轮廓，内层轮廓还可以继续包含内嵌轮廓。
参数五： int型的method，定义轮廓的近似方法：
方式一：CV_CHAIN_APPROX_NONE 保存物体边界上所有连续的轮廓点到contours向量内
方式二：CV_CHAIN_APPROX_SIMPLE 仅保存轮廓的拐点信息，把所有轮廓拐点处的点保存入contours 向量内，拐点与拐点之间直线段上的信息点不予保留
方式三和四：CV_CHAIN_APPROX_TC89_L1，CV_CHAIN_APPROX_TC89_KCOS使用teh-Chinl chain 近似算法
参数六： Point偏移量，所有的轮廓信息相对于原始图像对应点的偏移量，相当于在每一个检测出的轮廓 点上加上该偏移量，并且Point还可以是负值.
___________________________________________________________
drawContours(
//InputOutputArray binImg, // 输出图像
//OutputArrayOfArrays contours,// 全部发现的轮廓对象
//Int contourIdx// 轮廓索引号
//const Scalar & color,// 绘制时候颜色
//int thickness,// 绘制线宽
//int lineType,// 线的类型LINE_8
//InputArray hierarchy,// 拓扑结构图
//int maxlevel,// 最大层数， 0只绘制当前的，1表示绘制绘制当前及其内嵌的轮廓
//Point offset = Point()// 轮廓位移，可选
轮廓特征属性及应用—位置关系及轮廓匹配
参考https://blog.csdn.net/abc8730866/article/details/69219992
1.计算点与轮廓的距离及位置关系——pointPolygonTest()
2.矩的计算——moments()
3.形状匹配(比较两个形状或轮廓间的相似度)——matchShapes()
先上ppt：
一、点与轮廓的距离及位置关系
二、轮廓的矩
轮廓矩的介绍：
三、形状匹配--matchShapes()
注意与模板匹配matchTemplate()相区分。形状匹配对于旋转、尺度、位移都能适应。
代码实现与演示
代码：1.计算点到轮廓的距离与位置关系
///计算点到轮廓的距离与位置关系
#include "opencv2/opencv.hpp"
using namespace cv;
#include <iostream>
using namespace std;
int main()
{
//1.查找轮廓前的预处理
Mat srcImg = imread("00.png",CV_LOAD_IMAGE_COLOR);
Mat copyImg = srcImg.clone();
cvtColor(srcImg,srcImg,CV_BGR2GRAY);
threshold(srcImg,srcImg,100,255,CV_THRESH_BINARY);//确保黑中找白
imshow("thresh",srcImg);
//2.查找轮廓
vector<vector<Point>> contours;
findContours(srcImg,contours,CV_RETR_EXTERNAL,CV_CHAIN_APPROX_NONE);//最外层轮廓
drawContours(copyImg, contours, -1, Scalar(0, 255, 0), 2, 8);
//3.计算点到轮廓的距离与位置关系
Point2f p1(20, 20);
circle(copyImg,p1,3,Scalar(0,0,255),-1,8);
double a0 = pointPolygonTest(contours[0], p1, true);//true表示点到轮廓的距离
double b0 = pointPolygonTest(contours[0], p1, false);//false表示计算点与轮廓的位置关系
cout << "a0=" << a0 << endl;
cout << "b0=" << b0 << endl;
imshow("contours",copyImg);
waitKey(0);
return 0;
}运行结果：
说明:a0之所以是负数，是因为点在轮廓外部
代码：2.轮廓矩的计算
///轮廓矩的计算
#include "opencv2/opencv.hpp"
using namespace cv;
#include <iostream>
using namespace std;
int main()
{
//1.查找轮廓前的预处理
Mat srcImg = imread("00.png", CV_LOAD_IMAGE_COLOR);
Mat copyImg = srcImg.clone();
cvtColor(srcImg, srcImg, CV_BGR2GRAY);
threshold(srcImg, srcImg, 100, 255, CV_THRESH_BINARY);//确保黑中找白
imshow("thresh", srcImg);
//2.查找轮廓
vector<vector<Point>> contours;
findContours(srcImg, contours, CV_RETR_EXTERNAL, CV_CHAIN_APPROX_NONE);//最外层轮廓
drawContours(copyImg, contours, -1, Scalar(0, 255, 0), 2, 8);
//3.轮廓矩的计算
Moments moments0 = moments(contours[0],false);//计算轮廓矩
cout << moments0.m00<< endl;//输出空间矩之一的m00
imshow("contours", copyImg);
waitKey(0);
return 0;
}运行结果：
代码：3.形状匹配---比较两个形状或轮廓间的相似度
///形状匹配---比较两个形状或轮廓间的相似度
#include "opencv2/opencv.hpp"
using namespace cv;
#include <iostream>
using namespace std;
int main()
{
//1.查找模版图像的轮廓
Mat templateImg = imread("1.jpg", CV_LOAD_IMAGE_COLOR);
Mat copyImg1 = templateImg.clone();
cvtColor(templateImg, templateImg, CV_BGR2GRAY);
threshold(templateImg, templateImg, 100, 255, CV_THRESH_BINARY);//确保黑中找白
imshow("thresh1", templateImg);
vector<vector<Point>> contours1;
findContours(templateImg, contours1, CV_RETR_EXTERNAL, CV_CHAIN_APPROX_NONE);//最外层轮廓
drawContours(copyImg1, contours1, -1, Scalar(0, 255, 0), 2, 8);
//2.查找待测试图像的轮廓
Mat testImg = imread("2.jpg", CV_LOAD_IMAGE_COLOR);
Mat copyImg2 = testImg.clone();
cvtColor(testImg, testImg, CV_BGR2GRAY);
threshold(testImg, testImg, 100, 255, CV_THRESH_BINARY);//确保黑中找白
imshow("thresh2", testImg);
vector<vector<Point>> contours2;
findContours(testImg, contours2, CV_RETR_EXTERNAL, CV_CHAIN_APPROX_NONE);//最外层轮廓
//3.形状匹配---比较两个形状或轮廓间的相似度
for (int i = 0; i < contours2.size();i++)//遍历待测试图像的轮廓
{
//返回此轮廓与模版轮廓之间的相似度,a0越小越相似
double a0 = matchShapes(contours1[0],contours2[i],CV_CONTOURS_MATCH_I1,0);
cout << "模版轮廓与待测试图像轮廓" << i << "的相似度:" << a0 << endl;//输出两个轮廓间的相似度
if (a0<0.1)//如果此轮廓与模版轮廓的相似度小于0.1
{
drawContours(copyImg2, contours2, i, Scalar(0, 255, 0), 2, 8);//则在待测试图像上画出此轮廓
}
imshow("copyImg2", copyImg2);
if (waitKey(0) == 27)//等待按键进行下一个轮廓，ESC则退出
{
cout << "ESC退出" << endl;
break;
}
}
waitKey(0);
return 0;
}运行结果：
其他示例:目标识别——轮廓匹配
示例1:
整个代码实现分为如下几步完成
- 加载图像，
- 图像二值化
- 轮廓发现
- 几何形状识别
- 测量周长、面积、计算中心
- 颜色提取
https://www.cnblogs.com/little-monkey/p/7475481.html
https://blog.csdn.net/abc8730866/article/details/69219992
//对轮廓按面积降序排列
bool biggerSort(vector<Point> v1, vector<Point> v2)
{
return contourArea(v1)>contourArea(v2);
}
int lunkuo()
{
Mat img = imread("923.jpg",1);
Mat img_template = imread("ljt.jpg",1);
Mat gray_img,gray_img_template;
cvtColor(img, gray_img, COLOR_BGR2GRAY);
cvtColor(img_template, gray_img_template, COLOR_BGR2GRAY);
Mat temp_img,temp_img_template;
threshold(gray_img, temp_img, 60, 255, THRESH_BINARY);//对图像进行二值化
threshold(gray_img_template, temp_img_template, 80, 255, THRESH_BINARY);
Mat closerect=getStructuringElement(MORPH_RECT,Size(11,11)); //进行结构算子生成
morphologyEx(temp_img, temp_img, MORPH_OPEN, closerect);
morphologyEx(temp_img_template, temp_img_template, MORPH_OPEN, closerect);//进行形态学开运算
imwrite("目标图处理.jpg",temp_img);
imwrite("模版图处理.jpg",temp_img_template);
vector<vector<Point>> contours_img,contours_template;//目标图，模版图
findContours(temp_img, contours_img, CV_RETR_TREE, CHAIN_APPROX_NONE);//提取轮廓元素
findContours(temp_img_template, contours_template, CV_RETR_TREE, CHAIN_APPROX_NONE);
std::sort(contours_img.begin(), contours_img.end(), biggerSort);
std::sort(contours_template.begin(), contours_template.end(), biggerSort);
Rect rt;
//for (int kk = 0; kk < contours_template.size(); kk++)
//{
// rt = boundingRect(contours_template[kk]);
// rectangle(img_template, rt, Scalar(0,0,255),2);
//}
//imwrite("模版图轮廓.jpg",img_template);
double pro = 1;//相似度，越接近0越好
double min_pro = 999;//对应的最优匹配值
int min_kk = -1;//对应的最优匹配的下标
for (int kk = 0; kk < contours_img.size(); kk++)
{
if (contourArea(contours_img[kk]) < 10000)//面积阈值筛选
{
break;
}
rt = boundingRect(contours_img[kk]);
if (rt.height <= rt.width)//垃圾桶是矩形
{
continue;
}
pro = matchShapes(contours_img[kk], contours_template[1], CV_CONTOURS_MATCH_I3, 1.0);//进行轮廓匹配
if (pro < min_pro)
{
min_pro = pro;
min_kk = kk;
}
cout << kk <<"=="<<pro<< endl;
}
rt = boundingRect(contours_img[min_kk]);
rectangle(img, rt, Scalar(0,0,255),2);
cout << "相似度最高轮廓下标："<<min_kk <<endl;
cout << "目标形心坐标："<<rt.x + rt.width/2<<","<<rt.y + rt.height/2<<endl;
imwrite("目标寻找结果.jpg",img);
return 0;
}
需要说明的是图1并不是从图2里抠出来的，是另外近距离拍摄的，直接用sift，surf效果并不是很好，但是轮廓形状却变化不大。上面的图我为了排版缩放了。图1、3大小2248*2248 图2、4、5大小3671*3627
示例2-1
//轮廓发现（find contour）
//轮廓发现是基于图像边缘提取的基础寻找对象轮廓的方法。所以边缘提取的阈值选定会影响最终轮廓发现结果
//步骤：输入图像转为灰度图像cvtColor
//使用Canny进行边缘提取，得到二值图像
//使用findContours寻找轮廓
//使用drawContours绘制轮廓
#include"stdafx.h"
#include<opencv2/opencv.hpp>
#include<iostream>
#include<math.h>
using namespace std;
using namespace cv;
Mat src, dst;
char input[] = "gray image";
int threshold_value = 100;
int threshold_max = 255;
void find_contour_demo(int, void*);
int main(int argc, char*argv)
{
src = imread("C:\\Users\\59235\\Desktop\\imag\\mixed_03.png");
if (!src.data)
{
printf("could not load image...\n");
return -1;
}
namedWindow(input, CV_WINDOW_AUTOSIZE);
namedWindow("result", CV_WINDOW_AUTOSIZE);
//输入图像转为灰度图像
cvtColor(src, src, CV_BGR2GRAY);
imshow(input, src);
const char*thresh = "threshold value";
createTrackbar(thresh, input, &threshold_value, threshold_max, find_contour_demo);
find_contour_demo(0, 0);
waitKey(0);
return 0;
}
void find_contour_demo(int, void*)
{
//使用Canny进行边缘提取，得到二值图像
Canny(src, dst, threshold_value, threshold_value * 2, 3, false);
imshow("canny detection", dst);
//使用findContours寻找轮廓
vector<vector<Point>> contours;
vector<Vec4i> hierachy;
findContours(dst, contours, hierachy, RETR_TREE, CHAIN_APPROX_SIMPLE, Point(0, 0));
//findContours(
//InputOutputArray binImg, // 输入图像，非0的像素被看成1,0的像素值保持不变，8-bit
//OutputArrayOfArrays contours,// 全部发现的轮廓对象
//OutputArray, hierachy// 图该的拓扑结构，可选，该轮廓发现算法正是基于图像拓扑结构实现。
//int mode, // 轮廓返回的模式
//int method,// 发现方法
//Point offset = Point()// 轮廓像素的位移，默认（0, 0）没有位移)
//使用drawContours绘制轮廓
Mat drawImage = Mat::zeros(src.size(), CV_8UC3);
RNG rng(12345);
for (int i = 0; i < contours.size(); i++)
{
Scalar color = Scalar(rng.uniform(0, 255), rng.uniform(0, 255), rng.uniform(0, 255));
drawContours(drawImage, contours, i, color, 2, LINE_AA, hierachy, 0, Point(0, 0));
//drawContours(
//InputOutputArray binImg, // 输出图像
//OutputArrayOfArrays contours,// 全部发现的轮廓对象
//Int contourIdx// 轮廓索引号
//const Scalar & color,// 绘制时候颜色
//int thickness,// 绘制线宽
//int lineType,// 线的类型LINE_8
//InputArray hierarchy,// 拓扑结构图
//int maxlevel,// 最大层数， 0只绘制当前的，1表示绘制绘制当前及其内嵌的轮廓
//Point offset = Point()// 轮廓位移，可选
}
imshow("result", drawImage);
return;
}
效果图： (灰度图) （canny边缘检测图）
（绘制轮廓图）
总结：OpenCV提取轮廓之后，还可以进行许多操作：
ArcLength() 计算轮廓长度
ContourArea() 计算轮廓区域的面积
BoundingRect() 轮廓的外包矩形
ConvexHull() 提取轮廓的凸包
IsContourConvex() 测试轮廓的凸性
MinAreaRect() 轮廓的最小外包矩形
MinEnclosingCircle() 轮廓的最小外包圆
fitEllipse()用椭圆拟合二维点集
approxPolyDP()逼近多边形曲线
示例2-2
//图像矩：（Image Moments）
//步骤：提取图像边缘
//发现轮廓
//计算每个轮廓对象的矩
//计算每个对象的中心、弧长、面积
#include"stdafx.h"
#include<opencv2/opencv.hpp>
#include<iostream>
#include<math.h>
using namespace cv;
using namespace std;
Mat src, dst, drawImage;
const char*result = "moments_demo";
int threshold_value = 120;
int threshold_max = 255;
RNG rng(12345);
void Moments_demo(int, void*);
int main(int argc, char*argv)
{
src = imread("C:\\Users\\59235\\Desktop\\imag\\mixed_01.png");
if (!src.data)
{
printf("could not load image...\n");
return -1;
}
char input[] = "gray image";
namedWindow(input, CV_WINDOW_AUTOSIZE);
namedWindow(result, CV_WINDOW_AUTOSIZE);
//输入图像转为灰度图像
cvtColor(src, dst, CV_BGR2GRAY);
GaussianBlur(dst, dst, Size(3, 3), 0, 0);
imshow(input, dst);
const char*thresh = "threshold value";
createTrackbar(thresh, result, &threshold_value, threshold_max, Moments_demo);
Moments_demo(0, 0);
waitKey(0);
return 0;
}
void Moments_demo(int, void*)
{
//提取图像边缘
Mat canny_out;
Canny(dst, canny_out, threshold_value, threshold_value * 2, 3, false);
//imshow("canny image", canny_out);
//发现轮廓，找到图像轮廓
vector<vector<Point>> contours;
vector<Vec4i> hierachy;
findContours(canny_out, contours, hierachy, RETR_TREE, CHAIN_APPROX_SIMPLE, Point(0, 0));
//计算每个轮廓对象的矩
vector< Moments> contours_moments(contours.size());
vector<Point2f> centers(contours.size());
for (size_t i = 0; i < contours.size(); i++)
{
//计算矩
contours_moments[i] = moments(contours[i]);
//moments(InputArray array,//输入数据
//bool binaryImage = false // 是否为二值图像
centers[i] = Point(static_cast<float>(contours_moments[i].m10 / contours_moments[i].m00), static_cast<float>(contours_moments[i].m01 / contours_moments[i].m00));
//图像中心Center(x0, y0)=(m10/m00,m01/m00)
}
src.copyTo(drawImage);
for (size_t i = 0; i < contours.size(); i++)
{
printf("centers point x：%.2f,y：%.2f\n", centers[i].x, centers[i].y);
printf("contours %d Area：%.2f Arc length：%.2f \n", i, contourArea(contours[i]), arcLength(contours[i], true));
//contourArea(InputArray contour,//输入轮廓数据
//bool oriented// 默认false、返回绝对值)
//arcLength(InputArray curve,//输入曲线数据
//bool closed// 是否是封闭曲线)
//考虑如何把数据显示在原图像上
//double A;
//A=contourArea(contours[i]);
//ostringstream os;
//os << A;
//putText(drawImage,os.str,centers[i], CV_FONT_BLACK, 2.0, Scalar(0,0,255), 2, 8);
//依次含义：原图，输入字的内容，起始位置，字体，字的大小，颜色，线条大小粗 细，连接域
Scalar color = Scalar(rng.uniform(0, 255), rng.uniform(0, 255), rng.uniform(0, 255));
drawContours(drawImage, contours, i, color, 2, LINE_AA, hierachy, 0, Point(0, 0));//绘制轮廓
circle(drawImage, centers[i], 2, color, 2, LINE_AA);//绘制图形中心
}
imshow(result, drawImage);
return;
}效果图：
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
